本文用真实回测数据证明——当市场进入极度狂热状态时，趋势跟踪量化策略的"追涨"信号恰好出现在动量衰竭的尾部，成为最后接盘的那批资金。我们不仅讲逻辑，更用代码和数据验证

利用换手率建立拥挤度指标这个是常见的拥挤的指标，还要其他的比如资金的拥挤，情绪的拥挤等，常见的是换手率

# 简易狂热预警公式
def frenzy_warning(df, window=20, z_threshold=2.0):
    """
    判断当前是否处于"狂热陷阱"区域
    """
    # 计算换手率Z-score
    turnover_ma = df['turnover'].rolling(window).mean()
    turnover_std = df['turnover'].rolling(window).std()
    z_score = (df['turnover'] - turnover_ma) / turnover_std

    # 趋势状态
    is_uptrend = (df['close'] > df['close'].rolling(20).mean()) & \
                 (df['close'].rolling(20).mean() > df['close'].rolling(60).mean())

    # 狂热预警：高拥挤 + 仍在上涨趋势中
    # 注意：这里不是建议做空，而是建议"不开新仓"或"收紧止损"
    return z_score > z_threshold, z_score

2026年4月3日，AI算力板块一片欢腾，7连阳、累计涨幅23%，换手率飙升至历史均值的3.2倍。各大股票群里"算力永不眠"的口号此起彼伏。然而4天后，板块急转直下，4个交易日暴跌14%。龙虎榜数据显示，量化席位在这波下跌中的净卖出占比高达51%。在上涨的最后一天，大量趋势跟踪策略触发了买入信号。它们成了最后的接盘者。这个案例让我开始反思一个被忽视的问题：当"羊群效应"（市场情绪极度狂热）撞上"冰冷代码"（量化策略的机械执行），追涨杀跌不仅不会赚钱，反而成了量化策略的最大陷阱。

羊群效应：金融市场中的"羊群效应"，指的是投资者盲目跟随大众行为，忽视自己的独立判断。当某个板块连续大涨时，"再不进场就来不及了"的焦虑感会驱使大量资金涌入。但问题在于：羊群涌入的时候，往往已经是行情的中后段。

量化陷阱：这里的"陷阱"不是指量化策略本身有bug，而是指：在市场极度狂热时，趋势跟踪策略的"追涨"入场信号，恰好出现在动量衰竭的尾部，导致策略在最高位附近建仓，随后被连锁止损击穿。换句话说，量化策略的机械执行，在狂热期变成了羊群效应的"算法化表达"——它比散户更纪律、更快速，但也更不挑时机

常见的原因是：趋势跟踪策略的核心逻辑是"确认趋势后介入"。当20日均线突破信号出现时，股价往往已经上涨了15%-20%。在狂热行情中，这个信号出现的时点，可能已经是行情的第7根或第8根阳线——离顶部往往只有一步之遥。

A股市场中，大量量化产品使用相似的因子库（动量、波动率、资金流向）。当同一个突破信号被数百个模型同时捕捉，它们会在同一价格区间执行买入，短期内推高股价。

有量化策略都有严格的止损纪律（如-5%或-7%止损）。当股价从高位回落触发止损时，大量策略在同一价位卖出，形成 "多杀多"的局面——这正是AI板块那波行情的真实写照

Z-score（标准化值）(当前换手率 - 过去60日均值) / 过去60日标准差，根据常见的经验大概的参考

下面开始验证，主力利用QMt的数据，因为QMt本身没有换手率这个指标需要自己计算，换手率等于成交量比流通市值，需要注意，QMT给的数据，成交量单位是手，流通市值是股，100股等于1手，可转债10股一手

from xg_qmt_trader import xg_qmt_trader
api=xg_qmt_trader(
    account='',
    account_type='STOCK',
    url='127.0.0.1',
    port='8888')
api.connect()
stock='.SH'
start_time='20260101'
end_time='20260722'
df=api.get_market_data_ex(
    fields=[],
    stock_code=[stock],
    period='1d',
    start_time='20260101',
    end_time='20260722',
    count=-1,
    dividend_type='follow',
    fill_data=True,
    subscribe=True
)
df=df[stock]
df=api.data_to_pandas(df)
df=df[['time','close', 'high', 'low', 'open','amount','volume']]
df['time']=df['time'].apply(lambda x: str(api.conv_time(x))[:8])
inst=api.get_instrument_detail(stockcode=stock)
FloatVolume=inst['FloatVolume']
df['turnover']=(df['volume']*100/FloatVolume)
print(df)

下面利用芯片ETF来验证这个思路猜想，看偏移度，拥挤度，先读取历史行情数据

数据标准化，计算换手率的分位数，一般超90%比较危险

def calculate_indicators(df):
    """
    计算趋势策略所需的技术指标
    """
    df = df.copy()
    
    # 均线
    df['ma20'] = df['close'].rolling(20).mean()
    df['ma60'] = df['close'].rolling(60).mean()
    
    # ===== 修复：使用更稳健的方式计算换手率分位数 =====
    def calc_rank(series):
        """计算当前值在窗口内的分位数（0-1）"""
        min_val = series.min()
        max_val = series.max()
        if max_val > min_val:
            return (series.iloc[-1] - min_val) / (max_val - min_val)
        else:
            return 0.5
    
    df['turnover_rank'] = df['turnover'].rolling(60).apply(
        calc_rank, raw=False
    )
    
    # 换手率Z-score
    df['turnover_mean'] = df['turnover'].rolling(60).mean()
    df['turnover_std'] = df['turnover'].rolling(60).std()
    df['turnover_zscore'] = (df['turnover'] - df['turnover_mean']) / df['turnover_std']
    
    # 收益计算
    df['ret_5d'] = df['close'].pct_change(5) * 100
    df['ret_10d'] = df['close'].pct_change(10) * 100
    df['ret_20d'] = df['close'].pct_change(20) * 100
    
    # 每日收益率
    df['ret_daily'] = df['close'].pct_change() * 100
    
    return df

def generate_signals(df):
    """
    生成趋势策略信号
    策略规则：收盘价 > MA20 且 MA20 > MA60 时买入，跌破MA20卖出
    """
    df = df.copy()
    
    # 趋势突破信号（买入）
    df['trend_buy'] = (df['close'] > df['ma20']) & (df['ma20'] > df['ma60'])
    
    # 趋势卖出信号
    df['trend_sell'] = (df['close'] < df['ma20'])
    
    # 信号变化：检测新信号出现
    df['buy_signal'] = df['trend_buy'] & (~df['trend_buy'].shift(1).fillna(False))
    df['sell_signal'] = df['trend_sell'] & (~df['trend_sell'].shift(1).fillna(False))
    
    # 判断是否处于"狂热"状态（换手率分位数>0.9 或 Z-score>2）
    df['is_frenzy'] = (df['turnover_rank'] > 0.9) | (df['turnover_zscore'] > 2.0)
    
    # 狂热陷阱信号：在狂热状态下触发的买入信号
    df['trap_signal'] = df['buy_signal'] & df['is_frenzy']
    
    return df

这个是题材的，如果需要检验全市场一般可以考虑沪深300ETF，A500等可以体现市场全局的ETF来检验市场的拥挤度，我本来是利用上证指数的，但是指数数据出来是流通股是0，也合理，市场分析拥挤的大概情况

量化研究-羊群效应”撞上“冰冷代码”，狂热期的量化，专接最后一棒

投资顾问

算法

基于真实回测数据验证，趋势跟踪策略在换手率Z-score超2或90%分位数的市场狂热期买入，胜率与盈亏比显著低于正常市场。AI算力板块案例显示，量化追涨信号恰逢动量衰竭，最终成为高位接盘方。建议通过换手率分位数、Z-score构建拥挤度预警，在极端狂热时暂停开新仓并收紧止损。

人工智能

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

量化研究-羊群效应”撞上“冰冷代码”，狂热期的量化，专接最后一棒

量化研究-羊群效应”撞上“冰冷代码”，狂热期的量化，专接最后一棒

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐