Trend：AMAT（阿彻移动平均线趋势指标）技术指标详解

Trend：AMAT（阿彻移动平均线趋势指标）技术指标详解

一、AMAT的定义

AMAT（Archer Moving Averages Trend，阿彻移动平均线趋势指标） 是pandas_ta库中内置的一种趋势识别指标，用于判断市场当前所处的趋势状态（上升趋势或下降趋势）。

核心思想

AMAT通过比较两条不同周期的移动平均线来识别趋势方向，并将趋势状态量化为可操作的信号。其核心逻辑是：快速均线高于慢速均线表示上升趋势，反之则为下降趋势，并在此基础上通过回溯验证来增强信号的可靠性。

AMAT的核心特征

AMAT的输出结构

AMAT指标返回一个DataFrame，包含两列：

二、AMAT的计算方法

1. 核心计算公式

AMAT的计算基于双均线比较，分为三个步骤：

第一步：计算快速和慢速移动平均线
$${\mathrm{MA}}_{\mathrm{fast}}=\mathrm{MA}(\mathrm{Close},\mathrm{fast})$$

$${\mathrm{MA}}_{\mathrm{slow}}=\mathrm{MA}(\mathrm{Close},\mathrm{slow})$$

其中MA的默认类型为EMA（指数移动平均线），可通过mamode参数调整。

第二步：判断均线位置关系
$${\mathrm{MA}}_{\mathrm{fast}}>{\mathrm{MA}}_{\mathrm{slow}}⟹\text{上升趋势}$$
第三步：回溯验证——核心确认机制

AMAT通过“回溯验证”机制确认趋势状态：

上升趋势确认 = (当前期判断为上升趋势) AND (过去 lookback 期内所有期均判断为上升趋势)

这种“持续一致”的确认机制有效减少了假信号。

2. 参数说明

参数选择指南：

3. 计算示例

假设使用默认参数（fast=8, slow=21, lookback=2, mamode=‘ema’）：

某日计算过程：

三、AMAT的使用方法

1. 趋势状态解读——最基础用法

AMAT返回的LR和SR信号线直接反映了趋势状态：

2. 趋势转换信号

AMAT的信号线从0变为1或从1变为0是重要的趋势转换信号：

3. 多周期配合策略

AMAT本身已经包含快速和慢速均线的对比，但可以进一步与其他周期指标配合：

4. 注意事项与局限性

使用AMAT前需了解以下要点：

四、使用pandas_ta计算AMAT

1. 函数完整参数

pandas_ta.trend.amat(close=None, fast=None, slow=None, lookback=None, mamode=None, offset=None, **kwargs)

参数详解：

返回值：pd.DataFrame——包含两列：

• AMAT{L}_{fast}_{slow}_{lookback}：长期运行趋势信号（Long Run）
• AMAT{S}_{fast}_{slow}_{lookback}：短期运行趋势信号（Short Run）

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AMAT（基础用法） ==========
# 使用默认参数 fast=8, slow=21, lookback=2, mamode='ema'
amat_df = ta.amat(df['close'])

# 查看返回的DataFrame结构
print("AMAT返回列名称：")
print(amat_df.columns.tolist())
print("\\n" + "=" * 60 + "\\n")

# 将计算结果添加到原DataFrame
df['AMAT_LR'] = amat_df.iloc[:, 0] # 长期运行趋势
df['AMAT_SR'] = amat_df.iloc[:, 1] # 短期运行趋势

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

# ========== 第三步：不同参数组合对比 ==========
# 标准参数 (8,21,2)
amat_std = ta.amat(df['close'])
df['AMAT_LR_std'] = amat_std.iloc[:, 0]
df['AMAT_SR_std'] = amat_std.iloc[:, 1]

# 短线参数 (5,13,1) – 更灵敏
amat_fast = ta.amat(df['close'], fast=5, slow=13, lookback=1)
df['AMAT_LR_fast'] = amat_fast.iloc[:, 0]
df['AMAT_SR_fast'] = amat_fast.iloc[:, 1]

# 长线参数 (20,50,3) – 更平滑
amat_slow = ta.amat(df['close'], fast=20, slow=50, lookback=3)
df['AMAT_LR_slow'] = amat_slow.iloc[:, 0]
df['AMAT_SR_slow'] = amat_slow.iloc[:, 1]

print("不同参数AMAT_LR对比（最近5行）：")
print(df[['close', 'AMAT_LR_std', 'AMAT_LR_fast', 'AMAT_LR_slow']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第四步：趋势状态分类 ==========
def classify_trend(row):
"""根据LR和SR分类趋势状态"""
lr, sr = row['AMAT_LR_std'], row['AMAT_SR_std']
if lr == 1 and sr == 1:
return '强上升趋势'
elif lr == 1 and sr == 0:
return '长期上升/短期回调'
elif lr == 0 and sr == 1:
return '短期反弹/长期下降'
elif lr == 0 and sr == 0:
return '强下降趋势'
return '未知'

df['trend_state'] = df.apply(classify_trend, axis=1)

print("趋势状态分布统计：")
print(df['trend_state'].value_counts())
print("\\n" + "=" * 60 + "\\n")

# ========== 第五步：趋势转换信号检测 ==========
# 检测LR从0变1（长期趋势转多）
df['lr_bullish_turn'] = (df['AMAT_LR_std'] == 1) & (df['AMAT_LR_std'].shift(1) == 0)
# 检测LR从1变0（长期趋势转空）
df['lr_bearish_turn'] = (df['AMAT_LR_std'] == 0) & (df['AMAT_LR_std'].shift(1) == 1)

print("趋势转换信号统计：")
print(f"长期转多（LR 0→1）数量：{df['lr_bullish_turn'].sum()}")
print(f"长期转空（LR 1→0）数量：{df['lr_bearish_turn'].sum()}")
print("\\n" + "=" * 60 + "\\n")

# ========== 第六步：策略回测 ==========
# 策略：LR=1时持仓多头（长期趋势上升）
df['position'] = df['AMAT_LR_std'].astype(int)

# 计算收益
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（AMAT长期趋势策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"AMAT趋势策略总收益率：{total_return_strategy:.2%}")
print("\\n注意：此为简化回测，仅供参考")
print("=" * 60 + "\\n")

# ========== 第七步：可视化 ==========
plt.figure(figsize=(14, 10))

# 子图1：价格走势
plt.subplot(2, 1, 1)
plt.plot(df.index[–200:], df['close'][–200:],
label='Close Price', linewidth=1.5, color='black')

# 用背景颜色标记趋势状态
for i in range(len(df) – 200, len(df)):
if df['AMAT_LR_std'].iloc[i] == 1:
plt.axvspan(df.index[i], df.index[i+1] if i+1 < len(df) else df.index[i],
alpha=0.1, color='green')
else:
plt.axvspan(df.index[i], df.index[i+1] if i+1 < len(df) else df.index[i],
alpha=0.1, color='red')

plt.title('Price Chart with AMAT Trend Signals (LR=1: Green Zone)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：AMAT信号线
plt.subplot(2, 1, 2)
plt.plot(df.index[–200:], df['AMAT_LR_std'][–200:],
label='LR (长期趋势)', linewidth=1.5, color='blue')
plt.plot(df.index[–200:], df['AMAT_SR_std'][–200:],
label='SR (短期趋势)', linewidth=1.5, color='orange', linestyle='–')
plt.axhline(y=0.5, color='gray', linestyle=':', linewidth=1, alpha=0.5)

# 标记趋势转换点
buy_signals = df[df['lr_bullish_turn']]
sell_signals = df[df['lr_bearish_turn']]
plt.scatter(buy_signals.index[–20:], buy_signals['AMAT_LR_std'][–20:],
color='green', marker='^', s=80, label='转多信号', alpha=0.8)
plt.scatter(sell_signals.index[–20:], sell_signals['AMAT_LR_std'][–20:],
color='red', marker='v', s=80, label='转空信号', alpha=0.8)

plt.title('AMAT（阿彻移动平均线趋势）- LR/SR信号线', fontsize=14)
plt.xlabel('Date')
plt.ylabel('Signal')
plt.ylim(–0.1, 1.1)
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

五、总结

AMAT（阿彻移动平均线趋势指标）是一种基于双均线比较和回溯验证的趋势识别工具，其核心价值与定位如下：

实战使用三原则：