聚宽强力指数(Force Index)策略指南

强力指数 (Force Index) 交易策略

强力指数（Force Index，简称 FI）是由亚历山大·埃尔德（Alexander Elder）博士开发的指标。它结合了价格变动和成交量来衡量市场移动背后的力量。

策略原理

强力指数的核心逻辑是：

价格变动表明了多空双方力量的对比。

成交量表明了这种力量的强度。

计算公式：

$$FI_1 = (Close_{today} - Close_{yesterday}) \times Volume_{today}$$

原始的 FI 波动非常剧烈，通常需要使用指数移动平均（EMA）进行平滑。

经典的 2 日 EMA 强力指数策略（Elder's 2-day EMA Force Index）

这是一个经典的“顺势回调买入”策略：

趋势判断：使用较长周期的均线（如 22 日 EMA）判断主趋势。

当收盘价 > 22日 EMA，视为上升趋势。

当收盘价 < 22日 EMA，视为下降趋势。

强力指数：计算 FI 的 2 日 EMA。

买入信号：

趋势向上（收盘价 > 22日 EMA）。

FI(2) < 0（表示主力资金在洗盘或短期回调，是买入良机）。

卖出信号：

趋势反转（收盘价 < 22日 EMA）。

或者当 FI(2) 创出新高后回落（止盈，本策略演示简化为趋势反转卖出）。

策略代码实现

以下是在 JoinQuant 平台上实现的完整策略代码。该策略选取单只标的（如平安银行）进行演示，您可以根据需要修改为多只股票。

# -*- coding: utf-8 -*-

import pandas as pd

import numpy as np

from jqdata import *

def initialize(context):

"""

初始化函数，设定基准、手续费、滑点及策略参数

"""

# 设定沪深300作为基准

set_benchmark('000300.XSHG')

# 开启动态复权模式(真实价格)

set_option('use_real_price', True)

# 过滤掉order系列API产生的比error级别低的log

log.set_level('order', 'error')

# 设定手续费：股票类每笔交易时的手续费是：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱

set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')

# 设定要操作的股票，这里以平安银行为例

g.security = '000001.XSHE'

# 策略参数

g.trend_ema_span = 22 # 用于判断长期趋势的EMA周期 (如22日)

g.fi_ema_span = 2 # 强力指数的平滑EMA周期 (通常为2日或13日)

# 每天开盘时运行

run_daily(market_open, time='09:30')

def market_open(context):

"""

每日交易逻辑

"""

security = g.security

# 1. 获取历史数据

# 我们需要足够的数据来计算EMA，这里取60天以确保EMA计算稳定

# fields包含收盘价和成交量

h_data = attribute_history(security, 60, '1d', ['close', 'volume'], skip_paused=True)

# 如果数据不足（例如刚上市），则跳过

if len(h_data) < g.trend_ema_span + 2:

return

# 2. 计算趋势指标 (22日 EMA)

# 使用pandas的ewm方法计算指数移动平均

close_prices = h_data['close']

trend_ema = close_prices.ewm(span=g.trend_ema_span, adjust=False).mean()

current_trend_ema = trend_ema[-1]

current_price = close_prices[-1]

# 3. 计算强力指数 (Force Index)

# FI = (今日收盘 - 昨日收盘) * 今日成交量

# diff() 计算今日与昨日的差价

price_diff = close_prices.diff()

# 计算原始 Force Index

raw_fi = price_diff * h_data['volume']

# 对 Force Index 进行 EMA 平滑 (2日 EMA)

fi_ema_series = raw_fi.ewm(span=g.fi_ema_span, adjust=False).mean()

current_fi = fi_ema_series[-1]

# 4. 获取当前账户资金和持仓

cash = context.portfolio.available_cash

position = context.portfolio.positions[security].closeable_amount

# 5. 生成交易信号

# 判断趋势：收盘价在22日均线之上为上升趋势

is_uptrend = current_price > current_trend_ema

# 买入条件：

# 1. 处于上升趋势 (Price > EMA22)

# 2. 强力指数小于0 (FI < 0)，代表短期回调，是买入机会

# 3. 当前无持仓 (简化逻辑，避免重复加仓)

if is_uptrend and current_fi < 0 and position == 0:

if cash > 0:

# 全仓买入

order_value(security, cash)

log.info("买入信号触发: 价格(%.2f) > 趋势均线(%.2f) 且 FI(%.2f) < 0" % (current_price, current_trend_ema, current_fi))

# 卖出条件：

# 1. 趋势反转 (Price < EMA22)

# 2. 当前有持仓

elif not is_uptrend and position > 0:

# 清仓

order_target(security, 0)

log.info("卖出信号触发: 趋势反转，价格(%.2f) < 趋势均线(%.2f)" % (current_price, current_trend_ema))

# 记录数据以便在回测图中查看

record(Price=current_price, Trend_EMA=current_trend_ema, FI=current_fi)

代码解析

数据获取 (attribute_history):

我们需要 close (收盘价) 和 volume (成交量)。

获取 60 天的数据是为了消除 EMA 计算初期的不稳定，确保计算结果准确。

计算趋势 EMA:

使用 pandas.Series.ewm(span=22, adjust=False).mean() 计算价格的 22 日指数移动平均线。这是用来界定主趋势的“过滤器”。

计算强力指数 (FI):

price_diff = close_prices.diff()：计算 $Close_{today} - Close_{yesterday}$。

raw_fi = price_diff * h_data['volume']：计算原始强力指数。

fi_ema_series = raw_fi.ewm(span=2, ...)：对原始 FI 进行 2 日平滑处理，得到最终指标。

交易逻辑:

买入: 只有当价格位于长期均线之上（上升趋势），且 FI 指标跌破 0 轴（表示短期卖压释放，价格回调）时买入。这符合“顺大势，逆小势”的原则。

卖出: 当价格跌破长期均线时，认为趋势结束，进行止损或止盈。

常见问题 (Q&A)

Q1: 为什么强力指数要乘以成交量？

A: 单纯的价格变化可能具有欺骗性。如果价格上涨但成交量很小，说明上涨动力不足（量价背离）。强力指数通过引入成交量，放大了伴随巨量成交的价格变动，过滤了无量波动的噪音。

Q2: 2日 EMA 和 13日 EMA 的 FI 有什么区别？

A:

2日 EMA FI：非常敏感，主要用于寻找上升趋势中的短期回调买点（即本策略使用的逻辑）。

13日 EMA FI：相对平滑，主要用于确认长期趋势的变化。如果 13日 FI 持续大于0，说明多头力量主导；持续小于0，说明空头力量主导。

Q3: 如何优化这个策略？

A:

止盈优化：目前的策略是趋势反转才卖出。可以优化为当 FI 达到某个极高的正值（表示买盘力量耗尽，情绪过热）时分批止盈。

多股票轮动：将策略应用到股票池中，选取 FI 最低（回调最深）且趋势向上的前 N 只股票进行轮动。

结合其他指标：结合 RSI 或 MACD 来过滤假信号。

Q4: 为什么使用 adjust=False 计算 EMA？

A: 在 Pandas 中，adjust=True 会计算递归的加权平均，而 adjust=False 更接近于传统的金融技术指标计算公式 $EMA_{today} = \alpha \times Price + (1-\alpha) \times EMA_{yesterday}$。在量化软件中通常使用 adjust=False 以匹配主流看盘软件的结果。