Overlap：HMA（赫尔移动平均线）技术指标详解

Overlap：HMA（赫尔移动平均线）技术指标详解

一、HMA的定义

HMA（Hull Moving Average，赫尔移动平均线） 是由澳大利亚数学家、交易员艾伦·赫尔（Alan Hull）于2005年开发的一种高级移动平均线指标。该指标旨在解决传统移动平均线（如SMA、EMA）面临的核心矛盾：平滑性与滞后性之间的权衡。

核心设计理念

传统移动平均线面临一个无法回避的困境：使用较短的时间周期可以获得更快的响应速度，但曲线不够平滑，容易产生假信号；使用较长的时间周期可以获得更平滑的曲线，但滞后性严重，信号出现时行情往往已经走了一大截。

赫尔通过创新的数学处理方法，将加权移动平均线（WMA）与平方根周期相结合，创造出了一条既能快速响应价格变化、又能保持曲线平滑的移动平均线。该指标一经推出便在交易界获得了广泛认可，被认为是移动平均线家族中的重大突破。

HMA的核心特征

HMA与传统移动平均线的对比

二、HMA的计算方法

1. 核心计算公式

HMA的计算过程包含三个主要步骤，使用加权移动平均线（WMA）作为基础构件：

第一步：计算两个基础WMA

设周期参数为 nn（例如 $n=20$），首先计算两个WMA：
$${\mathrm{WMA}}_1=\mathrm{WMA}(\mathrm{Price},n/2)$$

$${\mathrm{WMA}}_2=\mathrm{WMA}(\mathrm{Price},n)$$

其中 $\mathrm{WMA}(\mathrm{Price},n)$ 表示对价格序列计算周期为 $n$ 的加权移动平均。

第二步：计算中间差值序列

将两个WMA进行组合，得到一个中间序列：
$$\mathrm{Intermediate}=2\times {\mathrm{WMA}}_1-{\mathrm{WMA}}_2$$
这个步骤通过用较短周期WMA（响应更快）减去较长周期WMA（更平滑），极大地消除了滞后。

第三步：最终平滑

对中间序列应用周期为 $\sqrt{n}$ 的 WMA 平滑，得到最终的 HMA 值：

$$\mathrm{HMA}=\mathrm{WMA}(\mathrm{Intermediate},\sqrt{n})$$

2. 加权移动平均（WMA）的计算

由于HMA的计算依赖于WMA，需要先明确WMA的计算方式。WMA赋予近期价格更高的权重，权重呈线性递减：

对于周期 $n$ 的价格序列 $P_1,P_2,...,P_n$ ($P_n$ 为最新价格)，$\mathrm{WMA}$ 的计算公式为：

$${\mathrm{WMA}}_n=\frac{n\times P_n+(n-1)\times P_{n-1}+...+1\times P_1}{n+(n-1)+...+1}$$

分母为权重和：

$$\sum _{i=1}^{n}i=\frac{n(n+1)}{2}$$

因此：

$${\mathrm{WMA}}_n=\frac{{\sum }_{i=1}^{n}i\times P_i}{\frac{n(n+1)}{2}}$$

3. 非整数周期的处理

由于 $n/2$ 和 $\sqrt{n}$ 的计算结果可能不是整数，实际应用中通常采用四舍五入取整 5。例如：

• 当 $n=14$ 时，$n/2=7$，$\sqrt{20}\approx 3.74\to$ 取整为 4
• 当 $n=20$ 时，$n/2=10$，$\sqrt{20}\approx 4.47\to$ 取整为 4
• 当 $n=50$ 时，$n/2=25$，$\sqrt{50}\approx 7.07\to$ 取整为 7

4. 完整计算示例

假设使用 $n=10$ 周期，最近10个收盘价如下，演示HMA的计算过程：

第一步：计算WMA₁（周期 n/2 = 5）

取最近5个价格（位置6-10）：[107, 106, 108, 110, 112]

权重：[5, 4, 3, 2, 1]（权重和=15）

加权和 = 107×5 + 106×4 + 108×3 + 110×2 + 112×1 = 535 + 424 + 324 + 220 + 112 = 1615

WMA₁ = 1615 / 15 = 107.67

第二步：计算WMA₂（周期 n = 10）

使用全部10个价格，权重[10,9,8,7,6,5,4,3,2,1]（权重和=55）

加权和 = 100×1 + 102×2 + 101×3 + 103×4 + 105×5 + 107×6 + 106×7 + 108×8 + 110×9 + 112×10 ？

注意顺序：WMA计算时，最新价格应乘以最大权重。更清晰地列出：

加权和 = 1120+990+864+742+642+525+412+303+204+100 = 5902

WMA₂ = 5902 / 55 ≈ 107.31

第三步：计算中间值

Intermediate = 2 × WMA₁ - WMA₂ = 2 × 107.67 - 107.31 = 215.34 - 107.31 = 108.03

第四步：最终WMA平滑（周期 √10 ≈ 3.16 → 取整为 3）

取最近3个Intermediate值进行3周期WMA平滑，假设前两个周期中间值为[107.50, 107.80, 108.03]：

权重：[3, 2, 1]（权重和=6）

加权和 = 107.50×1 + 107.80×2 + 108.03×3 = 107.50 + 215.60 + 324.09 = 647.19

HMA = 647.19 / 6 ≈ 107.87

5. 参数说明

周期参数选择指南：

三、HMA的使用方法

1. 趋势识别——最基础用法

HMA的方向是判断市场趋势的最直观依据：

独特优势：相比传统移动平均线，HMA的拐点出现得更早、更明显。由于滞后极小，HMA方向转变几乎与价格反转同步，能够帮助交易者更早识别趋势变化。

2. 价格穿越信号

价格与HMA的穿越关系是最简单的入场/出场信号：

信号增强条件：

• 穿越发生时HMA线方向与穿越方向一致（即上升趋势中的上穿）
• 穿越时成交量放大
• 穿越发生在关键支撑/阻力位附近

3. 拐点交易策略——HMA的核心用法

HMA的创造者艾伦·赫尔明确建议：使用HMA时，应关注其转折点而非交叉信号。因为HMA的滞后已大幅减少，均线交叉策略在该指标上的效果不佳。

HMA拐点识别方法：

赫尔的原话：“由于赫尔移动平均线的滞后已经大幅减少，依赖两条不同周期的HMA产生交叉信号的方法效果不佳。相反，关注HMA本身的转折点——当它从下行转为上行时买入，从上行转为下行时卖出”。

4. 动态支撑与阻力

HMA线因其紧贴价格走势的特性，可以作为动态的支撑/阻力参考：

5. 多时间框架分析

利用不同周期的HMA可以构建多时间框架分析系统：

注意：由于HMA本身已极大减少滞后，其交叉信号比传统均线交叉更及时，但也可能产生更多假信号，建议与其他指标确认。

6. 与其他指标的配合策略

HMA不应单独使用，建议与其他技术指标配合：

7. 作为动态止损工具

HMA因其紧贴价格走势的特性，非常适合用作动态止损线：

8. 参数优化建议

HMA的周期参数选择对交易效果有显著影响：

9. 注意事项与局限性

使用HMA前需了解以下要点：

适用场景总结：

四、使用pandas_ta计算HMA（附示例代码）

1. pandas_ta中的HMA函数

pandas_ta库内置了HMA指标的完整实现，函数位于overlap模块中。该实现完全遵循艾伦·赫尔的原始算法。

2. 函数完整参数

pandas_ta.overlap.hma(close, length=None, offset=None, **kwargs)

参数详解：

返回值：pd.Series——HMA值序列。

计算流程（源码逻辑）：

# 核心计算步骤
half_length = int(length / 2)           # 周期的一半
sqrt_length = int(sqrt(length))         # 周期的平方根（取整）
wmaf = wma(close, half_length)          # 计算短周期WMA
wmas = wma(close, length)               # 计算长周期WMA
hma = wma(2 * wmaf - wmas, sqrt_length) # 计算中间值WMA，得到HMA

3. 示例代码

import pandas as pd
import pandas_ta as ta
import numpy as np
import matplotlib.pyplot as plt
from math import sqrt

# ========== 第一步：准备数据 ==========
np.random.seed(42)
dates = pd.date_range(start='2022-01-01', end='2024-12-31', freq='D')
n = len(dates)

# 生成带趋势和周期波动的价格序列
trend = np.linspace(0, 45, n)
cycle = np.sin(np.linspace(0, 6 * np.pi, n)) * 15
noise = np.random.randn(n) * 3
price_series = 100 + trend + cycle + noise

# 添加趋势变化区间
price_series = price_series.astype(float)
for i in range(300, 450):
    price_series[i] = price_series[300] + (i-300) * 0.2   # 强势上涨段
for i in range(450, 600):
    price_series[i] = price_series[450] - (i-450) * 0.15  # 强势下跌段
for i in range(600, 750):
    price_series[i] = price_series[600] + np.random.randn() * 0.8  # 盘整段

df = pd.DataFrame(index=dates[:n])
df['close'] = price_series[:n]
df['high'] = df['close'] + np.abs(np.random.randn(n)) * 2 + 1
df['low'] = df['close'] - np.abs(np.random.randn(n)) * 2 - 1
df['volume'] = np.random.randint(1000000, 25000000, n)

print("=" * 60)
print("数据预览：")
print(df.head())
print("\n" + "=" * 60 + "\n")

# ========== 第二步：计算HMA（基础用法） ==========
# 使用默认参数 length=10
df['HMA_10'] = ta.hma(df['close'])

print("HMA计算结果（最近10行）：")
print(df[['close', 'HMA_10']].tail(10))
print("\n" + "=" * 60 + "\n")

# ========== 第三步：手动验证HMA计算 ==========
def manual_wma(series, length):
    """手动计算加权移动平均（WMA）"""
    weights = np.arange(1, length + 1)
    wma = series.rolling(window=length).apply(
        lambda x: np.sum(weights * x) / weights.sum(), raw=True
    )
    return wma

def manual_hma(close, length=10):
    """手动计算HMA验证pandas_ta结果"""
    # 计算基础WMA
    half_length = max(1, int(length / 2))
    sqrt_length = max(1, int(sqrt(length)))
    
    wma_half = manual_wma(close, half_length)
    wma_full = manual_wma(close, length)
    
    # 计算中间值并最终平滑
    intermediate = 2 * wma_half - wma_full
    hma = manual_wma(intermediate, sqrt_length)
    
    return hma

df['HMA_manual'] = manual_hma(df['close'])

# 验证一致性
diff = (df['HMA_10'] - df['HMA_manual']).abs().max()
print(f"pandas_ta与手动计算的最大差异：{diff:.10f}")
print("\n" + "=" * 60 + "\n")

# ========== 第四步：不同周期参数对比 ==========
# 短线参数 (9)
df['HMA_9'] = ta.hma(df['close'], length=9)

# 标准参数 (14)
df['HMA_14'] = ta.hma(df['close'], length=14)

# 中长线参数 (20)
df['HMA_20'] = ta.hma(df['close'], length=20)

# 长线参数 (50)
df['HMA_50'] = ta.hma(df['close'], length=50)

print("不同周期HMA对比（最近5行）：")
print(df[['close', 'HMA_9', 'HMA_14', 'HMA_20', 'HMA_50']].tail())
print("\n" + "=" * 60 + "\n")

# ========== 第五步：计算传统均线进行对比 ==========
df['SMA_14'] = ta.sma(df['close'], length=14)
df['EMA_14'] = ta.ema(df['close'], length=14)

print("HMA vs SMA vs EMA 对比（最近10行）：")
print(df[['close', 'HMA_14', 'SMA_14', 'EMA_14']].tail(10))
print("\n" + "=" * 60 + "\n")

# ========== 第六步：价格穿越信号 ==========
df['price_above_hma'] = df['close'] > df['HMA_14']
df['cross_above'] = (df['price_above_hma'] == True) & (df['price_above_hma'].shift(1) == False)
df['cross_below'] = (df['price_above_hma'] == False) & (df['price_above_hma'].shift(1) == True)

df['signal'] = ''
df.loc[df['cross_above'], 'signal'] = '买入（价格上穿HMA）'
df.loc[df['cross_below'], 'signal'] = '卖出（价格下穿HMA）'

print("价格穿越HMA信号统计：")
print(f"买入信号数量：{df['cross_above'].sum()}")
print(f"卖出信号数量：{df['cross_below'].sum()}")

print("\n最近15个穿越信号：")
signals = df[df['signal'] != ''].tail(15)
if not signals.empty:
    print(signals[['close', 'HMA_14', 'signal']])
print("\n" + "=" * 60 + "\n")

# ========== 第七步：HMA拐点检测 ==========
# 识别HMA方向变化点
hma_diff = df['HMA_14'].diff()
df['hma_turning_up'] = (hma_diff > 0) & (hma_diff.shift(1) <= 0)
df['hma_turning_down'] = (hma_diff < 0) & (hma_diff.shift(1) >= 0)

df['turn_signal'] = ''
df.loc[df['hma_turning_up'], 'turn_signal'] = 'HMA拐头向上（买入信号）'
df.loc[df['hma_turning_down'], 'turn_signal'] = 'HMA拐头向下（卖出信号）'

print("HMA拐点信号统计：")
print(f"拐头向上（买入）数量：{df['hma_turning_up'].sum()}")
print(f"拐头向下（卖出）数量：{df['hma_turning_down'].sum()}")

print("\n最近15个拐点信号：")
turn_signals = df[df['turn_signal'] != ''].tail(15)
if not turn_signals.empty:
    print(turn_signals[['close', 'HMA_14', 'turn_signal']])
print("\n" + "=" * 60 + "\n")

# ========== 第八步：策略回测（价格穿越策略 vs 拐点策略） ==========
# 策略1：价格穿越HMA策略
df['position_cross'] = 0
in_position_cross = False

for i in range(1, len(df)):
    if not in_position_cross and df['cross_above'].iloc[i]:
        df.loc[df.index[i], 'position_cross'] = 1
        in_position_cross = True
    elif in_position_cross and df['cross_below'].iloc[i]:
        df.loc[df.index[i], 'position_cross'] = 0
        in_position_cross = False
    else:
        df.loc[df.index[i], 'position_cross'] = df['position_cross'].iloc[i-1]

# 策略2：HMA拐点策略
df['position_turn'] = 0
in_position_turn = False

for i in range(1, len(df)):
    if not in_position_turn and df['hma_turning_up'].iloc[i]:
        df.loc[df.index[i], 'position_turn'] = 1
        in_position_turn = True
    elif in_position_turn and df['hma_turning_down'].iloc[i]:
        df.loc[df.index[i], 'position_turn'] = 0
        in_position_turn = False
    else:
        df.loc[df.index[i], 'position_turn'] = df['position_turn'].iloc[i-1]

# 计算收益
df['returns'] = df['close'].pct_change()
df['strategy_cross_returns'] = df['position_cross'].shift(1) * df['returns']
df['strategy_turn_returns'] = df['position_turn'].shift(1) * df['returns']

total_return_buyhold = (1 + df['returns']).prod() - 1
total_return_cross = (1 + df['strategy_cross_returns']).prod() - 1
total_return_turn = (1 + df['strategy_turn_returns']).prod() - 1

print("=" * 60)
print("策略绩效统计（HMA策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"HMA穿越策略总收益率：{total_return_cross:.2%}")
print(f"HMA拐点策略总收益率：{total_return_turn:.2%}")
print("\n注意：此为简化回测，仅供参考")
print("=" * 60 + "\n")

# ========== 第九步：可视化 ==========
plt.figure(figsize=(14, 12))

# 子图1：价格与HMA对比
plt.subplot(2, 1, 1)
plt.plot(df.index[-150:], df['close'][-150:], label='Close Price', 
         linewidth=1.2, color='black')
plt.plot(df.index[-150:], df['HMA_14'][-150:], label='HMA (14) - 赫尔移动平均线', 
         linewidth=1.5, color='blue')
plt.plot(df.index[-150:], df['SMA_14'][-150:], label='SMA (14) - 传统', 
         linewidth=1, color='orange', alpha=0.7, linestyle='--')
plt.plot(df.index[-150:], df['EMA_14'][-150:], label='EMA (14)', 
         linewidth=1, color='green', alpha=0.7, linestyle=':')
plt.title('HMA vs SMA vs EMA 对比 (Last 150 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：不同周期HMA对比
plt.subplot(2, 1, 2)
plt.plot(df.index[-150:], df['close'][-150:], label='Close Price', 
         linewidth=1, alpha=0.5, color='black')
plt.plot(df.index[-150:], df['HMA_9'][-150:], label='HMA (9) - 短线', 
         linewidth=1, alpha=0.7)
plt.plot(df.index[-150:], df['HMA_14'][-150:], label='HMA (14) - 标准', 
         linewidth=1.5, color='blue')
plt.plot(df.index[-150:], df['HMA_20'][-150:], label='HMA (20) - 中线', 
         linewidth=1.5, color='green')
plt.plot(df.index[-150:], df['HMA_50'][-150:], label='HMA (50) - 长线', 
         linewidth=1.5, color='purple')

# 标记穿越信号
buy_signals = df[df['cross_above']]
sell_signals = df[df['cross_below']]
plt.scatter(buy_signals.index[-25:], buy_signals['close'][-25:], 
            color='green', marker='^', s=60, label='买入信号（价格上穿）', alpha=0.8)
plt.scatter(sell_signals.index[-25:], sell_signals['close'][-25:], 
            color='red', marker='v', s=60, label='卖出信号（价格下穿）', alpha=0.8)

plt.title('HMA：不同周期对比与穿越信号', fontsize=14)
plt.xlabel('Date')
plt.ylabel('Price')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ========== 第十步：不同周期平滑效果对比图 ==========
plt.figure(figsize=(14, 6))
plt.plot(df.index[-150:], df['close'][-150:], label='Close Price', 
         linewidth=1, alpha=0.4, color='black')
plt.plot(df.index[-150:], df['HMA_9'][-150:], label='HMA (9) - 敏感', 
         linewidth=1, alpha=0.8)
plt.plot(df.index[-150:], df['HMA_20'][-150:], label='HMA (20) - 平衡', 
         linewidth=1.5, color='blue')
plt.plot(df.index[-150:], df['HMA_50'][-150:], label='HMA (50) - 平滑', 
         linewidth=1.5, color='green')
plt.title('HMA：不同周期灵敏度对比 (9, 20, 50)', fontsize=14)
plt.xlabel('Date')
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

# ========== 第十一步：数据清洗提示 ==========
nan_count = df['HMA_14'].isna().sum()
print(f"\nHMA初始NaN数量：{nan_count}")
print("原因：HMA需要至少length个周期的数据才能完成WMA计算")
print("处理建议：df_clean = df.iloc[14:].copy()")
print("\n" + "=" * 60)
print("HMA使用提示：")
print("1. HMA是移动平均线的重大改进，极大减少了滞后")
print("2. 上升HMA表示上升趋势，下降HMA表示下降趋势")
print("3. 价格上穿HMA是买入信号，下穿是卖出信号")
print("4. HMA拐点（方向变化）是最核心的交易信号（艾伦·赫尔推荐）")
print("5. 短线交易建议用9-14周期，趋势跟踪建议用50-100周期")
print("6. 建议与RSI、MACD等指标配合使用，提高信号可靠性")
print("7. 低波动期HMA可能产生假信号，建议结合市场环境判断")
print("=" * 60)

5. 关键注意事项

周期参数的选择：HMA的周期参数length决定了指标的灵敏度。周期越小（如9），HMA越贴近价格，反应越灵敏，适合短线交易；周期越大（如50），HMA越平滑，适合识别长期趋势方向。

非整数周期的处理：在计算length/2和sqrt(length)时，pandas_ta使用int()进行取整处理。这是标准做法，与各交易平台保持一致。

与传统均线的对比优势：从上面的可视化结果可以明显看出，HMA相比SMA和EMA，在保持平滑的同时，对价格变化的响应更快，趋势转折点出现得更早。

五、总结

HMA（赫尔移动平均线）是移动平均线家族中的一项重大创新，其核心价值与定位如下：

实战使用三原则：

1. 方向优先，穿越确认：HMA的方向是趋势判断的首要依据，价格穿越HMA可作为入场时机参考。上升趋势中只考虑做多，下降趋势中只考虑做空
2. 拐点是最核心信号：根据艾伦·赫尔的建议，HMA的转折点（从下行转上行/从上行转下行）是最可靠的交易信号，应优先于价格穿越信号使用
3. 长短周期配合：短周期HMA（9-14）用于捕捉入场时机，长周期HMA（50-200）用于确认主趋势方向。当两者方向一致时，信号可靠性最高

最后提醒：HMA的最大价值在于它用数学方法解决了移动平均线“平滑”与“灵敏”之间的矛盾。它是少数能够在实战中让交易者“鱼与熊掌兼得”的工具——既保留了趋势跟踪的平滑性，又几乎消除了传统均线的滞后。然而，HMA不是完美无缺的，在横盘震荡市场中同样可能产生假信号。因此，建议将HMA与其他技术指标（如RSI、MACD）和成交量分析结合使用，构建完整的交易决策系统。无论使用何种指标，都需结合市场具体环境进行综合判断。