1.7 重叠因子：MESA自适应移动平均线(MESA Adaptive Moving Average, MAMA)概念与Python实战

0. 本栏目因子汇总表

【量海航行】

1. 因子简述

MESA自适应移动平均线(MESA Adaptive Moving Average, MAMA)是由John Ehlers开发的一种高级技术指标。它使用MESA(Maximum Entropy Spectral Analysis)算法来自适应地调整移动平均的速度，能够快速响应市场变化同时保持良好的平滑性。MAMA包含两条线：MAMA(主线)和FAMA(跟随线)。

2. 因子计算逻辑

MAMA的计算基于复杂的MESA算法，核心步骤包括：

$$\begin{array}{rl}Phase& =arctan2(I{m}_{smooth},R{e}_{smooth})\\ DeltaPhase& =Phas{e}_t-Phas{e}_{t-1}\\ Alpha& =FastLimit/\exp (DeltaPhase)\\ MAM{A}_t& =\alpha \times Price+(1-\alpha )\times MAM{A}_{t-1}\\ FAM{A}_t& =0.5\times \alpha \times MAM{A}_t+(1-0.5\times \alpha )\times FAM{A}_{t-1}\end{array}$$

MAMA因子的计算：
$$MAM{A}_{factor}=\frac{Close-MAMA}{{\sigma }_n(Close)}$$

其中：

• Phase为价格序列的相位
• DeltaPhase为相位变化率
• Alpha为自适应因子
• σ_n(Close)为n周期收盘价的滚动标准差
• n为计算标准差的周期参数

3. 因子应用场景

1. 趋势跟踪：

   • MAMA上穿FAMA，产生做多信号
   • MAMA下穿FAMA，产生做空信号

2. 市场状态判断：

   • MAMA与FAMA快速分离表示趋势加速
   • MAMA与FAMA交织表示市场盘整

3. 价格突破确认：

   • 价格突破MAMA，趋势确认信号
   • MAMA斜率变化，趋势强度信号

4. 组合策略：

   • 与其他技术指标配合使用
   • 用于多周期分析和市场结构判断

4. 因子优缺点

优点：

1. 自适应性强：能根据市场状态调整响应速度
2. 噪音过滤：具有优秀的信号平滑特性
3. 趋势敏感：对趋势变化反应迅速
4. 双线系统：提供更可靠的交叉信号

缺点：

1. 计算复杂：需要较强的计算能力
2. 参数敏感：不同参数组合效果差异大
3. 延迟现象：在剧烈波动时可能出现滞后
4. 使用门槛：需要深入理解MESA算法原理

5. 因子代码实现

def MAMA_factor(df, fast_limit=0.5, slow_limit=0.05, n=20):
    """
    计算MESA自适应移动平均线(MAMA)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
    fast_limit (float): 快速限制参数，默认0.5
    slow_limit (float): 慢速限制参数，默认0.05
    n (int): 标准差计算周期，默认20
    
    返回:
    DataFrame: 包含原有列和MAMA因子值，理论取值范围(-∞,+∞)，实际大多在[-3,3]之间
    """
    import numpy as np
    import pandas as pd
    
    def calculate_mama(group):
        # 1. 价格平滑处理
        price = group['close'].values
        smooth = (4*price + 3*np.roll(price,1) + 2*np.roll(price,2) + np.roll(price,3))/10.0
        
        # 2. 计算去趋势序列
        detrender = np.zeros_like(smooth)
        for i in range(7, len(smooth)):
            detrender[i] = (0.0962*smooth[i] + 0.5769*smooth[i-2] - 0.5769*smooth[i-4] - 0.0962*smooth[i-6])*0.075
        
        # 3. 计算Q1 - 提前90度的移相版本
        Q1 = np.zeros_like(smooth)
        for i in range(7, len(smooth)):
            Q1[i] = (0.0962*detrender[i] + 0.5769*detrender[i-2] - 0.5769*detrender[i-4] - 0.0962*detrender[i-6])*0.075
        
        # 4. 计算I1 - 同相版本
        I1 = np.roll(detrender, 3)
        
        # 5. 计算抑制因子jI和jQ
        jI = np.zeros_like(smooth)
        jQ = np.zeros_like(smooth)
        for i in range(7, len(smooth)):
            jI[i] = (0.0962*I1[i] + 0.5769*I1[i-2] - 0.5769*I1[i-4] - 0.0962*I1[i-6])*0.075
            jQ[i] = (0.0962*Q1[i] + 0.5769*Q1[i-2] - 0.5769*Q1[i-4] - 0.0962*Q1[i-6])*0.075
        
        # 6. 计算相位和相位差
        phase = np.where(I1 != 0, np.arctan(Q1/I1), 0)
        deltaPhase = phase - np.roll(phase, 1)
        deltaPhase[0] = deltaPhase[1]
        
        # 7. 计算alpha - 自适应因子
        alpha = fast_limit / np.exp(abs(deltaPhase))
        alpha = np.clip(alpha, slow_limit, fast_limit)
        
        # 8. 计算MAMA和FAMA
        mama = np.zeros_like(price)
        fama = np.zeros_like(price)
        mama[0] = price[0]
        fama[0] = price[0]
        
        for i in range(1, len(price)):
            mama[i] = alpha[i] * price[i] + (1-alpha[i]) * mama[i-1]
            fama[i] = 0.5 * alpha[i] * mama[i] + (1-0.5*alpha[i]) * fama[i-1]
        
        # 计算n周期滚动标准差
        rolling_std = group['close'].rolling(window=n).std()
        
        # 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['MAMA'] = np.where(
            rolling_std != 0,
            (group['close'] - mama) / rolling_std,
            0
        )
        return group
    
    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
    df_copy = df_copy.groupby('code', group_keys=False).apply(calculate_mama)
    
    # 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

MAMA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MAMA（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MAMA一个标准差以上，偏多信号
• 取值在[-1,1]之间：表示价格在MAMA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MAMA一个标准差以上，偏空信号
• 取值 < -2：表示价格显著低于MAMA（超过2个标准差），强烈超卖信号

7. 因子函数参数建议

1. n (标准差计算周期)：

   • 默认值：20
   • 建议范围：[5, 20]
   • 参数说明：用于计算价格偏离度的标准化窗口
   • 选择建议：
     • 日线数据建议使用10-15
     • 小时线数据建议使用15-20
     • 分钟线数据建议使用5-10

2. fast_limit (快速限制参数)：

   • 默认值：0.5
   • 建议范围：[0.3, 0.9]
   • 参数说明：决定MAMA对快速市场变化的反应速度
   • 选择建议：
     • 高波动市场使用较小值
     • 低波动市场使用较大值
     • 不建议超过0.9，可能产生过度敏感

3. slow_limit (慢速限制参数)：

   • 默认值：0.05
   • 建议范围：[0.01, 0.1]
   • 参数说明：决定MAMA在慢速市场中的平滑程度
   • 选择建议：
     • 趋势市场使用较小值
     • 震荡市场使用较大值
     • 通常保持在fast_limit的1/10左右