Overlap：KAMA（考夫曼自适应移动平均线）技术指标详解

Overlap：KAMA（考夫曼自适应移动平均线）技术指标详解

一、KAMA的定义

KAMA（Kaufman’s Adaptive Moving Average，考夫曼自适应移动平均线） 是由知名量化投资专家佩里·考夫曼（Perry Kaufman）开发的一种创新移动平均线。它的核心特点是：根据市场噪音或波动率，自动调整自身的平滑速度。

核心设计理念

传统移动平均线的主要矛盾在于：趋势行情中需要快速响应（短周期），震荡行情中需要足够平滑（长周期），但单一参数无法兼顾两种场景。

考夫曼的解决方案是引入效率比率（Efficiency Ratio, ER）——衡量价格变化的“方向性”与“总波动性”之比：

• 当市场呈现强趋势时（ER趋近于1）：KAMA变得灵敏，快速跟踪价格变化
• 当市场处于震荡时（ER趋近于0）：KAMA变得平滑，有效过滤噪音

这种自适应机制使KAMA被评价为“智能”移动平均线，在趋势跟踪和噪音过滤之间取得了更好的平衡。

KAMA与传统移动平均线的对比

二、KAMA的计算方法

KAMA的计算主要分为三步：效率比率（ER）、平滑常数（SC）和递归计算。

1. 效率比率（Efficiency Ratio, ER）

ER衡量价格运动的“效率”——价格变化的方向性程度与总波动性的比值。考夫曼推荐使用10周期作为ER的计算周期。

价格变化（方向性）：
$$\mathrm{Change}=|{\mathrm{Close}}_t-{\mathrm{Close}}_{t-10}|$$
波动性（总移动距离）：
$$\mathrm{Volatility}=\sum _{i=t-9}^t|{\mathrm{Close}}_i-{\mathrm{Close}}_{i-1}|$$
效率比率：
$$\mathrm{ER}=\frac{\mathrm{Change}}{\mathrm{Volatility}}$$
ER的取值范围在0到1之间：

• ER=1：价格连续10个周期同向移动（极强的趋势）
• ER=0：价格在10个周期内没有净变化（横盘震荡）

2. 平滑常数（Smoothing Constant, SC）

SC将ER转化为KAMA的平滑系数。考夫曼推荐的最快周期为2，最慢周期为30。

首先计算最快和最慢EMA的权重系数：

$$\begin{array}{rlr}\mathrm{fastest}& =2/(\mathrm{fast}+1)=2/(2+1)& \approx 0.6667\\ \mathrm{slowest}& =2/(\mathrm{slow}+1)=2/(30+1)& \approx 0.0645\end{array}$$
然后计算自适应平滑常数：

$$\mathrm{SC}=[\mathrm{ER}\times (\mathrm{fastest}-\mathrm{slowest})+\mathrm{slowest}{]}^2$$
当ER高（趋势强）时，SC趋近于fastest（约0.6667），KAMA变得灵敏；当ER低（震荡市）时，SC趋近于slowest（约0.0645），KAMA变得平滑。

3. KAMA递归计算

第一个KAMA值使用简单移动平均作为初始值，后续按以下递推公式更新：

$${\mathrm{KAMA}}_t={\mathrm{KAMA}}_{t-1}+{\mathrm{SC}}_t\times ({\mathrm{Price}}_t-{\mathrm{KAMA}}_{t-1})$$

4. 参数说明

三、KAMA的使用方法

1. 价格穿越信号——基础用法

价格与KAMA的穿越是最直观的交易信号：

实战提示：简单穿越系统可能产生较多假信号。考夫曼建议在KAMA周围设置一个小型带状区域来过滤噪音，或要求价格穿越后持有一定天数再确认信号。

2. KAMA方向判断趋势

KAMA自身的上升或下降方向是判断主趋势的有效工具：

3. 长短周期组合策略

使用长短两条KAMA配合可以提高信号质量：

• 长期KAMA（如参数10,5,30）：判断主趋势方向
• 短期KAMA（如参数10,2,30）：寻找具体入场点

当长期KAMA上升时，只关注价格上穿短期KAMA的买入信号；当长期KAMA下降时，只关注价格下穿短期KAMA的卖出信号。

四、使用pandas_ta计算KAMA

1. 函数参数

pandas_ta.overlap.kama(close, length=None, fast=None, slow=None, drift=None, offset=None, **kwargs)

参数详解：

2. 示例代码

import pandas as pd
import pandas_ta as ta
import numpy as np
import matplotlib.pyplot as plt

# ========== 第一步：准备数据 ==========
np.random.seed(42)
dates = pd.date_range(start='2023-01-01', end='2024-12-31', freq='D')
n = len(dates)

# 生成带趋势和波动的价格序列
trend = np.linspace(0, 45, n)
cycle = np.sin(np.linspace(0, 6 * np.pi, n)) * 15
noise = np.random.randn(n) * 3
price_series = 100 + trend + cycle + noise

# 添加趋势变化区间
price_series = price_series.astype(float)
for i in range(300, 450):
price_series[i] = price_series[300] + (i–300) * 0.2
for i in range(450, 600):
price_series[i] = price_series[450] – (i–450) * 0.15

df = pd.DataFrame(index=dates[:n])
df['close'] = price_series[:n]
df['volume'] = np.random.randint(1000000, 25000000, n)

print("=" * 60)
print("数据预览：")
print(df.head())
print("\\n" + "=" * 60 + "\\n")

# ========== 第二步：计算KAMA ==========
# 使用默认参数 length=10, fast=2, slow=30
df['KAMA'] = ta.kama(df['close'])

print("KAMA计算结果（最近10行）：")
print(df[['close', 'KAMA']].tail(10))
print("\\n" + "=" * 60 + "\\n")

# ========== 第三步：不同参数组合对比 ==========
# 标准参数 (10,2,30)
df['KAMA_std'] = ta.kama(df['close'], length=10, fast=2, slow=30)

# 更灵敏的参数 (10,2,20)
df['KAMA_fast'] = ta.kama(df['close'], length=10, fast=2, slow=20)

# 更平滑的参数 (10,5,30)
df['KAMA_smooth'] = ta.kama(df['close'], length=10, fast=5, slow=30)

print("不同参数KAMA对比（最近5行）：")
print(df[['close', 'KAMA_std', 'KAMA_fast', 'KAMA_smooth']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第四步：计算传统均线进行对比 ==========
df['SMA_20'] = ta.sma(df['close'], length=20)
df['EMA_20'] = ta.ema(df['close'], length=20)

print("KAMA vs SMA vs EMA 对比（最近10行）：")
print(df[['close', 'KAMA_std', 'SMA_20', 'EMA_20']].tail(10))
print("\\n" + "=" * 60 + "\\n")

# ========== 第五步：生成价格穿越信号 ==========
df['price_above_kama'] = df['close'] > df['KAMA_std']
df['cross_above'] = (df['price_above_kama'] == True) & (df['price_above_kama'].shift(1) == False)
df['cross_below'] = (df['price_above_kama'] == False) & (df['price_above_kama'].shift(1) == True)

df['signal'] = ''
df.loc[df['cross_above'], 'signal'] = '买入（价格上穿KAMA）'
df.loc[df['cross_below'], 'signal'] = '卖出（价格下穿KAMA）'

print("价格穿越信号统计：")
print(f"买入信号数量：{df['cross_above'].sum()}")
print(f"卖出信号数量：{df['cross_below'].sum()}")

print("\\n最近15个穿越信号：")
signals = df[df['signal'] != ''].tail(15)
if not signals.empty:
print(signals[['close', 'KAMA_std', 'signal']])
print("\\n" + "=" * 60 + "\\n")

# ========== 第六步：KAMA方向判断趋势 ==========
df['kama_slope'] = df['KAMA_std'].diff()
df['trend'] = ''
df.loc[df['kama_slope'] > 0, 'trend'] = '上升趋势'
df.loc[df['kama_slope'] < 0, 'trend'] = '下降趋势'

print("趋势分布统计：")
print(df['trend'].value_counts())
print("\\n" + "=" * 60 + "\\n")

# ========== 第七步：长短周期组合策略 ==========
# 长期KAMA（更平滑）和短期KAMA（更灵敏）
df['KAMA_long'] = ta.kama(df['close'], length=10, fast=5, slow=30)
df['KAMA_short'] = ta.kama(df['close'], length=10, fast=2, slow=30)

# 长期趋势向上时，关注短期上穿信号
df['long_up'] = df['KAMA_long'] > df['KAMA_long'].shift(5)
df['buy_filtered'] = df['long_up'] & df['cross_above']

print("长短周期组合信号统计：")
print(f"长期上升趋势中的买入信号数量：{df['buy_filtered'].sum()}")
print("\\n" + "=" * 60 + "\\n")

# ========== 第八步：策略回测 ==========
# 策略：KAMA上升时持仓多头
df['position'] = (df['kama_slope'] > 0).astype(int)

df['returns'] = df['close'].pct_change()
df['strategy_returns'] = df['position'].shift(1) * df['returns']

total_return_buyhold = (1 + df['returns']).prod() – 1
total_return_strategy = (1 + df['strategy_returns']).prod() – 1

print("=" * 60)
print("策略绩效统计（KAMA方向策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"KAMA方向策略总收益率：{total_return_strategy:.2%}")
print("\\n注意：此为简化回测，仅供参考")
print("=" * 60 + "\\n")

# ========== 第九步：可视化 ==========
plt.figure(figsize=(14, 10))

plt.subplot(2, 1, 1)
plt.plot(df.index[–200:], df['close'][–200:], label='Close Price',
linewidth=1.5, color='black')
plt.plot(df.index[–200:], df['KAMA_std'][–200:], label='KAMA (10,2,30)',
linewidth=1.5, color='blue')
plt.plot(df.index[–200:], df['SMA_20'][–200:], label='SMA (20)',
linewidth=1, color='orange', linestyle='–')
plt.plot(df.index[–200:], df['EMA_20'][–200:], label='EMA (20)',
linewidth=1, color='green', linestyle=':')
plt.title('KAMA vs SMA vs EMA 对比 (Last 200 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

plt.subplot(2, 1, 2)
plt.plot(df.index[–200:], df['close'][–200:], label='Close Price',
linewidth=1, alpha=0.5, color='black')
plt.plot(df.index[–200:], df['KAMA_std'][–200:], label='KAMA (10,2,30) – 标准',
linewidth=1.5, color='blue')
plt.plot(df.index[–200:], df['KAMA_fast'][–200:], label='KAMA (10,2,20) – 灵敏',
linewidth=1, alpha=0.7)
plt.plot(df.index[–200:], df['KAMA_smooth'][–200:], label='KAMA (10,5,30) – 平滑',
linewidth=1.5, color='green')

# 标记穿越信号
buy_signals = df[df['cross_above']]
sell_signals = df[df['cross_below']]
plt.scatter(buy_signals.index[–25:], buy_signals['close'][–25:],
color='green', marker='^', s=60, label='买入信号（价格上穿）', alpha=0.8)
plt.scatter(sell_signals.index[–25:], sell_signals['close'][–25:],
color='red', marker='v', s=60, label='卖出信号（价格下穿）', alpha=0.8)

plt.title('KAMA：不同参数对比与穿越信号', fontsize=14)
plt.xlabel('Date')
plt.ylabel('Price')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ========== 第十步：数据清洗提示 ==========
nan_count = df['KAMA_std'].isna().sum()
print(f"\\nKAMA初始NaN数量：{nan_count}")
print("原因：KAMA需要至少length个周期的数据才能计算效率比率")
print("处理建议：df_clean = df.iloc[10:].copy()")
print("\\n" + "=" * 60)
print("KAMA使用提示：")
print("1. KAMA根据市场波动自动调整灵敏度：波动大时平滑，趋势明确时灵敏")
print("2. 默认参数(10,2,30)是考夫曼推荐的标准配置")
print("3. 价格上穿KAMA是买入信号，下穿是卖出信号")
print("4. 使用长短周期KAMA组合（如长线KAMA判断趋势，短线KAMA找入场点）")
print("5. 建议在KAMA周围设置小型带状区域来过滤震荡市的假信号")
print("=" * 60)

五、总结

KAMA（考夫曼自适应移动平均线）是一种根据市场噪音水平自动调整平滑速度的智能均线，其核心价值与定位如下：

实战使用三原则：