【期货量化进阶】期货量化交易中的多时间框架分析（实战技巧）-编程阁

一、前言

多时间框架分析是量化交易中的重要技术。通过分析不同时间框架的市场行为，可以更全面地理解市场趋势，提高策略的准确性和稳定性。

多时间框架原理
时间框架选择
信号融合方法
趋势确认
实战应用

二、为什么选择天勤量化（TqSdk）

功能	说明
多周期数据	支持获取不同周期数据
数据同步	支持多周期数据同步
灵活分析	支持自定义分析
实时更新	支持实时数据更新

安装方法：

pipinstalltqsdk pandas numpy

三、多时间框架基础

3.1 时间框架类型

时间框架	周期	用途
长期	日线、周线	趋势判断
中期	4小时、1小时	趋势确认
短期	15分钟、5分钟	入场时机

3.2 时间框架关系

关系	说明
趋势一致	多周期趋势一致时信号更强
趋势冲突	多周期趋势冲突时谨慎交易
共振效应	多周期共振时信号最强

四、多周期数据获取

4.1 获取多周期数据

#!/usr/bin/env python# -*- coding: utf-8 -*-""" 功能：多时间框架分析 说明：本代码仅供学习参考 """fromtqsdkimportTqApi,TqAuthimportpandasaspdimportnumpyasnpdefget_multiple_timeframes(api,symbol,timeframes):""" 获取多周期数据 参数: timeframes: [(duration_seconds, count), ...] """klines_dict={}forduration,countintimeframes:klines=api.get_kline_serial(symbol,duration,count)api.wait_update()klines_dict[duration]=klinesreturnklines_dict# 使用示例api=TqApi(auth=TqAuth("快期账户","快期密码"))timeframes=[(3600,500),# 1小时(900,500),# 15分钟(60,500)# 1分钟]klines_multi=get_multiple_timeframes(api,"SHFE.rb2510",timeframes)fortf,klinesinklines_multi.items():print(f"{tf}秒周期:{len(klines)}条数据")api.close()

4.2 数据对齐

defalign_timeframes(klines_dict,reference_timeframe=3600):"""对齐多周期数据"""reference_klines=klines_dict[reference_timeframe]aligned_data={}fortf,klinesinklines_dict.items():iftf==reference_timeframe:aligned_data[tf]=klineselse:# 重采样到参考周期iftf<reference_timeframe:# 上采样aligned=klines.resample(f'{reference_timeframe}S').last()else:# 下采样aligned=klines.resample(f'{reference_timeframe}S').first()aligned_data[tf]=alignedreturnaligned_data# 使用示例aligned=align_timeframes(klines_multi,reference_timeframe=3600)

五、多周期趋势分析

5.1 趋势判断

fromtqsdk.tafuncimportmadefanalyze_trend_multiple_timeframes(klines_dict):"""多周期趋势分析"""trends={}fortf,klinesinklines_dict.items():ma5=ma(klines['close'],5)ma20=ma(klines['close'],20)current_ma5=ma5.iloc[-1]current_ma20=ma20.iloc[-1]ifcurrent_ma5>current_ma20:trends[tf]=1# 上升趋势elifcurrent_ma5<current_ma20:trends[tf]=-1# 下降趋势else:trends[tf]=0# 震荡returntrends# 使用示例trends=analyze_trend_multiple_timeframes(klines_multi)print("多周期趋势:")fortf,trendintrends.items():trend_name={1:"上升",-1:"下降",0:"震荡"}[trend]print(f"{tf}秒周期:{trend_name}")

5.2 趋势一致性

defcheck_trend_consistency(trends):"""检查趋势一致性"""trend_values=list(trends.values())# 计算一致性iflen(set(trend_values))==1:consistency=1.0# 完全一致else:# 计算相同趋势的比例most_common=max(set(trend_values),key=trend_values.count)consistency=trend_values.count(most_common)/len(trend_values)# 主要趋势main_trend=max(set(trend_values),key=trend_values.count)return{'consistency':consistency,'main_trend':main_trend}# 使用示例consistency=check_trend_consistency(trends)print(f"趋势一致性:{consistency['consistency']:.2%}")print(f"主要趋势:{consistency['main_trend']}")

六、信号融合

6.1 加权融合

defweighted_signal_fusion(klines_dict,weights=None):"""加权信号融合"""ifweightsisNone:weights={tf:1/len(klines_dict)fortfinklines_dict.keys()}signals={}fortf,klinesinklines_dict.items():ma5=ma(klines['close'],5)ma20=ma(klines['close'],20)# 生成信号ifma5.iloc[-1]>ma20.iloc[-1]andma5.iloc[-2]<=ma20.iloc[-2]:signals[tf]=1elifma5.iloc[-1]<ma20.iloc[-1]andma5.iloc[-2]>=ma20.iloc[-2]:signals[tf]=-1else:signals[tf]=0# 加权融合fused_signal=sum(signals[tf]*weights[tf]fortfinsignals.keys())# 归一化ifabs(fused_signal)>0.5:return1iffused_signal>0else-1else:return0# 使用示例weights={3600:0.5,900:0.3,60:0.2}# 长期权重更高fused=weighted_signal_fusion(klines_multi,weights)print(f"融合信号:{fused}")

6.2 投票融合

defvoting_signal_fusion(klines_dict,min_votes=2):"""投票信号融合"""signals={}fortf,klinesinklines_dict.items():ma5=ma(klines['close'],5)ma20=ma(klines['close'],20)ifma5.iloc[-1]>ma20.iloc[-1]andma5.iloc[-2]<=ma20.iloc[-2]:signals[tf]=1elifma5.iloc[-1]<ma20.iloc[-1]andma5.iloc[-2]>=ma20.iloc[-2]:signals[tf]=-1else:signals[tf]=0# 投票buy_votes=sum(1forsinsignals.values()ifs==1)sell_votes=sum(1forsinsignals.values()ifs==-1)ifbuy_votes>=min_votes:return1elifsell_votes>=min_votes:return-1else:return0# 使用示例voted=voting_signal_fusion(klines_multi,min_votes=2)print(f"投票信号:{voted}")

七、趋势确认

7.1 多周期确认

defmulti_timeframe_confirmation(klines_dict,entry_signal):"""多周期确认"""trends=analyze_trend_multiple_timeframes(klines_dict)consistency=check_trend_consistency(trends)# 如果趋势一致且与入场信号一致，确认ifconsistency['consistency']>0.7andconsistency['main_trend']==entry_signal:returnTrue,"多周期确认通过"else:returnFalse,"多周期确认未通过"# 使用示例entry_signal=1# 买入信号confirmed,msg=multi_timeframe_confirmation(klines_multi,entry_signal)print(f"确认结果:{confirmed},{msg}")

7.2 共振确认

defresonance_confirmation(klines_dict):"""共振确认"""trends=analyze_trend_multiple_timeframes(klines_dict)# 所有周期趋势一致iflen(set(trends.values()))==1andtrends[list(trends.keys())[0]]!=0:returnTrue,trends[list(trends.keys())[0]]else:returnFalse,0# 使用示例resonant,signal=resonance_confirmation(klines_multi)ifresonant:print(f"多周期共振:{signal}")

八、实战应用

8.1 多周期策略

defmulti_timeframe_strategy(api,symbol):"""多周期策略"""timeframes=[(3600,500),# 1小时：趋势判断(900,500),# 15分钟：入场时机]klines_multi=get_multiple_timeframes(api,symbol,timeframes)# 长期趋势long_term_trend=analyze_trend_multiple_timeframes({3600:klines_multi[3600]})[3600]# 短期信号short_term_signal=weighted_signal_fusion({900:klines_multi[900]},weights={900:1.0})# 只有在长期趋势与短期信号一致时才交易iflong_term_trend==short_term_signalandshort_term_signal!=0:returnshort_term_signalelse:return0# 使用示例api=TqApi(auth=TqAuth("快期账户","快期密码"))signal=multi_timeframe_strategy(api,"SHFE.rb2510")print(f"多周期策略信号:{signal}")api.close()