新型震荡器CyberOsc指标详解及完整策略源码（含图）

大家好，我是花姐，今天带来一个冷门但极具实战价值的振荡器指标------Cybernetic Oscillator ，简称：CyberOsc。

这个指标可能你第一次听说，甚至连图都没看过，但我可以直接说重点：

它是真·没有延迟的震荡器，来自信号处理领域的大佬 John Ehlers，既能捕捉趋势，又能回避噪声，关键还自带归一化。

你可能在想------不就一个震荡器吗？又不是 RSI、MACD，还要搞得这么复杂？

那你可能小看了 Ehlers这老哥的实力了......

---

这人谁啊？他怎么跟炒股扯上关系了？

John F. Ehlers，是信号处理出身的工程师，后来转行搞量化，几十年来一直在研究"怎么用滤波器去除K线的噪声"。

他最牛的一点是：他从不盲目相信价格，而是把价格当成"噪声信号"，用物理学方式去提纯它。

他发明了一堆神奇的指标，比如：

• SuperSmoother Filter（超平滑滤波）
• Decycler（去周期滤波）
• Roofing Filter（屋顶滤波器）

在 2024 年 6 月 TASC 杂志里，他又甩出来一个新工具------就是今天的主角：

Cybernetic Oscillator：你可以理解成"低延迟的归一化价格震荡器"。

---

原理讲清楚：3步搞定CyberOsc

简单粗暴理解下它的构造：

1. 高通滤波器：去掉长期趋势干扰（提取短期变化）
2. 低通滤波器：再把多余的噪声滤掉
3. 归一化：标准化振幅，方便识别超买超卖

通俗点说，它比 RSI 更聪明、比 MACD 更灵活、比 KDJ 更少骗线。

花姐手动撸出来的Python代码如下：

import numpy as np
import pandas as pd

def highpass_filter(series, length):
    alpha = (np.cos(np.pi * 1 / length) + np.sin(np.pi * 1 / length) - 1) / np.cos(np.pi * 1 / length)
    hp = pd.Series(index=series.index, dtype='float64')
    hp.iloc[0:2] = 0
    for i in range(2, len(series)):
        hp.iloc[i] = 0.5 * (1 + alpha) * (series.iloc[i] - series.iloc[i-1]) + (1 - alpha) * hp.iloc[i-1]
    return hp

def supersmoother(series, length):
    a1 = np.exp(-1.414 * np.pi / length)
    b1 = 2 * a1 * np.cos(1.414 * np.pi / length)
    c2 = b1
    c3 = -a1 * a1
    c1 = 1 - c2 - c3

    ss = pd.Series(index=series.index, dtype='float64')
    ss.iloc[0:2] = series.iloc[0:2]
    for i in range(2, len(series)):
        ss.iloc[i] = c1 * series.iloc[i] + c2 * ss.iloc[i-1] + c3 * ss.iloc[i-2]
    return ss

def cyber_oscillator(series, hp_len=30, lp_len=20, norm_window=100):
    hp = highpass_filter(series, hp_len)
    lp = supersmoother(hp, lp_len)
    rms = lp.rolling(norm_window).apply(lambda x: np.sqrt(np.mean(np.square(x))), raw=True)
    return lp / (rms.replace(0, np.nan))

---

画个图看看效果

这里我用AKShare库获取了某个股票的历史日线行情，然后绘制了k线和2条CyberOsc指标线

import cyber_osc
import akshare as ak
import mplfinance as mpf
import matplotlib.pyplot as plt
import pandas as pd

# 获取xxxxx股票的日K线（支持到分钟级）
df = ak.stock_zh_a_hist(symbol="换成你的股票代码",period='daily',start_date='20000101',adjust='hfq')  # 深交所的要用 sz 开头
# 统一列名
df.rename(columns={
    '日期': 'date',
    '开盘': 'Open',
    '最高': 'High',
    '最低': 'Low',
    '收盘': 'Close',
    '成交量': 'Volume',
}, inplace=True)

# 设置时间索引，排序
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)
df = df[['Open', 'High', 'Low', 'Close', 'Volume']]
df.sort_index(inplace=True)

df['CyberOsc1'] = cyber_osc.cyber_oscillator(df['Close'], hp_len=30, lp_len=20)
df['CyberOsc2'] = cyber_osc.cyber_oscillator(df['Close'], hp_len=250, lp_len=20)
# print(df)

# 截取最近500天的数据
df_plot = df[-500:].copy()

# 创建图表
fig = mpf.figure(style='yahoo', figsize=(14, 8))
gs = fig.add_gridspec(4, 1)  # 总共4格，K线占2格
ax1 = fig.add_subplot(gs[0:2, 0])  # K线图，占前2格
ax2 = fig.add_subplot(gs[2, 0], sharex=ax1)  # CyberOsc1
ax3 = fig.add_subplot(gs[3, 0], sharex=ax1)  # CyberOsc2

# 绘制K线
mpf.plot(df_plot, type='candle', ax=ax1, volume=False, show_nontrading=True)

# 绘制CyberOsc1
ax2.plot(df_plot.index, df_plot['CyberOsc1'], label='CyberOsc1', color='blue')
ax2.axhline(0, color='gray', linestyle='--', linewidth=1)
ax2.set_ylabel('CyberOsc1')
ax2.legend()
ax2.grid(True)

# 绘制CyberOsc2
ax3.plot(df_plot.index, df_plot['CyberOsc2'], label='CyberOsc2', color='orange')
ax3.axhline(0, color='gray', linestyle='--', linewidth=1)
ax3.set_ylabel('CyberOsc2')
ax3.legend()
ax3.grid(True)

plt.suptitle('kline + CyberOsc', fontsize=14)
plt.tight_layout()
plt.subplots_adjust(top=0.93)
plt.show()

👇效果图如下

• 它围绕 0 上下波动，振幅标准化了
• 上穿 0，代表短期强势信号
• 下穿 0，可能是短期回落信号

是不是感觉比传统震荡指标"更稳重"一点？

---

做个策略测试 ------ 用它来做趋势跟踪交易！

我们设计一个非常简单的策略逻辑：

• 如果短周期 CyberOsc > 0 且 长周期 CyberOsc > 0，就全仓梭哈
• 如果任何一个 < 0，就平仓

第一步：先获取行情数据，然后根据上面的指标计算公式计算出cyber1和cyber2这2个指标。

df = ak.stock_zh_a_hist(symbol="股票代码",period='daily',start_date='20000101',adjust='hfq') 
    # 统一列名
    df.rename(columns={
        '日期': 'date',
        '开盘': 'Open',
        '最高': 'High',
        '最低': 'Low',
        '收盘': 'Close',
        '成交量': 'Volume',
    }, inplace=True)

    # 设置时间索引，排序
    df['date'] = pd.to_datetime(df['date'])
    df.set_index('date', inplace=True)
    df = df[['Open', 'High', 'Low', 'Close', 'Volume']]
    df.sort_index(inplace=True)

    df['cyber1'] = cyber_osc.cyber_oscillator(df['Close'], hp_len=30, lp_len=20)
    df['cyber2'] = cyber_osc.cyber_oscillator(df['Close'], hp_len=250, lp_len=20)

    # 补 openinterest 列（Backtrader 要求）
    df["openinterest"] = 0

    # 保留回测需要的字段
    bt_df = df[["Open", "High", "Low", "Close", "Volume", "openinterest", "cyber1", "cyber2"]]
    return bt_df

第二步：定义自定义数据类

class CustomData(bt.feeds.PandasData):
    lines = ('cyber1', 'cyber2',)
    params = (('cyber1', -1), ('cyber2', -1),)

第三步：策略逻辑

两个cyber都大于0就全仓干，小于0就平仓

class CyberOscStrategy(bt.Strategy):
    def next(self):
        if not self.position:
            if self.data.cyber1[0] > 0 and self.data.cyber2[0] > 0:
                cash = self.broker.getcash()
                size = int(cash / self.data.close[0])
                if size > 0:
                    self.buy(size=size)
        else:
            if self.data.cyber1[0] < 0 or self.data.cyber2[0] < 0:
                self.close()

第三步：启动回测框架

# 获取数据
bt_df = get_hq().tail(500)  # 截取最近500天的数据

# 创建回测引擎
cerebro = bt.Cerebro()
cerebro.addstrategy(CyberOscStrategy)

# 加载数据
data = CustomData(dataname=bt_df)
cerebro.adddata(data)

# 设置资金、手续费
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.001)

print(f"初始资金: {cerebro.broker.getvalue():.2f}")
cerebro.run()
print(f"回测结束资金: {cerebro.broker.getvalue():.2f}")

# 画图
cerebro.plot(style='candlestick')

初始资金: 100000.00 回测结束资金: 110194.57

500天收益达到了10.19%还不错！

这里只是抛砖引玉，想要把CyberOsc应用到真正的实盘策略还需要不断的打磨调整参数。

---

完整的代码花姐已经放到星球了，欢迎大家下载。

本策略仅作学术交流，回测结果不代表未来表现，市场有风险，决策需谨慎