Systematic Research Framework

Technical Structure Signals
× Chemical Industry Prosperity Mapping

将主观技术分析体系转化为可验证的交易节点,将非结构化产业信息转化为可更新的行业知识图谱与景气度评分。 整体设计遵循同一原则:定义对象 → 结构化数据 → 构造规则/特征 → 形成评分 → 回测或横截面验证 → 输出可解释结论。

研究定位

页面覆盖两套可独立运行、也可并入统一研究平台的框架: 一套面向价格结构与交易节点识别,一套面向低频基本面/产业景气研究。 前者强调规则可验证性与执行约束,后者强调知识图谱、数据治理、产业传导和大模型辅助信息抽取。

Module A缠论 / 波浪理论量化
Module B化工全产业链景气图谱
Research StackPython · SQL · LLM · HTML
OutputSignal · Score · Explainability

01 / 研究摘要

两个模块分别解决“何时交易”和“什么方向更景气”的问题,均以可计算、可复现、可审计为最终目标。

A. 技术结构量化:从图形语言到交易节点

缠论与波浪理论的困难不在于概念本身,而在于多层级、递归和主观解释空间。 因此不直接把“某个形态”等同于交易信号,而是先建立可操作定义,再把形态拆成结构事件、状态转移、强弱特征和失效条件。

  • 缠论:包含关系处理 → 分型 → 笔 → 线段 → 中枢 → 背驰 → 一/二/三类买卖点;
  • 波浪:拐点抽取 → 候选浪划分 → 规则约束 → 候选路径评分 → 推进/调整浪状态识别;
  • 最终输出:时间、级别、方向、节点类型、置信度、入场价、失效价、目标区间和解释标签。

B. 化工产业链:从信息孤岛到动态景气地图

化工研究的核心不是简单罗列产品,而是将原料—工艺—中间体—材料—下游需求—上市公司连接为图结构, 再把价格、价差、库存、开工率、订单、产能投放、政策和文本预期映射到每个节点。

  • 知识图谱回答:谁是谁的上游、替代品、联产品、成本来源和需求敞口;
  • 景气评分回答:当前利润、供需、库存和预期处于什么位置,边际变化方向如何;
  • 大模型主要用于实体关系抽取、研报/公告/新闻结构化,不直接替代统计验证。
两套框架都避免“先讲故事再找数据”。先明确量化口径和失效条件,再让数据验证理论是否具有稳定、可交易、可复现的增量信息。

02 / 缠论与波浪理论的系统化量化

采用“操作性定义 + 状态机 + 评分”的方式保留理论结构,同时降低主观划分导致的不可复现性。

2.1 缠论:建立可计算的操作定义

不把所有流派解释全部纳入,而是选择一套明确规则,确保同一份数据在不同运行环境下得到同一结构。 关键对象如下:

对象操作性定义量化特征
K 线包含处理当相邻 K 线高低区间存在包含关系时,按当前方向合并为非包含序列。合并次数、方向、局部波动收缩
顶/底分型3 点或扩展窗口局部极值,要求中间 K 线同时满足高/低约束。极值幅度、局部振幅、成交量变化
连接相反分型,满足最小间隔和价格幅度阈值。长度、持续期、斜率、收益、波动率
线段由多笔构成的更高层级方向结构,需满足结构破坏/延续条件。笔数、方向一致性、回撤、力度
中枢连续多个次级别走势区间的价格重叠区。中枢宽度、停留时间、离开幅度、回抽幅度
背驰价格创新高/低,但趋势力度指标未同步强化。MACD 面积、收益/波动、斜率、成交量、动量衰减

2.2 波浪理论:从唯一划浪转为候选路径评分

波浪理论最大问题是同一行情可能存在多种合法划分。因此不强行输出唯一浪型, 而是通过 ZigZag / ATR 阈值提取拐点,生成多个候选路径,并以规则约束和统计特征打分。

约束实现方式
Wave 2通常不得完全回撤超过 Wave 1 起点;作为硬约束或高额惩罚项。
Wave 3在 1、3、5 推进浪中不应为最短;若不满足则降低候选路径分数。
Wave 4标准推动浪中通常不与 Wave 1 价格区间显著重叠;特殊结构可单独建模。
ABC 调整使用方向、斜率、回撤比例、持续期和波动结构识别调整浪。
Fibonacci只作为软特征,不作为必须满足的真理;用于回撤/延伸比例评分。

注:波浪理论存在多种解释体系。这里采用的是用于算法化的“可操作规则集”,目的是提高一致性,而非声称存在唯一标准划浪。

结构层级与信号融合

分型 / Pivot 笔 / Swing 线段 / Leg 中枢 / Wave State 交易节点 统一评分层 Structure Validity + Divergence + Breakout Confirmation + Volume/Volatility + Multi-timeframe Agreement + Risk/Reward 输出:{ timestamp, timeframe, setup, side, confidence, entry, invalidation, target, reason_codes }

2.3 端到端算法流程

STEP 01

Data

OHLCV、复权、交易日历、多周期重采样;严格按当时可得信息处理。

STEP 02

De-noise

包含关系处理;可选 ATR/ZigZag 阈值,防止微小价格噪声制造虚假结构。

STEP 03

Structure

分型、笔、线段、中枢以及候选浪路径;使用状态机记录结构演化。

STEP 04

Features

斜率、幅度、持续期、回撤、MACD面积、量价变化、波动率、相对强弱。

STEP 05

Scoring

结构有效性与统计特征融合,形成 0–1 置信度并计算止损/目标位置。

STEP 06

Backtest

下一根可交易 Bar 执行,计入成本、滑点、停牌/涨跌停等约束,做 OOS 验证。

缠论状态机示意

state = "SEEK_FRACTAL" if new_bottom_fractal: candidate_low = price state = "SEEK_TOP_FRACTAL" if state == "SEEK_TOP_FRACTAL" and valid_top_fractal: if bars_between >= min_span and amplitude >= atr_threshold: confirm_bi(candidate_low, top_price) state = "SEEK_BOTTOM_FRACTAL" if confirmed_bi_count >= 3: update_segment() if segment_overlap_exists: update_zhongshu() if leave_zhongshu and pullback_not_reenter: setup = "THIRD_BUY_CANDIDATE"

波浪候选路径评分示意

candidate_score = 0.30 * hard_rule_validity + 0.15 * fibonacci_soft_fit + 0.15 * momentum_structure + 0.15 * duration_consistency + 0.10 * volume_confirmation + 0.15 * higher_tf_alignment # 不输出“唯一正确浪型” # 保留 top-k candidate paths # 若多个候选路径都指向同一方向, # 则提升交易节点置信度。

2.4 交易节点定义

节点结构条件执行逻辑
一类买点下跌结构末端 + 底背驰/动能衰竭 + 结构反转确认反转初始仓位;失效价位设于结构低点下方
二类买点第一段上涨后回撤,未破关键结构低点确认趋势切换后加仓;更强调回撤质量
三类买点价格离开中枢上沿后回踩,但不重新进入中枢趋势延续节点;常作为胜率更高的右侧确认
波浪推进确认候选 1-2 结构完成,进入强动量浪;或 3-4 完成后恢复趋势顺势参与,要求更高周期不冲突
推进浪衰竭5 浪候选末端 + 动量背离 + 关键支撑/阻力失效减仓/止盈;若结构破坏则反向信号升级

节点置信度

结构有效性30%
背驰 / 动量20%
突破/回抽确认20%
量价 / 波动10%
多周期一致性10%
风险收益比10%

交易节点输出样例

TimeTFSetupActionConfidence EntryInvalidationTargetReason
2026-07-08 10:3030m第三类买点 BUY0.82突破确认后下一 Bar 回到中枢内部 / 结构低点前高 + ATR 扩展中枢离开 + 回抽不入 + 多周期一致
2026-07-11 14:0030m五浪衰竭候选 REDUCE0.64不新增仓位 若创新高并动量同步加强则候选失效分批止盈价格新高、动量未创新高
2026-07-13 09:4530m结构破坏 / 一类卖点 SELL0.87下一可交易 Bar 重新站回结构上沿下一个支撑区跌破线段 + 放量 + 高周期转弱

以上价格与日期仅用于展示数据结构,不代表真实交易建议或实时信号。

2.5 回测设计

  1. 无前视:结构只能在确认时刻以后生效;分型、笔、线段的“事后确认”必须推迟信号时间。
  2. 执行延迟:信号在 Bar 收盘形成,则最早在下一可交易 Bar 执行。
  3. 成本:手续费、滑点、冲击成本;股票需考虑停牌、涨跌停、T+1 等。
  4. 分环境:趋势、震荡、高波动、低波动分别验证。
  5. 参数稳定性:ATR 阈值、最小笔长度、ZigZag 比例等做邻域敏感性检验。
  6. 样本外:Walk-forward / rolling OOS,不以单一历史区间最优参数作为最终结论。

评价指标

Signal Precision胜率 / 命中率
Payoff盈亏比
PortfolioSharpe / MaxDD
ExecutionTurnover / Cost

对此类规则策略,最重要的不是单节点胜率,而是节点频率 × 盈亏比 × 成本 × 稳定性共同决定的组合表现。 若理论结构无法在样本外给出稳定增量,就应降低其权重,甚至仅作为辅助解释变量。

关键风险:技术分析规则容易在“划分口径”和“参数选择”处过拟合。生产化时必须保存每个节点的规则版本、输入数据快照和失效原因,保证结果可复盘。

03 / 化工行业全产业链知识图谱与景气度系统

目标不是做一张静态产业链图片,而是建立可扩展的数据模型,让产品、工艺、供需、公司和文本信息能够持续更新并映射到景气度。

3.1 知识图谱对象

将“产业链”拆成实体与关系,而不是写死在一张图里。

Commodity

原油、天然气、煤、盐、萤石等上游资源。

Product

乙烯、丙烯、PX、PTA、PVC、MDI、氟化工品等。

Process

裂解、重整、氧化、聚合、氯碱、电解、煤制烯烃等。

Demand

纺织、汽车、家电、地产、包装、农业、新能源等终端。

Company

上市公司、装置、产能、检修与投产计划。

Indicator

价格、价差、库存、开工率、产量、订单、出口。

Event

检修、事故、扩产、政策、贸易限制、需求变化。

Research

卖方预期、盈利预测、公告、调研纪要、行业新闻。

3.2 关系类型

Relation含义示例
INPUT_OF作为生产原料PX → PTA
OUTPUT_OF工艺产出乙烯裂解 → 乙烯
DOWNSTREAM_OF需求传导涤纶长丝 → 纺织服装
SUBSTITUTE_OF替代关系部分塑料/材料替代
BYPRODUCT_OF联产品/副产品特定裂解或氯碱链副产品
CAPACITY_OF公司与产能装置公司 → PTA 产能
EXPOSED_TO公司盈利暴露公司 → 产品价差
DRIVEN_BY景气驱动尿素 → 农业需求/煤价

数据模型示例

Node { node_id, node_type, # commodity / product / process / company / demand name, unit, frequency, source_priority } Edge { source_id, target_id, relation_type, # INPUT_OF / DOWNSTREAM_OF / SUBSTITUTE_OF ... coefficient, # 可选:吨耗 / 成本权重 / 需求权重 valid_from, valid_to } Indicator { node_id, date, price, spread, inventory, operating_rate, production, import_export, demand_proxy, analyst_revision, llm_sentiment }
上游资源 / Feedstock
原油72
石脑油69
煤炭66
原盐55
萤石79
锂资源63
基础化工 / Basic Chemicals
乙烯70
丙烯81
PX84
甲醇58
烧碱67
氯气64
中间体 / Intermediates
PTA79
MEG67
PVC54
醋酸65
苯乙烯68
MDI77
材料 / Materials
涤纶长丝80
聚酯切片73
PE / PP62
PVDF78
六氟磷酸锂71
聚氨酯76
终端需求 / End Demand
纺织服装66
包装69
汽车 / 家电78
地产 / 管材49
农业 / 化肥70
动力电池 / 储能82

上述 0–100 分为界面演示值,用于展示系统如何呈现各细分景气度,不代表实时行业判断。生产版本由底层数据每日/每周自动更新。

石油化工主链

原油 → 石脑油 → 乙烯/丙烯 → PE/PP、苯乙烯、聚氨酯等 → 包装、家电、汽车、消费品。

核心观察:油价、裂解价差、装置开工、库存、下游加工利润。

芳烃 / 聚酯主链

原油 → 石脑油 → PX → PTA + MEG → 聚酯切片/涤纶长丝 → 纺织服装、包装材料。

核心观察:PX-Naphtha、PTA 加工费、聚酯库存、织机开工、出口订单。

煤化工主链

煤 → 合成气 → 甲醇/合成氨 → 烯烃、醋酸、尿素等 → 化工材料与农业需求。

核心观察:煤价、装置检修、煤制成本、农业季节性、出口政策。

氯碱 / PVC 主链

原盐 → 烧碱/氯气 → PVC、氯化物等 → 管材、型材、建材、制造业。

核心观察:电力成本、烧碱/PVC 联产利润、地产需求、出口窗口。

聚氨酯主链

苯系/丙烯等上游 → MDI/TDI/聚醚 → 聚氨酯 → 冰箱、汽车、建筑保温、鞋服。

核心观察:行业集中度、检修、出口、家电汽车需求、价差。

新能源化工材料

萤石/锂/磷等 → 含氟材料、电解液材料、锂盐等 → 动力电池与储能。

核心观察:终端装机、价格竞争、库存、扩产周期、技术路线变化。

3.3 景气度评分框架

每个产品节点形成一个 0–100 的动态分数。原始指标先在自身历史上标准化,再映射到统一尺度。

z_price = rolling_zscore(3m_price_momentum) z_spread = rolling_zscore(processing_spread) z_inventory = -rolling_zscore(inventory_percentile) z_oprate = rolling_zscore(operating_rate_yoy) z_demand = rolling_zscore(downstream_demand_proxy) z_revision = rolling_zscore(analyst_revision) z_text = calibrated_llm_sentiment raw_score = 0.15*z_price + 0.25*z_spread + 0.15*z_inventory + 0.15*z_oprate + 0.15*z_demand + 0.08*z_revision + 0.07*z_text ProsperityScore = 100 * sigmoid(raw_score)

评分分解逻辑

维度权重经济含义
价格趋势15%产品价格是否进入上行/下行趋势
利润 / 加工价差25%最直接反映产业链利润分配与盈利修复
库存15%低库存/去库通常意味着供需改善
开工率 / 供给15%判断供给收缩、扩张与装置扰动
下游需求15%终端订单、出口、地产/汽车/农业等需求强弱
分析师预期8%盈利预测和行业观点的边际修正
文本情绪7%公告、政策、新闻和调研纪要的结构化信息

景气度示例(展示数据)

PX

芳烃链
84

示例解释:原料端支撑、PX-Naphtha 改善、PTA 需求稳定、库存位置偏低。

PTA

聚酯链
79

示例解释:加工费修复、聚酯开工维持、库存压力可控。

甲醇

煤化工
58

示例解释:供给偏宽松,下游恢复一般,价格趋势与利润信号分化。

PVC

氯碱链
54

示例解释:终端需求偏弱,库存压力仍在,出口窗口对冲部分压力。

MDI

聚氨酯
77

示例解释:供给格局集中、装置扰动和汽车/家电需求共同改善利润预期。

PVDF

新能源材料
78

示例解释:新能源需求修复与高端产品结构改善,但需同步观察扩产压力。

示例分数只展示页面机制。正式研究中每个分数必须可追溯到底层指标和日期。

产业链传导

  • 成本推动:上游原料上涨,若下游产品涨幅不足,则中游利润被压缩;
  • 需求拉动:下游订单增强 → 成品去库 → 开工率上升 → 中间体补库 → 原料需求改善;
  • 供给冲击:检修/事故/政策限产先影响开工和库存,再传导至价差;
  • 替代关系:当相对价格越过阈值,替代需求会改变不同材料的边际景气。

横截面因子化

除了“看板”,景气度还可以直接进入股票量化研究:

stock_exposure_to_industry = revenue_share(product_i) * product_prosperity_score_i company_prosperity_alpha = Σ exposure_i * ΔProsperityScore_i + earnings_revision - valuation_penalty # 再做行业/市值/风格中性, # 评估 RankIC、分组收益和 OOS 稳定性。

3.4 国内大模型的使用边界

大模型适合处理非结构化信息,但不直接把“模型观点”当作景气信号。 生产流程中将其放在信息抽取和解释层

  1. 从公告/研报/新闻中抽取公司、产品、产能、检修、价格、需求、政策等实体;
  2. 输出结构化 JSON:事件类型、方向、影响对象、持续期、可信度;
  3. 用规则和历史数据校验数值字段,避免模型生成不存在的产能/价格;
  4. 将事件映射到图谱节点,再进入景气度模型;
  5. 最后由模型生成“为什么景气度变化”的自然语言解释。

Prompt / Schema 示例

请仅根据输入文本抽取以下字段,不补充外部事实: { "company": "", "product": "", "event_type": "maintenance|expansion|price_change|demand|policy|other", "direction": "positive|negative|neutral", "capacity_change": null, "start_date": null, "end_date": null, "evidence_sentence": "", "confidence": 0.0 } 要求: 1. 数值必须能在原文找到; 2. 无法确认则返回 null; 3. evidence_sentence 保留证据句; 4. 禁止根据常识自行补充产能或价格。

数据源分层

  • 一级:公司公告、交易所、统计部门、行业协会;
  • 二级:商品价格、库存、开工率等数据供应商;
  • 三级:卖方研报、行业新闻、专家访谈与调研纪要。

数据质量控制

  • 时间戳与可得时间分离,避免前视;
  • 产品单位统一、货币/税口径统一;
  • 缺失值、异常值、节假日和频率对齐;
  • 同一事件多源交叉验证并保留来源。

更新机制

  • 日频:价格、价差、库存、新闻事件;
  • 周频:开工率、产量、行业库存;
  • 月/季频:产能、终端需求、财报和盈利预期;
  • 所有指标保留 revision history。

04 / 研究系统架构与岗位匹配

框架强调数据管理、研究支持、持续监控、AI 提效和因子挖掘,与低频基本面量化研究的日常工作直接衔接。

系统层级

LAYER 01

Raw Data

行情、商品、财报、公告、研报、新闻、调研纪要。

LAYER 02

Clean & Entity

清洗、单位统一、实体识别、产品与公司映射。

LAYER 03

Knowledge Graph

产品、工艺、上下游、公司、需求和事件关系。

LAYER 04

Features

价差、库存、开工、预期修正、文本事件和技术结构。

LAYER 05

Research

横截面因子、时间序列信号、回测和稳定性检验。

LAYER 06

Dashboard

景气排行、节点解释、异常监控和研究复盘。

对应岗位职责

岗位方向框架中的对应实现
数据管理研究数据库、实体/关系表、数据源分层、版本与 revision history
数据支持Python / SQL 清洗、统一口径、产业链指标与图谱
日常监控价格/价差/库存/开工率/研报/论文/新闻的动态更新
AI 辅助提效文本抽取、实体关系识别、报告摘要、研究解释自动生成
量化因子挖掘预期、财报、成长、估值、行业景气等因子进入横截面验证
研究产物的最终标准不是“图做得复杂”,而是:数据可更新、指标可解释、规则可复现、结果可验证,并能在复盘中定位到底是哪一层假设出了问题。

05 / MBTI:职业风格补充

仅作为研究协作方式的补充描述,不作为上述研究框架的依据。

ENTJ Strategic / Structured / Execution-oriented
目标导向 结构化拆解 主动推进 结果复盘

与研究工作的对应

更偏好先明确问题和评价标准,再搭建框架、拆解变量并快速形成可验证版本。 在量化研究场景中,这种风格更适合开放式研究、产业链结构化、跨数据源整合和研究流程自动化。

同时,MBTI 只是自我描述工具。真正影响研究质量的仍然是数据质量、逻辑约束、统计验证和对失败结果的复盘能力。