1.16 重叠因子：TEMA三重指数移动平均线(Triple Exponential Moving Average, TEMA)概念与Python实战

0. 本栏目因子汇总表

【量海航行】

1. 因子简述

三重指数移动平均线(Triple Exponential Moving Average, TEMA)是一种高级移动平均线指标，由Patrick Mulloy开发。它通过三重指数平滑处理来减少传统移动平均线的滞后性，同时保持对价格变动的敏感度。TEMA的独特之处在于它使用了EMA的线性组合来实现更快的响应速度。

2. 因子计算逻辑

TEMA的计算公式如下：

$$\begin{array}{rl}EM{A}_1& =EMA(Close,n)\\ EM{A}_2& =EMA(EM{A}_1,n)\\ EM{A}_3& =EMA(EM{A}_2,n)\\ TEMA& =3\times EM{A}_1-3\times EM{A}_2+EM{A}_3\\ TEM{A}_{factor}& =\frac{Close-TEMA}{{\sigma }_n(Close)}\end{array}$$

其中：

• n为移动平均周期
• EMA为指数移动平均
• σ_n(Close)为n周期收盘价的滚动标准差

3. 因子应用场景

1. 趋势跟踪：

   • 价格上穿TEMA，做多信号
   • 价格下穿TEMA，做空信号

2. 趋势转折：

   • TEMA拐点预示趋势变化
   • TEMA斜率反映趋势强度

3. 价格回归：

   • TEMA作为价格回归目标
   • 用于均值回归策略

4. 市场状态：

   • TEMA形态反映市场状态
   • 用于判断趋势持续性

4. 因子优缺点

优点：

1. 响应迅速：减少了传统EMA的滞后
2. 平滑性好：三重平滑降低噪音
3. 计算简单：相比T3更容易实现
4. 灵敏度高：能及时捕捉趋势变化

缺点：

1. 超前风险：可能过度反应价格变化
2. 假信号：在震荡市场易生成虚假信号
3. 参数敏感：周期选择影响效果
4. 滞后存在：极端行情仍有一定滞后

5. 因子代码实现

def TEMA_factor(df, n=20):
    """
    计算三重指数移动平均线(TEMA)因子
    
    参数:
    df (DataFrame): 输入数据
        - code: 证券代码，如'600036.SH'
        - date: 日期，格式为'YYYY-MM-DD'
        - close: 收盘价
    n (int): 移动平均周期，默认20
    
    返回:
    DataFrame: 包含原有列和TEMA因子值，理论取值范围(-∞,+∞)，实际大多在[-3,3]之间
    注意:
        1. 返回数据包含所有输入列
        2. 新增TEMA列为因子值
        3. date列保持原有字符串格式'YYYY-MM-DD'
        4. 数据将按code分组、date倒序排列
    """
    import numpy as np
    import pandas as pd
    
    # 创建副本避免修改原始数据
    df_copy = df.copy()
    
    # 检查code格式
    valid_codes = df_copy['code'].str.match(r'^(?:\d{6}\.(SH|SZ)|[A-Z]+/[A-Z]+|\w+\.(IB|CFE|US))$')
    if not valid_codes.all():
        raise ValueError("Invalid code format found")
    
    # 检查date格式
    valid_dates = df_copy['date'].str.match(r'^\d{4}-\d{2}-\d{2}$')
    if not valid_dates.all():
        raise ValueError("Invalid date format found, expected 'YYYY-MM-DD'")
    
    # 排序（使用字符串比较）
    df_copy = df_copy.sort_values(['code', 'date'], ascending=[True, False])
    
    # 按code分组计算
    def calculate_tema(group):
        close = group['close'].values
        # 计算第一次EMA
        alpha = 2 / (n + 1)
        ema1 = pd.Series(close).ewm(alpha=alpha, adjust=False).mean().values
        
        # 计算第二次EMA
        ema2 = pd.Series(ema1).ewm(alpha=alpha, adjust=False).mean().values
        
        # 计算第三次EMA
        ema3 = pd.Series(ema2).ewm(alpha=alpha, adjust=False).mean().values
        
        # 计算TEMA
        tema = 3 * ema1 - 3 * ema2 + ema3  # 所有输入都是numpy数组，运算结果也是numpy数组
        
        # 计算n周期滚动标准差
        rolling_std = pd.Series(close).rolling(window=n).std().values
        
        # 计算因子值：使用滚动标准差标准化的价格偏离度
        # 处理标准差为0的情况
        group['TEMA'] = np.where(
            rolling_std != 0,
            (close - tema) / rolling_std,
            0
        )
        return group
    
    df_copy = df_copy.groupby('code', group_keys=False).apply(calculate_tema)
    
    # 按照最终要求重新排序并重置索引
    df_copy = df_copy.sort_values(['code', 'date'], ascending=[True, False]).reset_index(drop=True)
    
    return df_copy

测试数据：

6. 因子取值范围及其含义

TEMA因子的取值范围理论上是(-∞,+∞)，但实际上大多数值会落在[-3,3]区间内：

• 取值 > 2：表示价格显著高于TEMA（超过2个标准差），强烈超买信号
• 取值在(1,2]之间：表示价格高于TEMA一个标准差以上，偏多信号
• 取值在[-1,1]之间：表示价格在TEMA一个标准差范围内波动，震荡区间
• 取值在[-2,-1)之间：表示价格低于TEMA一个标准差以上，偏空信号
• 取值 < -2：表示价格显著低于TEMA（超过2个标准差），强烈超卖信号

7. 因子函数参数建议

1. n (移动平均周期)：
   • 默认值：20
   • 建议范围：[10, 30]
   • 参数说明：决定移动平均的平滑程度
   • 选择建议：
     • 日线数据建议使用：
       • 短期：10-15天
       • 中期：20-25天
       • 长期：25-30天
     • 小时线数据建议使用8-16
     • 分钟线数据建议使用5-10
     • 高波动市场使用较短周期
     • 低波动市场使用较长周期