Overlap：LINREG（线性回归均线）技术指标详解

Overlap：LINREG（线性回归均线）技术指标详解

一、LINREG的定义

LINREG（Linear Regression Moving Average，线性回归均线） 是一种基于统计学线性回归理论的趋势跟踪指标。它不是简单地对价格取平均（如SMA），而是使用最小二乘法对一段价格序列拟合出一条“最佳拟合线”，用以捕捉该段区间内价格的整体走势。

核心设计理念

线性回归是一种统计工具，用于根据历史价格预测未来价格可能的走向。传统的线性回归在图表上绘制为一条直线，类似趋势线。但线性回归均线并不是画一条直线，而是通过滑动窗口，在每个时间点计算窗口内数据的回归线“终点值”，从而形成一条平滑的曲线。

当价格上涨时，线性回归线会试图确定价格相对于当前价格的上升偏差；当价格下跌时，它会试图确定价格的下降偏差。一些分析师认为，当价格高于或低于线性回归线时，价格处于过度延伸状态，将开始向该线回归。

LINREG的核心特征

LINREG的衍生信息

由于LINREG的计算基于线性回归，它可以衍生出多个有价值的辅助指标：

二、LINREG的计算方法

1. 核心计算公式

对于长度为

n

n

n 的滚动窗口，价格序列为

P

1

,

P

2

,

.

.

.

,

P

n

P_1, P_2, …, P_n

P1​,P2​,…,Pn​，对应的时间索引为

x

i

=

i

x_i = i

xi​=i（通常从 0 开始）。

斜率（Slope,

a

a

a） 的计算公式为：

a

=

n

∑

(

i

⋅

P

i

)

−

∑

i

∑

P

i

n

∑

i

2

−

(

∑

i

)

2

a = \\frac{n \\sum (i \\cdot P_i) – \\sum i \\sum P_i}{n \\sum i^2 – (\\sum i)^2}

a=n∑i2−(∑i)2n∑(i⋅Pi​)−∑i∑Pi​​ 截距（Intercept,

b

b

b） 的计算公式为：

b

=

∑

P

i

−

a

∑

i

n

b = \\frac{\\sum P_i – a \\sum i}{n}

b=n∑Pi​−a∑i​ 当前窗口的回归线终点值（即LINREG输出值） 为：

L

I

N

R

E

G

=

a

⋅

(

n

−

1

)

+

b

\\mathrm{LINREG} = a \\cdot (n – 1) + b

LINREG=a⋅(n−1)+b 其中

(

n

−

1

)

(n – 1)

(n−1) 是窗口内最后一个时间点的索引值。

2. 简化公式（时间索引从0开始）

当时间索引

i

i

i 从 0 开始时，

∑

i

\\sum i

∑i 和

∑

i

2

\\sum i^2

∑i2 有如下性质：

∑

i

=

n

(

n

−

1

)

2

\\sum i = \\frac{n(n – 1)}{2}

∑i=2n(n−1)​

∑

i

2

=

n

(

n

−

1

)

(

2

n

−

1

)

6

\\sum i^2 = \\frac{n(n – 1)(2n – 1)}{6}

∑i2=6n(n−1)(2n−1)​

斜率

a

a

a 与价格序列的协方差和方差直接相关。对于实际计算，使用通用公式即可。

3. 计算示例

假设窗口长度

n

=

5

n=5

n=5，价格序列如下：

计算各项求和：

• $n=5$
• $\sum i=0+1+2+3+4=10$
• $\sum i^2=0+1+4+9+16=30$
• $\sum P_i=100+102+105+103+108=518$
• $\sum (i\cdot P_i)=0\times 100+1\times 102+2\times 105+3\times 103+4\times 108=1053$

计算斜率

a

a

a：

a

=

5

×

1053

−

10

×

518

5

×

30

−

10

2

=

5265

−

5180

150

−

100

=

85

50

=

1.7

a = \\frac{5 \\times 1053 – 10 \\times 518}{5 \\times 30 – 10^2} = \\frac{5265 – 5180}{150 – 100} = \\frac{85}{50} = 1.7

a=5×30−1025×1053−10×518​=150−1005265−5180​=5085​=1.7 计算截距

b

b

b：

b

=

518

−

1.7

×

10

5

=

518

−

17

5

=

501

5

=

100.2

b = \\frac{518 – 1.7 \\times 10}{5} = \\frac{518 – 17}{5} = \\frac{501}{5} = 100.2

b=5518−1.7×10​=5518−17​=5501​=100.2 计算LINREG值（回归线终点）：

L

I

N

R

E

G

=

1.7

×

4

+

100.2

=

6.8

+

100.2

=

107.0

\\mathrm{LINREG} = 1.7 \\times 4 + 100.2 = 6.8 + 100.2 = 107.0

LINREG=1.7×4+100.2=6.8+100.2=107.0 该值为107.0，略低于最新价格108.0，表明价格略高于回归趋势线的预测。

三、LINREG的使用方法

1. 趋势方向判断——最基础用法

LINREG线的方向直接反映了价格的趋势方向，这是最直观的应用：

2. 价格偏离与回归——超买超卖判断

一些分析师认为，当价格高于或低于线性回归线时，价格处于过度延伸状态，将开始向该线回归：

3. 斜率与角度——趋势强度量化

利用LINREG的衍生信息可以量化趋势强度：

4. 拟合度（相关系数R）——趋势强弱判断

通过计算相关系数 RR，可以判断当前回归趋势的拟合程度：

5. 时间序列预测（TSF）

利用tsf=True可以获取下一周期的预测价格，其原理是沿回归线外推一个单位：

T

S

F

=

a

⋅

n

+

b

\\mathrm{TSF} = a \\cdot n + b

TSF=a⋅n+b 即用斜率

a

a

a 乘以

n

n

n（窗口长度）再加截距

b

b

b，得到下一个周期的预测值。这一功能常与其他指标（如布林带、MACD）配合使用，形成趋势确认与价格预测的复合策略。

6. 注意事项与局限性

使用LINREG前需了解以下要点：

适用场景总结：

四、使用pandas_ta计算LINREG

1. pandas_ta中的LINREG函数

pandas_ta库内置了LINREG指标的完整实现，函数位于overlap模块中。该函数可以输出回归线值及其多种衍生指标。

2. 函数完整参数

pandas_ta.overlap.linreg(close, length=None, offset=None, **kwargs)

参数详解：

3. 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)

# 生成带趋势和周期波动的价格序列
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 # 强势上涨段
for i in range(450, 600):
price_series[i] = price_series[450] – (i–450) * 0.15 # 强势下跌段

df = pd.DataFrame(index=dates[:n])
df['close'] = price_series[:n]
df['high'] = df['close'] + np.abs(np.random.randn(n)) * 2 + 1
df['low'] = df['close'] – np.abs(np.random.randn(n)) * 2 – 1
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LINREG（基础用法） ==========
# 使用默认参数 length=10
df['LINREG'] = ta.linreg(df['close'])

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

# ========== 第三步：计算衍生指标 ==========
# 同时获取回归线、斜率、角度、相关系数
linreg_result = ta.linreg(
df['close'],
length=10,
slope=True,
intercept=True,
r=True,
degrees=True,
tsf=True
)

# 查看返回的DataFrame结构
print("LINREG衍生指标返回列名称：")
print(linreg_result.columns.tolist())
print("\\n" + "=" * 60 + "\\n")

# 将计算结果添加到原DataFrame
df['LINREG'] = linreg_result['LINREG']
df['Slope'] = linreg_result['SLOPE']
df['Intercept'] = linreg_result['INTERCEPT']
df['R'] = linreg_result['R']
df['Angle_Deg'] = linreg_result['DEGREES']
df['TSF'] = linreg_result['TSF']

print("LINREG及衍生指标（最近10行）：")
print(df[['close', 'LINREG', 'Slope', 'R', 'Angle_Deg', 'TSF']].tail(10))
print("\\n" + "=" * 60 + "\\n")

# ========== 第四步：不同周期的LINREG对比 ==========
# 短周期 (5)
df['LINREG_5'] = ta.linreg(df['close'], length=5)

# 标准周期 (10)
df['LINREG_10'] = ta.linreg(df['close'], length=10)

# 长周期 (20)
df['LINREG_20'] = ta.linreg(df['close'], length=20)

print("不同周期LINREG对比（最近5行）：")
print(df[['close', 'LINREG_5', 'LINREG_10', 'LINREG_20']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第五步：计算传统均线进行对比 ==========
df['SMA_10'] = ta.sma(df['close'], length=10)
df['EMA_10'] = ta.ema(df['close'], length=10)

print("LINREG vs SMA vs EMA 对比（最近10行）：")
print(df[['close', 'LINREG_10', 'SMA_10', 'EMA_10']].tail(10))
print("\\n" + "=" * 60 + "\\n")

# ========== 第六步：价格穿越信号 ==========
df['price_above_linreg'] = df['close'] > df['LINREG_10']
df['cross_above'] = (df['price_above_linreg'] == True) & (df['price_above_linreg'].shift(1) == False)
df['cross_below'] = (df['price_above_linreg'] == False) & (df['price_above_linreg'].shift(1) == True)

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

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', 'LINREG_10', 'signal']])
print("\\n" + "=" * 60 + "\\n")

# ========== 第七步：趋势强度分类 ==========
def classify_trend_strength(r_value, slope):
"""根据R值和斜率分类趋势"""
if r_value > 0.7 and slope > 0:
return '强上升趋势'
elif r_value > 0.7 and slope < 0:
return '强下降趋势'
elif r_value > 0.3 and slope > 0:
return '中等上升趋势'
elif r_value > 0.3 and slope < 0:
return '中等下降趋势'
else:
return '震荡/弱趋势'

df['trend_strength'] = df.apply(
lambda row: classify_trend_strength(row['R'], row['Slope']),
axis=1
)

print("趋势强度分布统计：")
print(df['trend_strength'].value_counts())
print("\\n" + "=" * 60 + "\\n")

# ========== 第八步：策略回测（价格穿越策略） ==========
# 策略：价格上穿LINREG买入，下穿LINREG卖出
df['position'] = 0
in_position = False

for i in range(1, len(df)):
if not in_position and df['cross_above'].iloc[i]:
df.loc[df.index[i], 'position'] = 1
in_position = True
elif in_position and df['cross_below'].iloc[i]:
df.loc[df.index[i], 'position'] = 0
in_position = False
else:
df.loc[df.index[i], 'position'] = df['position'].iloc[i–1]

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
win_rate = (df['strategy_returns'] > 0).sum() / (df['strategy_returns'] != 0).sum() if (df['strategy_returns'] != 0).sum() > 0 else 0

print("=" * 60)
print("策略绩效统计（LINREG穿越策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"LINREG穿越策略总收益率：{total_return_strategy:.2%}")
print(f"策略胜率：{win_rate:.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, 12))

# 子图1：价格走势与LINREG对比
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['LINREG_10'][–200:], label='LINREG (10) – 线性回归均线',
linewidth=1.5, color='blue')
plt.plot(df.index[–200:], df['SMA_10'][–200:], label='SMA (10)',
linewidth=1, color='orange', alpha=0.7, linestyle='–')
plt.plot(df.index[–200:], df['EMA_10'][–200:], label='EMA (10)',
linewidth=1, color='green', alpha=0.7, linestyle=':')
plt.title('LINREG vs SMA vs EMA 对比 (Last 200 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：不同周期LINREG对比
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['LINREG_5'][–200:], label='LINREG (5) – 短线',
linewidth=1, alpha=0.7)
plt.plot(df.index[–200:], df['LINREG_10'][–200:], label='LINREG (10) – 标准',
linewidth=1.5, color='blue')
plt.plot(df.index[–200:], df['LINREG_20'][–200:], label='LINREG (20) – 长线',
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('LINREG：不同周期对比与穿越信号', 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['LINREG_10'].isna().sum()
print(f"\\nLINREG初始NaN数量：{nan_count}")
print("原因：LINREG需要至少length个周期的数据才能计算线性回归")
print("处理建议：df_clean = df.iloc[10:].copy()")
print("\\n" + "=" * 60)
print("LINREG使用提示：")
print("1. LINREG是线性回归拟合的终点值曲线，比SMA更贴近价格路径")
print("2. 通过slope参数获取斜率，判断趋势方向和强度")
print("3. 通过r参数获取相关系数（R值），判断趋势强弱（R>0.7为强趋势）")
print("4. 价格偏离LINREG时可能发生回归，但强趋势中可能持续偏离")
print("5. 建议与MACD、布林带等指标配合使用")
print("6. tsf参数可获取下一周期的价格预测值")
print("=" * 60)

五、总结

LINREG（线性回归均线）是一种基于统计学线性回归理论的趋势跟踪指标，其核心价值与定位如下：

实战使用三原则：

最后提醒：LINREG的本质是将统计学中的线性回归应用于技术分析，其核心价值在于提供一个比传统均线更“理性”的趋势参考线——它不仅告诉你价格在哪里，还告诉你价格正在以怎样的速度变化。结合斜率、R值等衍生信息，LINREG可以成为一个功能丰富的趋势分析工具，而非仅仅是一条均线。