技術分析與交易心理學探討

– 14 分鐘閱讀

風險管理是交易成功的根本，它能幫助交易者在追求利潤的同時，有效控制潛在損失。合理的停損和目標價設定是風險管理的第一步，而移動停損則能根據市場變化動態調整風險敞口。部位大小的決定則需要考慮多種因素，例如固定金額、投資組合百分比以及凱利公式等。除了客觀的風險管理方法外，瞭解交易心理學也至關重要。交易者容易受到各種認知和情緒偏見的影響，例如確認偏見、損失厭惡和過度自信等，這些偏見可能導致非理性的交易決策。透過瞭解這些偏見，交易者可以更好地控制情緒，做出更明智的判斷。技術分析是另一項重要的交易工具，K線圖型態識別是其中一個關鍵環節。不同的K線圖型態，例如曙光初現、吞噬圖型和十字星等，可以預示市場趨勢的反轉或持續。結合技術指標，例如相對強弱指數（RSI），可以進一步提高交易訊號的準確性。

風險管理與交易心理學

風險管理是任何交易系統的支柱，甚至可能是最重要的支柱。找到一個具有預測性和盈利能力的交易策略能讓你賺錢，但健全的風險管理系統才能讓你保有這些收益。本章將討論交易過程中的主觀部分，並解釋你在交易時可能會遇到的已知偏見。

風險管理基礎

風險管理不一定很複雜。透過本文提供的幾個簡單規則，你就可以建立一個穩健的風險管理系統。

停損與目標價

如同本文前面所討論的，停損單是在交易開始時設定的自動化訂單，以確保損失不會超過預先設定的金額。例如，如果你買入幾口黃金合約，價格為$1,500，預期它會上漲到$2,000，你可能會將停損單設定在$1,250，這樣如果價格下跌到$1,250，你的損失就會被限制在$250以內。同時，你預期在市場價格達到$2,000時賣出，這被稱為獲利了結（目標價）。

最基本的風險管理系統就是為每一筆交易設定合適的停損和目標價，這樣你就能明確自己的預期並限制風險。

注意： 一個永遠不能違背的規則是：總是設定停損和目標價。

移動停損

移動停損是一種動態的停損單，它會隨著市場價格朝著預期方向變動，確保損失減少，並在某個時間點確保交易不會虧損。理解移動停損最好的方式是透過例子。假設你在$1.0000買入歐元兌美元（EURUSD），目標價是$1.0500。你設定停損單在$0.9900以限制損失。兩天後，市場價格來到$1.0230，你希望確保這筆交易不會虧損。此時，你可以將停損單從$0.9900調整到$1.0000，這樣即使市場價格回跌到$1.0000，你也能保本。另一個方法是將停損調整到$1.0100，以確保獲利。 當然，停損設定的越接近當前市場價格，被迫出場的可能性就越大（在這個例子中是獲利出場）。

注意： 在趨勢跟隨策略中使用移動停損總是一個好主意。

部位大小

部位大小是指為每一筆交易分配的合約數量或手數。有些交易者對所有交易使用相同的部位大小，而其他人則根據一個或多個因素進行不同的調整。有很多方法可以決定部位大小，有些方法使用歷史資料，根據之前的結果來最佳化部位大小。以下是幾種常見的方法：

  • 固定金額： 這是最簡單的部位大小決定方法，不需要額外的計算。例如，你可以在每一筆交易中投資$1,000，無論你的資本或風險大小。

  • 投資組合百分比： 這是一種更動態的方法，根據投資組合的總值調整部位大小。例如，你有一個3%的部位大小規則，如果你的投資組合總值是$100,000，那麼你應該進行$3,000的交易。如果投資組合的市值變成$120,000，那麼你應該進行$3,600的交易。

  • 信念度： 這是一種主觀的方法，根據交易者對交易的信心程度來決定部位大小。例如，如果你對買入歐元兌美元比買入微軟股票更有信心，那麼你可能會在歐元兌美元上投入更多的資金。

  • 凱利公式： 這是一個客觀的數學公式，利用歷史結果來決定應該投資多少。凱利公式主要用於賽馬投注，但也用於交易。公式如下：

    Kelly weight = W − (1−W)/R

    其中，Kelly weight 是相對於投資組合總值的建議交易比例，W 是歷史勝率，R 是平均獲利與平均損失的比率。

    例子：

    • 過去100筆交易的歷史勝率 = 56%
    • 過去100筆交易的歷史敗率 = 44%
    • 平均每筆交易的獲利 = $110
    • 平均每筆交易的損失 = $100
    • 獲利/損失比率 = 1.1

    利用公式計算出的建議交易比例是16%。當然，凱利公式並不是一個完美的衡量標準，因為有時它會給出過大的權重，從而影響多元化。使用者在使用凱利公式時必須謹慎，也可以透過縮減因子來降低公式給出的比例。

歷史勝率技巧

這是我個人偶爾使用的一種技巧，根據績效的叢集現象，也就是說，獲利的交易往往會連續出現，虧損的交易也是如此。這在某些策略中尤其明顯，因為有些策略在某些時期表現良好，而在其他時期表現糟糕。下表展示瞭如何利用歷史勝率技巧來決定部位大小。

元素tt+1t+2t+3
勝率50%60%40%40%
部位大小$5,000$6,000$4,000$4,000

該表顯示了相對於預設的$10,000部位大小的建議比例。基本上，當你的歷史勝率是50%時，系統建議分配50%的預設大小，即$5,000。系統會根據良好的表現給予交易者更多的分配和部位大小。

經濟日曆

經濟日曆是最簡單的風險管理技巧，因為它是一種風險規避。經濟日曆顯示了預計會對市場產生影響的重要新聞發布。下表顯示了一個假設的某天經濟日曆的例子。

時間國家事件影響程度前值
9:00 AM英國CPI高1.00%
11:30 AM德國核心CPI高0.50%
4:30 PM美國初請失業金人數低232,000
7:30 PM美國利率決定高1.50%

有些交易者根據新聞進行交易，因此他們喜歡在新聞發布前或發布後幾秒鐘進行交易，以從波動中獲利。但從風險管理的角度來看，這並不被推薦，因為新聞事件周圍的波動往往是隨機的，有時會讓市場感到意外。

程式碼範例：計算凱利公式

def kelly_criterion(win_rate, win_loss_ratio):
    """
    計算凱利公式
    
    :param win_rate: 歷史勝率
    :param win_loss_ratio: 平均獲利與平均損失的比率
    :return: 建議的交易比例
    """
    return win_rate - (1 - win_rate) / win_loss_ratio

# 使用範例
win_rate = 0.56  # 歷史勝率56%
average_gain = 110  # 平均獲利$110
average_loss = 100  # 平均損失$100
win_loss_ratio = average_gain / average_loss  # 獲利/損失比率

kelly_weight = kelly_criterion(win_rate, win_loss_ratio)
print(f"建議的交易比例：{kelly_weight * 100:.2f}%")

#### 內容解密：

此程式碼範例展示瞭如何使用Python實作凱利公式。首先定義了一個名為kelly_criterion的函式，它接受兩個引數：win_rate（歷史勝率）和win_loss_ratio（平均獲利與平均損失的比率）。函式傳回根據凱利公式計算出的建議交易比例。在使用範例中，我們計算了給定歷史勝率和獲利/損失比率下的建議交易比例，並將結果列印出來。這樣的計算有助於交易者根據自己的歷史交易資料來最佳化資金管理策略。

行為金融學：偏見的力量

行為金融學源自行為經濟學，試圖解釋市場異常現象和交易者的行為。深入瞭解行為金融學，能夠更好地理解市場為何會對特定事件和水平做出反應。根據行為金融學的理論，模式本質上是心理現象，由行為特徵驅動。

金融市場由不同的人類和機器參與者的行為和反應組成，形成了心理和數量的混合體。這解釋了為何市場難以準確預測——低信噪比。這些行為和反應也被稱為偏見，是人類在面對特定事件時的缺陷。

認知偏見

認知偏見源於知識的缺乏，通常涉及根據錯誤的市場假設或不良研究得出的錯誤結論。

保守主義偏見

當市場參與者對新資訊反應遲緩，並過度依賴基本分析時，就會出現這種偏見。這是一種未能適應的表現。處理這種偏見的方法是，強制自己對基本分析保持懷疑態度，並始終保持動態和準備變化的狀態。市場並非總是按照過去的方式運作，因為它是前瞻性的。

確認偏見

當交易者專注於有利於其當前持倉的資訊，而忽視不利於其持倉的資訊時，就會出現這種偏見。這是目前為止最常見的偏見之一，也是導致隨著時間推移過度自信的正常心態。解決這個問題的最佳方法是保持公正和中立，這說起來容易做起來難。另一種方法是透過評分卡自動化決策過程，突出分析標的資產的吸引力（或缺乏吸引力）。

控制幻覺偏見

當交易者高估自己控制交易結果的能力時，就會出現這種偏見。主要由連續贏得交易引起，這種偏見可能導致集中持倉，因為交易者感到對所投資資產擁有控制權。市場由大量參與者和數萬億美元的投資組成，因此不太可能被任何單一的人影響（除了極少數涉及小型和非流動資產的情況）。消除控制幻覺的方法是保持專注和謙遜，並理解自己面對的是每天都在變化其動態和驅動因素的半隨機環境。

後見偏見

當交易者高估自己過去的準確性，並可能導致過度冒險時，就會出現這種偏見。很容易回顧過去的走勢圖表，並得出後續方向顯而易見的結論。大多數回測都包含某種形式的後見偏見，因為條件是在分析期結束時建立的。市場技術分析師在看到某些技術在過去運作良好時，會高估自己的能力，但未能考慮到被測試期間的環境。此外，一些組態在發生時和完成時看起來並不相同。後見偏見很難消除，但最好的方法是考慮分析期間存在的變數，以更真實的方式模擬過去的環境。

錨定偏見

當交易者的意見錨定在某個基本點上，未能根據新資訊進行調整時，就會出現這種偏見。如前所述，分析師或交易者必須保持動態和開放的心態。解決這個問題的最佳方法是及時瞭解新的資訊和資料。

心智會計偏見

當交易者對相同金額的資金賦予不同的價值，因為它們被分配到不同的基金中時，就會出現這種偏見。例如，人們通常會區別對待透過工作獲得的錢和無需工作就獲得的錢。這是一種認知偏見。解決這個問題的最佳方法是，在將資金分配到不同的投資組合時，將所有資金視為可替代的。

可得性偏見

當交易者根據容易回憶起來的記憶選擇持倉時，就會出現這種偏見。這意味著熟悉的資產比不熟悉的資產更具吸引力，這是一個錯誤的假設，因為機會可能來自任何型別的市場。這是一種心智捷徑，交易者不需要花費太多精力進行研究。要消除這種偏見，您必須在選擇可投資資產範圍之前進行完整的盡職調查。不要只因為熟悉歐元兌美元（EURUSD）就進行交易：擴大您的視野。

損失厭惡偏見

當損失帶來的痛苦大於獲利帶來的喜悅時，就會出現這種偏見。這是迄今為止最常見的偏見。人類以寧願不輸錢也不願贏錢而聞名，正如Daniel Kahneman和Amos Tversky在1977年的“前景理論：風險下的決策分析”中所證明的。損失厭惡可能導致風險承擔減少，從而降低預期回報。然而，最顯著的影響是在止損水平上。厭惡損失的人類不願接受他們正在虧損的事實，會將虧損的持倉視為持續中的持倉，因此寧願等待直到它轉為正值。這是非常危險的，因為不設定止損可能會導致災難性的結果。此外，一些人因為擔心會轉為負值（某種形式的後悔恐懼）而過早關閉贏利的持倉。處理損失厭惡的最佳方法是自動化風險管理流程，並遵守在交易開始時設定的止損和目標訂單。

情緒偏見

本小節列出了一些最常見的情緒偏見及其影響。提醒一下，認知偏見與知識缺乏有關，而情緒偏見則與心理特徵有關：

過度自信偏見

當交易者經歷連勝並認為這是由於自己優越的交易能力，從而持有集中持倉並進行過度交易時，就會出現這種偏見。好的連勝終將結束，因此交易者必須始終遵循程式，確保不脫離策略。

後悔厭惡偏見

這指的是出於恐懼而停留在低風險投資中。這其實與交易者的風險狀況有關。沒有對錯之分，但後悔恐懼可能使交易者錯失有趣的機會。您應該冒險賺錢，但只冒經過計算的風險。

持有偏見

當交易者認為擁有的資產比未擁有的資產更有價值時，就會出現這種偏見。這可能會阻礙交易者的機會，使他們僅限於已經擁有的資產，即使這些資產正在衰退。市場上的機會無處不在，參與者必須始終留意下一個重大機會。

交易框架

理論上的交易話題、模擬交易和真實交易都是不同的。任何交易者的目標都是賺取真實的金錢，這比看起來更困難。讓我們定義這三個概念：

理論交易話題

這是交易者思考交易策略並在腦海中簡化它們的地方。這是形成偏見的地方，尤其是事後偏見。

此圖示說明瞭從理論到獲利的交易過程

模擬交易

模擬交易是測試策略的地方，可以在不冒真實金錢風險的情況下進行實驗。

真實交易

真實交易是實際執行策略的地方，需要承擔真實金錢風險和管理情緒。

內容解密：

  • 理論交易話題涉及思考和簡化策略。
  • 模擬交易允許在無真實風險下測試策略。
  • 真實交易需要管理情緒和承擔金錢風險。
  • 獲利是成功執行策略後的結果。

交易框架與心態管理

在金融市場中，交易者面臨著多種挑戰，不僅需要具備技術分析能力，還需要具備良好的心態管理。交易的過程可以分為模擬交易和真實交易兩種。

模擬交易與真實交易

  1. 模擬交易：使用虛擬資金進行交易，無法真實模擬現實中的情緒波動。
  2. 真實交易：使用真實資金進行交易，透過券商買賣資產以增加財富。

真實交易的過程包括以下幾個步驟：

  1. 想法產生：形成交易策略的想法，例如結合特定的K線形態和技術指標。
  2. 回測：評估過去的表現，決定是否將策略投入實戰。
  3. 交易前管理：準備交易設定，如停損和停利單，並決定是否使用追蹤停損。
  4. 交易管理：監控損益狀況和進行中的交易，保持紀律，避免情緒影響判斷。

K線形態與技術分析

K線形態是技術分析的重要工具，不同的形態具有不同的意義。例如：

  • Tweezer形態：用於判斷市場的轉折點。
  • Marubozu形態：表示強烈的買賣力量。
  • Doji形態：表示市場的不確定性。

這些形態可以與技術指標（如RSI、布林帶等）結合使用，以提高交易的準確性。

程式碼實作與策略評估

在進行技術分析時，程式碼的撰寫是不可或缺的一部分。以下是一些關鍵的程式碼功能：

新增列到陣列

def add_column(array, column):
    # 將新的列新增到陣列中
    return np.concatenate((array, column), axis=1)

內容解密：

  1. add_column函式接受一個陣列和一個新的列，將新的列新增到陣列中。
  2. 使用np.concatenate函式進行陣列的合併。
  3. axis=1表示沿著列的方向進行合併。

新增行到陣列

def add_row(array, row):
    # 將新的行新增到陣列中
    return np.vstack((array, row))

內容解密：

  1. add_row函式接受一個陣列和一個新的行，將新的行新增到陣列中。
  2. 使用np.vstack函式進行陣列的堆積疊。
  3. 這裡的操作是沿著行的方向進行擴充套件。

風險管理與心態控制

在交易過程中，風險管理和心態控制至關重要。常見的風險管理技術包括：

  1. 停損單：限制損失的範圍。
  2. 倉位管理：根據風險承受能力調整倉位大小。

此外，保持紀律和避免情緒化決策也是成功的關鍵。

技術分析中的K線圖型態識別與交易策略

技術分析是金融市場中不可或缺的工具，而K線圖型態識別是技術分析的核心部分之一。K線圖透過記錄某一時間段內的開盤價、收盤價、最高價和最低價，為交易者提供了豐富的市場資訊。本文將探討多種經典的K線圖型態及其在交易策略中的應用。

經典反轉圖型

反轉圖型是預示市場趨勢可能發生逆轉的重要訊號。以下是幾種常見的反轉圖型：

1. 曙光初現（Piercing Pattern）

曙光初現是一種看漲反轉圖型，由一根陰線後接一根陽線組成，第二根陽線的收盤價超過前一根陰線實體的一半。此圖型表明賣方力量減弱，買方開始佔據主導。

2. 吞噬圖型（Engulfing Pattern）

吞噬圖型分為看漲吞噬和看跌吞噬。看漲吞噬由一根小陰線後接一根大陽線組成，陽線實體完全包覆陰線實體。看跌吞噬則相反，由一根小陽線後接一根大陰線組成，陰線實體完全包覆陽線實體。

3. 十字星（Doji Pattern）

十字星是一種重要的反轉訊號，其開盤價和收盤價相同或非常接近，表示市場買賣雙方力量均衡。

經典趨勢跟隨圖型

趨勢跟隨圖型幫助交易者識別市場的持續趨勢，從而制定相應的交易策略。

1. 三種上升/下降法（Three Methods Pattern）

三種上升/下降法是一種趨勢持續圖型，由一根長陽/陰線後接三根小陰/陽線組成，最後再接一根長陽/陰線，表明趨勢將繼續。

2. 三隻烏鴉（Three Candles Pattern）

三隻烏鴉是一種看跌圖型，由三根連續的陰線組成，每根陰線的收盤價都低於前一根，表明市場持續下跌。

@startuml
skinparam backgroundColor #FEFEFE
skinparam componentStyle rectangle

title 技術分析與交易心理學探討

package "系統架構" {
    package "前端層" {
        component [使用者介面] as ui
        component [API 客戶端] as client
    }

    package "後端層" {
        component [API 服務] as api
        component [業務邏輯] as logic
        component [資料存取] as dao
    }

    package "資料層" {
        database [主資料庫] as db
        database [快取] as cache
    }
}

ui --> client : 使用者操作
client --> api : HTTP 請求
api --> logic : 處理邏輯
logic --> dao : 資料操作
dao --> db : 持久化
dao --> cache : 快取

note right of api
  RESTful API
  或 GraphQL
end note

@enduml

將K線圖型與技術指標結合

單純依靠K線圖型進行交易有時會出現誤判，將K線圖型與技術指標結合可以提高交易的準確性。

1. K線圖型與RSI結合

相對強弱指數（RSI）可以幫助確認K線圖型的反轉訊號。例如，當出現看漲的Piercing Pattern時，如果RSI處於超賣區域，則增強了看漲訊號的可信度。

import pandas as pd

def calculate_rsi(data, period=14):
    delta = data['close'].diff()
    gain = (delta > 0) * delta
    loss = (delta < 0) * -delta
    
    avg_gain = gain.ewm(alpha=1/period, adjust=False).mean()
    avg_loss = loss.ewm(alpha=1/period, adjust=False).mean()
    
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    
    return rsi

# 假設data是一個包含歷史價格的DataFrame
data['RSI'] = calculate_rsi(data)

#### 當出現Piercing Pattern且RSI低於30時，視為強烈的買入訊號
if Piercing_Pattern_detected and data['RSI'][-1] < 30:
    print("強烈的買入訊號")

#### 內容解密：

  • calculate_rsi函式用於計算相對強弱指數（RSI）。
  • delta變數計算每日價格變化。
  • gain和loss變數分別計算每日的漲幅和跌幅。
  • avg_gain和avg_loss透過指數移動平均（EMA）計算平均漲幅和平均跌幅。
  • rs是平均漲幅與平均跌幅的比率，用於計算RSI值。
  • 當檢測到Piercing Pattern且RSI值低於30時，輸出「強烈的買入訊號」。
玄貓 BlackCat

玄貓 BlackCat

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。