Mann-Kendall算法用于金融品种长周期趋势判断和变点检测，以及策略思路

之前在研究用机器学习库Sci-kit做计算指标(特征值)和金融产品趋势(分类)关系学习的时候，对于如何判断趋势，是直接使用当前之后5根k线close值做线性回归，如果拟合的P值可信的直线斜率向上则是上涨，斜率向下则是下跌。具体代码可以见之前我之前blog。

在vnpy有个网友讨论，为什么用这样方法判断趋势的时候；我做了些搜索，才发现判断一组时序队列的趋势并不是一个简单的事情，虽然人眼看很直接，但是数学分析并不简单，尤其考虑置信范围和变点存在。

• 所谓置信范围一两句说不清，可以看看这个问答，我的理解95%置信区间就是在这个一个时序队列里面95%都是符合上涨趋势，但是存在5%可能不符合： https://www.zhihu.com/question/26419030

• 突变点：变点理论是统计学中的一个经典分支，其基本定义是在一个序列或过程中，当某个统计特性（分布类型、分布参数）在某时间点受系统性因素而非偶然性因素影响发生变化，我们就称该时间点为变点。变点识别即利用统计量或统计方法将该变点位置估计出来。这里主要是用数学方法，过滤出偶尔出现的异常点，和真正改变规律的变点。

其实趋势检测和突变点检测是很数据挖掘很经典的话题，尤其在气象，水文，医药验证等，使用方法很多，从简单的均值，方差，到概率线性回归等。这里主要讲 Mann-Kendall检验法 。

其他的，网上搜到的好多：

1。均值突变的检测方法有：（1）低通滤波法；（2）t-检验法；（3）Cramer法；（4）滑动t-检验法；（5）Yamaoto法；（6）M-K法；（7）最小二乘法；（8）连续滑动t-检验法；（9）Pttitt法；（10）Lepage法；（11）局部比较法。等等。在均值突变分析中，除了突变点、突变个数的估计外，一般还要分析跃变度等。
2。方差突变的检测方法有：（1）F－检验法；（2）滑动F－检验法；（3）连续滑动F－检验法。等等。
3。线性回归突变（也称趋势突变）的检测方法有：（1）最小二乘法；（2）局部比较法；滑动参数法等等。
4。概率突变的检测方法有：（1）极大似然法；（2）累计次数法；（3）Bayes法；等等。

曼－肯德尔法又称Mann—Kenddall 检验法，是一种气候诊断与预测技术，应用Mann-Kendall检验法可以判断气候序列中是否存在气候突变，如果存在，可确定出突变发生的时间。Mann-Kendall检验法也经常用于气候变化影响下的降水、干旱频次趋势检测。Mann—Kenddall的检验方法是非参数方法。非参数检验方法亦称无分布检验，其优点是不需要样本遵从一定的分布，也不受少数异常值的干扰，更适用于类型变量和顺序变量，计算也比较简便。

具体算法推导不讲了，主要有两种用法，一个是计算这个时序队列的趋势；还有一个是算这个时序队列是否有变点，如果有，是队列中几个点。

代码之前自己写了一些，后来在这个链接发现一个非常全的，修改引用了。他还有其他几个突变点算法的python程序化，可以学习。

https://blog.csdn.net/u012111465/article/details/82016757

一，趋势校验，算法如下

def Mann_Kenddall_Trend_desc(inputdata):
    # 计算总趋势秩次和
    inputdata = np.array(inputdata)
    n = inputdata.shape[0]
    sum_sgn = 0
    for i in np.arange(n):
        if i <= (n - 1):
            for j in np.arange(i+1,n):
                if inputdata[j] > inputdata[i]:
                    sum_sgn = sum_sgn+1
                elif inputdata[j] < inputdata[i]:
                    sum_sgn = sum_sgn-1
                else:
                    sum_sgn = sum_sgn
    # 计算Z统计值
    if n <= 10:
        Z_value = sum_sgn/(n*(n-1)/2)
    else:
        if sum_sgn > 0:
            Z_value = (sum_sgn-1)/np.sqrt(n*(n-1)*(2*n+5)/18)
        elif sum_sgn == 0:
            Z_value = 0
        else:
            Z_value = (sum_sgn+1)/np.sqrt(n*(n-1)*(2*n+5)/18)
    # 趋势描述
    # 99% ——> +—2.576
    # 95% ——> +—1.96
    # 90% ——> +—1.645
    if np.abs(Z_value) > 1.96 and np.abs(Z_value) <= 2.576:
        if Z_value > 0:
            result_desc = u"95% up"
        else:
            result_desc = u"95% down"
    elif np.abs(Z_value) > 2.576:
        if Z_value > 0:
            result_desc = u"99% up"
        else:
            result_desc = u"99% down"
    else:
        result_desc     = u"not trendency"
    return result_desc

二，突变点校验

def Kendall_change_point_detection(inputdata):
    inputdata = np.array(inputdata)
    n=inputdata.shape[0]
    # 正序列计算---------------------------------
    # 定义累计量序列Sk，初始值=0
    Sk             = [0]
    # 定义统计量UFk，初始值 =0
    UFk            = [0]
    # 定义Sk序列元素s，初始值 =0
    s              =  0
    Exp_value      = [0]
    Var_value      = [0]
    # i从1开始，因为根据统计量UFk公式，i=0时，Sk(0)、E(0)、Var(0)均为0
    # 此时UFk无意义，因此公式中，令UFk(0)=0
    for i in range(1,n):
        for j in range(i):
            if inputdata[i] > inputdata[j]:
                s = s+1
            else:
                s = s+0
        Sk.append(s)
        Exp_value.append((i+1)*(i+2)/4 )                     # Sk[i]的均值
        Var_value.append((i+1)*i*(2*(i+1)+5)/72 )            # Sk[i]的方差
        UFk.append((Sk[i]-Exp_value[i])/np.sqrt(Var_value[i]))
    # ------------------------------正序列计算
    # 逆序列计算---------------------------------
    # 定义逆序累计量序列Sk2，长度与inputdata一致，初始值=0
    Sk2             = [0]
    # 定义逆序统计量UBk，长度与inputdata一致，初始值=0
    UBk             = [0]
    UBk2            = [0]
    # s归0
    s2              =  0
    Exp_value2      = [0]
    Var_value2      = [0]
    # 按时间序列逆转样本y
    inputdataT = list(reversed(inputdata))
    # i从2开始，因为根据统计量UBk公式，i=1时，Sk2(1)、E(1)、Var(1)均为0
    # 此时UBk无意义，因此公式中，令UBk(1)=0
    for i in range(1,n):
        for j in range(i):
            if inputdataT[i] > inputdataT[j]:
                s2 = s2+1
            else:
                s2 = s2+0
        Sk2.append(s2)
        Exp_value2.append((i+1)*(i+2)/4 )                     # Sk[i]的均值
        Var_value2.append((i+1)*i*(2*(i+1)+5)/72 )            # Sk[i]的方差
        UBk.append((Sk2[i]-Exp_value2[i])/np.sqrt(Var_value2[i]))
        UBk2.append(-UBk[i])
    # 由于对逆序序列的累计量Sk2的构建中，依然用的是累加法，即后者大于前者时s加1，
    # 则s的大小表征了一种上升的趋势的大小，而序列逆序以后，应当表现出与原序列相反
    # 的趋势表现，因此，用累加法统计Sk2序列，统计量公式(S(i)-E(i))/sqrt(Var(i))
    #也不应改变，但统计量UBk应取相反数以表征正确的逆序序列的趋势
    #  UBk(i)=0-(Sk2(i)-E)/sqrt(Var)
    # ------------------------------逆序列计算
    # 此时上一步的到UBk表现的是逆序列在逆序时间上的趋势统计量
    # 与UFk做图寻找突变点时，2条曲线应具有同样的时间轴，因此
    # 再按时间序列逆转结果统计量UBk，得到时间正序的UBkT，
    UBkT = list(reversed(UBk2))
    diff = np.array(UFk) - np.array(UBkT)
    K    = list()
    # 找出交叉点
    for k in range(1,n):
        if diff[k-1]*diff[k]<0 and (UFk[k] > 1.96 or UFk[k] < -1.96) :
            K.append(k)
    # 做突变检测图时，使用UFk和UBkT
    return K

最后，我尝试着用M-K做了期货策略；长周期来看回测效果还不错，但是太长了，往往就超过一个品种期间，存在跨期的风险。感觉不是和做期货。

对于股票的大蓝筹和etf更加适合，用于长线的投资。

策略思路说下：

1. 读取历史数据，载入close数据；分析过去一组数据中是否存在变异点

2. 如果有变异点，分析从变异点到最近一个close的趋势，是否满足95%置信区间

3. 如果满足，结合一些指标，比如布林线，唐安琦等买入或者卖出

4. 持有后，继续监控趋势，如果低于90%置信区间，平仓。
   

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/22259926/viewspace-2651575/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/22259926/viewspace-2651575/