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。
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 |
| 笔 | 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
2.3 端到端算法流程
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。
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。
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。
Features
斜率、幅度、持续期、回撤、MACD面积、量价变化、波动率、相对强弱。
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。
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
波浪候选路径评分示意
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
交易节点输出样例
| Time | TF | Setup | Action | Confidence | Entry | Invalidation | Target | Reason |
|---|---|---|---|---|---|---|---|---|
| 2026-07-08 10:30 | 30m | 第三类买点 | BUY | 0.82 | 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 14:00 | 30m | 五浪衰竭候选 | REDUCE | 0.64 | 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 09:45 | 30m | 结构破坏 / 一类卖点 | SELL | 0.87 | 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
- 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。
- 执行延迟:信号在 Bar 收盘形成,则最早在下一可交易 Bar 执行。
- 成本:手续费、滑点、冲击成本;股票需考虑停牌、涨跌停、T+1 等。
- 分环境:趋势、震荡、高波动、低波动分别验证。
- 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。
- 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
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。
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
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。
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:
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:
- 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;
- 输出结构化 JSON:事件类型、方向、影响对象、持续期、可信度;
- 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;
- 将事件映射到图谱节点,再进入景气度模型;
- 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
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
Raw Data
行情、商品、财报、公告、研报、新闻、调研纪要。
Clean & Entity
清洗、单位统一、实体识别、产品与公司映射。
Knowledge Graph
产品、工艺、上下游、公司、需求和事件关系。
Features
价差、库存、开工、预期修正、文本事件和技术结构。
Research
横截面因子、时间序列信号、回测和稳定性检验。
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 |
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。
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。