Momentum：QQE（定量定性估计）技术指标详解

Momentum：QQE（定量定性估计）技术指标详解

一、QQE的定义

QQE（Quantitative Qualitative Estimation，定量定性估计指标） 是一种基于RSI（相对强弱指数）的动量指标，由原始版本经过Roman Ignatov（2006年）、Tim Hyder（2008年）及EarnForex团队（2010年）等多次改进而成，并在MQL4/MQL5交易平台上广泛应用。

核心思想

QQE的设计理念是回答一个关键问题：如何从趋势确认和震荡识别两个角度同时解读市场状态？

传统的RSI虽然能识别超买超卖，但在强趋势中容易钝化。QQE通过引入动态追踪线（Trailing Levels） 的概念，对RSI值进行双重平滑，并以此构建上下轨道。这样一来，QQE既能像传统震荡指标一样判断超买超卖，又能像趋势指标一样通过轨道穿越来确认趋势方向。

QQE与RSI的核心区别

特性	QQE	传统RSI
基础算法	平滑RSI + 波动率追踪线	原始RSI计算
信号维度	趋势+震荡（双维度）	震荡（单维度）
趋势确认方式	价格/SmoothRSI穿越轨道	无法确认趋势
钝化问题	通过动态轨道缓解	强趋势中严重钝化

核心组成部分

组成部分	默认名称	功能描述
SmoothRSI	主线（红色）	经过双重平滑处理的RSI值，是QQE的核心
FastTL（快速追踪线）	快线（黄色）	波动率加权上/下轨，用于捕捉短期趋势变化
SlowTL（慢速追踪线）	慢线（青色）	波动率加权上/下轨，提供更稳定的参考

二、QQE的计算方法

1. 核心公式框架

QQE的计算建立在RSI之上，共包含五个主要步骤：

第一步：计算RSI值

对于默认周期length=14：

RSI=100−1001+平均涨幅平均跌幅=100×平均涨幅平均涨幅+平均跌幅 \mathrm{RSI} = 100 − \frac{100}{1 + \frac{平均涨幅}{平均跌幅}} = 100\times \frac{平均涨幅}{平均涨幅+平均跌幅} RSI=100−1+平均跌幅平均涨幅100=100×平均涨幅+平均跌幅平均涨幅

第二步：计算平滑RSI

SmoothRSI=EMA(RSI,smooth) \mathrm{SmoothRSI=EMA(RSI,smooth)} SmoothRSI=EMA(RSI,smooth)

其中smooth是RSI的平滑周期，默认值为5。

第三步：计算波动率（TR of SmoothRSI）

计算平滑RSI的真实波幅（True Range）：

TRRSI=∣SmoothRSIt−SmoothRSIt−1∣ \mathrm{TR_{RSI}}=|\mathrm{SmoothRSI}t − \mathrm{SmoothRSI}{t−1}| TRRSI=∣SmoothRSIt−SmoothRSIt−1∣

第四步：双重平滑处理

WildersSmoothing=Wilders(TRRSI,length×2−1)DoubleSmoothing=Wilders(WildersSmoothing,WildersPeriod) \begin{align} \mathrm{WildersSmoothing} &= \mathrm{Wilders(TR_{RSI},length \times 2 − 1)} \\ \mathrm{DoubleSmoothing} &= \mathrm{Wilders(WildersSmoothing,WildersPeriod)} \end{align} WildersSmoothingDoubleSmoothing=Wilders(TRRSI,length×2−1)=Wilders(WildersSmoothing,WildersPeriod)

根据 ProRealCode 的实现，Wilders周期计算方式为：WildersPeriod=RSILength×2−1\mathrm{WildersPeriod = RSILength \times 2−1}WildersPeriod=RSILength×2−1。

最终QQE带宽为：

QQE带宽=DoubleSmoothing×factor \mathrm{QQE带宽 = DoubleSmoothing \times factor} QQE带宽=DoubleSmoothing×factor

其中factor默认值为4.236。

第五步：构建追踪线轨道

追踪线的构建采用递归判断逻辑：

上升趋势规则 ：

UpperBandt=max⁡⁡(SmoothRSIt,UpperBandt−1) \mathrm{UpperBand}_t = \max⁡(\mathrm{SmoothRSI}t, \mathrm{UpperBand}{t−1}) UpperBandt=max⁡(SmoothRSIt,UpperBandt−1)

下降趋势规则 ：

LowerBandt=min⁡⁡(SmoothRSIt,LowerBandt−1) \mathrm{LowerBand}_t = \min⁡(\mathrm{SmoothRSI}t, \mathrm{LowerBand}{t−1}) LowerBandt=min⁡(SmoothRSIt,LowerBandt−1)

如果 SmoothRSI[t] > 上轨[t-1]:
    上轨[t] = max(SmoothRSI[t], 上轨[t-1])
    趋势向上
否则如果 SmoothRSI[t] < 下轨[t-1]:
    下轨[t] = min(SmoothRSI[t], 下轨[t-1])
    趋势向下
否则:
    上轨[t] = 上轨[t-1]
    下轨[t] = 下轨[t-1]

这一递归逻辑使追踪线具有记忆性------轨道在趋势延续时锁定，在穿越时重置。

2. 参数说明（pandas_ta版本）

参数	类型	默认值	说明
length	int	14	RSI计算周期
smooth	int	5	平滑RSI的EMA周期
factor	float	4.236	波动率乘数（带宽系数）
mamode	str	"ema"	移动平均类型

3. 其他版本的参数对比

不同交易平台对QQE的参数定义略有差异：

平台	参数配置	说明
pandas_ta	length=14, smooth=5, factor=4.236	标准三参数版本
TradeStation	RSILength=14, ATRLength=27, FastATRMult=2.618, SlowATRMult=4.236	四参数版本
ProRealCode	RSIPeriod=14, SF=5, QQE=4.236	经典三参数

4. 计算示例

以示例数据演示核心计算流程：

已知：

• length = 14，smooth = 5，factor = 4.236
• 假设前一日SmoothRSI = 52.5
• 当前SmoothRSI = 55.0
• 双平滑波动率值 = 0.8

第一步：计算带宽

• QQE带宽 = 0.8 × 4.236 = 3.3888

第二步：构建轨道

• 如果趋势向上：UpperBand = max(55.0, 55.0 - 3.3888) = 55.0
• 如果趋势向下：LowerBand = min(55.0, 55.0 + 3.3888) = 55.0

注意：实际应用中，轨道的维持和更新取决于SmoothRSI与前一周期轨道的比较结果。

三、QQE的使用方法

1. 趋势判断------最核心用法

QQE提供了双层次的趋势确认机制：

方法一：价格确认法（最直观）

趋势信号	触发条件	操作建议
长期看涨	SmoothRSI > 50 且 价格在慢速TL上方运行	顺势做多，持仓为主
长期看跌	SmoothRSI < 50 且 价格在慢速TL下方运行	顺势做空，持仓为主

方法二：轨道穿越法

趋势信号	触发条件	操作建议
买入信号	SmoothRSI从下向上突破上轨（FastTL）	趋势由弱转强，买入进场
卖出信号	SmoothRSI从上向下跌破下轨（SlowTL）	趋势由强转弱，卖出离场

当SmoothRSI有效突破上轨时，表明市场动量强劲，多单可继续持有；反之跌破下轨时，空头占据主导。

2. 轨道交叉策略

QQE MOD版本的动态轨道交叉是较灵敏的信号：

交叉类型	触发条件	含义
多头排列	FastTL > SlowTL（快线在慢线上方）	短期动量强于长期，市场强势
空头排列	FastTL < SlowTL（快线在慢线下方）	短期动量弱于长期，市场疲软

与传统QQE相比，QQE MOD增加了动态滤波技术，对高波动市场适应性更强，能有效降低假信号。

3. 超买超卖识别

尽管QQE偏向趋势判断，但它仍保留了RSI在超买超卖识别上的优势：

状态	SmoothRSI区间	操作建议
超买	SmoothRSI > 70	警惕回调，短期勿追高
超卖	SmoothRSI < 30	关注反弹，短期勿杀跌

核心提示：与传统RSI不同，QQE的追踪线可以在强趋势中帮助交易者区分"真正的趋势延续"和"超买钝化"。

4. 背离信号

背离类型	价格表现	QQE（SmoothRSI）表现	操作含义
顶背离	价格创出新高	SmoothRSI未能创出新高	上涨动能衰竭，减仓或止盈
底背离	价格创出新低	SmoothRSI未能创出新低	下跌动能衰竭，准备抄底

5. 与其他指标的配合策略

配合指标	作用	具体用法
ADX	趋势强度确认	ADX > 25 + QQE显示趋势 → 加仓信号
移动平均线	价格位置确认	价格 > MA50 + SmoothRSI > 50 → 多头确认
成交量	突破验证	QQE突破 + 成交量放大 → 突破真实可信

6. 注意事项与局限性

使用QQE前需了解以下要点：

局限性	说明
并非买卖信号发生器	QQE更适合判断趋势状态，买卖时机需结合K线形态等确认
强趋势中可能钝化	在极强趋势中，SmoothRSI可能长期处于极值区
参数敏感度高	factor值（默认4.236）是黄金分割率的衍生，除非有特殊需求，否则不建议随意修改
不同平台实现差异	TradeStation版本有FastTL和SlowTL两条线，而pandas_ta版本在边界处理上可能存在差异

四、使用pandas_ta计算QQE（附示例代码）

1. pandas_ta中的QQE函数

pandas_ta库内置了QQE指标的完整实现，函数位于momentum模块中。

2. 函数完整参数

pandas_ta.momentum.qqe(close, length=None, smooth=None, factor=None, mamode=None, drift=None, offset=None, **kwargs)

参数详解：

参数	类型	默认值	说明
close	pd.Series	必需	收盘价序列
length	int	14	RSI计算周期
smooth	int	5	平滑RSI的EMA周期
factor	float	4.236	QQE乘数（波动率权重）
mamode	str	"ema"	移动平均类型
drift	int	1	价格变化步长
offset	int	0	结果偏移周期数

返回值 ：pd.DataFrame------包含四列：

• QQE_{length}_{smooth}_{factor}：主轨道值
• RSI_MA_{length}_{smooth}_{factor}：平滑RSI（等同于SmoothRSI）
• QQEl_{length}_{smooth}_{factor}：下轨（Long信号线）
• QQEs_{length}_{smooth}_{factor}：上轨（Short信号线）

3. 示例代码

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

# ========== 第一步：准备数据 ==========
np.random.seed(42)
dates = pd.date_range(start='2023-01-01', 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, 30, n)
cycle = np.sin(np.linspace(0, 6 * np.pi, n)) * 12
noise = np.random.randn(n) * 2
price_series = 100 + trend + cycle + noise

df = pd.DataFrame(index=dates)
df['close'] = price_series
df['high'] = df['close'] + np.abs(np.random.randn(n)) * 2
df['low'] = df['close'] - np.abs(np.random.randn(n)) * 2
df['volume'] = np.random.randint(1000000, 20000000, n)

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

# ========== 第二步：计算QQE（基础用法） ==========
# 使用默认参数 length=14, smooth=5, factor=4.236
qqe_df = ta.qqe(df['close'])

# 查看返回的DataFrame结构
print("QQE返回列名称：")
print(qqe_df.columns.tolist())
print("\n" + "=" * 60 + "\n")

# 将计算结果添加到原DataFrame
df['QQE'] = qqe_df.iloc[:, 0]           # 主轨道值
df['SmoothRSI'] = qqe_df.iloc[:, 1]     # 平滑RSI
df['QQEl'] = qqe_df.iloc[:, 2]          # 下轨
df['QQEs'] = qqe_df.iloc[:, 3]          # 上轨

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

# ========== 第三步：QQE指标概览 ==========
print("QQE统计信息：")
print(f"SmoothRSI范围：[{df['SmoothRSI'].min():.2f}, {df['SmoothRSI'].max():.2f}]")
print(f"当前QQE：{df['QQE'].iloc[-1]:.2f}")

# ========== 第四步：趋势判断信号 ==========
# 50线多空分界（传统RSI逻辑）
df['bullish'] = (df['SmoothRSI'] > 50) & (df['close'] > df['close'].rolling(50).mean())
df['bearish'] = (df['SmoothRSI'] < 50) & (df['close'] < df['close'].rolling(50).mean())

# 轨道穿越信号（QQE特有）
df['signal'] = ''
df.loc[df['SmoothRSI'] > df['QQEs'], 'signal'] = 'SmoothRSI突破上轨（多）'
df.loc[df['SmoothRSI'] < df['QQEl'], 'signal'] = 'SmoothRSI跌破下轨（空）'
df.loc[(df['SmoothRSI'].shift(1) < df['QQEs'].shift(1)) & (df['SmoothRSI'] > df['QQEs']), 'signal'] = '金叉（买入信号）'
df.loc[(df['SmoothRSI'].shift(1) > df['QQEl'].shift(1)) & (df['SmoothRSI'] < df['QQEl']), 'signal'] = '死叉（卖出信号）'

print("趋势信号统计：")
print(f"多头趋势交易日占比：{df['bullish'].mean():.2%}")
print(f"空头趋势交易日占比：{df['bearish'].mean():.2%}")

print("\n最近10个轨道穿越信号：")
signals = df[df['signal'] != ''].tail(10)
if not signals.empty:
    print(signals[['close', 'SmoothRSI', 'QQEs', 'QQEl', 'signal']])
print("\n" + "=" * 60 + "\n")

# ========== 第五步：超买超卖识别 ==========
OVERBOUGHT = 70
OVERSOLD = 30

df['oscillator_signal'] = ''
df.loc[df['SmoothRSI'] > OVERBOUGHT, 'oscillator_signal'] = '超买区（警惕回调）'
df.loc[df['SmoothRSI'] < OVERSOLD, 'oscillator_signal'] = '超卖区（关注反弹）'

print("超买超卖状态统计：")
print(f"超买状态占比：{(df['SmoothRSI'] > 70).mean():.2%}")
print(f"超卖状态占比：{(df['SmoothRSI'] < 30).mean():.2%}")
print("\n" + "=" * 60 + "\n")

# ========== 第六步：背离检测（简化版） ==========
df['price_change_20d'] = df['close'].diff(20)
df['rsi_change_20d'] = df['SmoothRSI'].diff(20)

# 潜在顶背离（价格涨RSI跌）
df['potential_bearish_div'] = (df['price_change_20d'] > 0) & (df['rsi_change_20d'] < 0)
# 潜在底背离（价格跌RSI涨）
df['potential_bullish_div'] = (df['price_change_20d'] < 0) & (df['rsi_change_20d'] > 0)

print("背离信号统计（20日尺度）：")
print(f"潜在顶背离数量：{df['potential_bearish_div'].sum()}")
print(f"潜在底背离数量：{df['potential_bullish_div'].sum()}")
print("注：完整背离需结合局部极值分析，此处为简化方向对比")
print("\n" + "=" * 60 + "\n")

# ========== 第七步：策略回测（轨道穿越策略） ==========
# 策略：SmoothRSI > 上轨时持仓多头
df['position'] = (df['SmoothRSI'] > df['QQEs']).astype(int)

# 计算收益
df['returns'] = df['close'].pct_change()
df['strategy_returns'] = df['position'].shift(1) * df['returns']

total_return_buyhold = (1 + df['returns']).prod() - 1
total_return_strategy = (1 + df['strategy_returns']).prod() - 1
win_rate = (df['strategy_returns'] > 0).sum() / (df['strategy_returns'] != 0).sum() if (df['strategy_returns'] != 0).sum() > 0 else 0

print("=" * 60)
print("策略绩效统计（QQE轨道穿越策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"QQE穿越策略总收益率：{total_return_strategy:.2%}")
print(f"策略胜率：{win_rate:.2%}")
print("\n注意：此为简化回测，仅供参考")
print("=" * 60 + "\n")

# ========== 第八步：可视化 ==========
plt.figure(figsize=(14, 12))

# 子图1：价格走势
plt.subplot(2, 1, 1)
plt.plot(df.index[-150:], df['close'][-150:], label='Close Price', 
         linewidth=1.5, color='black')
plt.title('Price Chart (Last 150 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：QQE指标
plt.subplot(2, 1, 2)
plt.plot(df.index[-150:], df['SmoothRSI'][-150:], label='SmoothRSI（主线）', 
         linewidth=1.5, color='blue')
plt.plot(df.index[-150:], df['QQEs'][-150:], label='QQEs（上轨）', 
         linewidth=1, color='red', linestyle='--')
plt.plot(df.index[-150:], df['QQEl'][-150:], label='QQEl（下轨）', 
         linewidth=1, color='green', linestyle='--')
plt.plot(df.index[-150:], df['QQE'][-150:], label='QQE（中线）', 
         linewidth=1, color='purple', alpha=0.5)

# 参考水平线
plt.axhline(y=70, color='orange', linestyle=':', linewidth=1, label='超买线 (70)')
plt.axhline(y=50, color='gray', linestyle=':', linewidth=1, label='中轴 (50)')
plt.axhline(y=30, color='green', linestyle=':', linewidth=1, label='超卖线 (30)')

# 填充超买超卖区域
plt.fill_between(df.index[-150:], 70, 100, alpha=0.1, color='red', label='超买区')
plt.fill_between(df.index[-150:], 0, 30, alpha=0.1, color='green', label='超卖区')

# 标记穿越信号
buy_signals = df[(df['SmoothRSI'].shift(1) < df['QQEs'].shift(1)) & (df['SmoothRSI'] > df['QQEs'])]
sell_signals = df[(df['SmoothRSI'].shift(1) > df['QQEl'].shift(1)) & (df['SmoothRSI'] < df['QQEl'])]
plt.scatter(buy_signals.index[-20:], buy_signals['SmoothRSI'][-20:], 
            color='green', marker='^', s=80, label='买入信号', alpha=0.8)
plt.scatter(sell_signals.index[-20:], sell_signals['SmoothRSI'][-20:], 
            color='red', marker='v', s=80, label='卖出信号', alpha=0.8)

plt.title('QQE (Quantitative Qualitative Estimation) 指标', fontsize=14)
plt.xlabel('Date')
plt.ylabel('QQE Value')
plt.ylim(0, 100)
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ========== 第九步：数据清洗提示 ==========
nan_count = df['SmoothRSI'].isna().sum()
print(f"\nQQE初始NaN数量：{nan_count}")
print("原因：QQE需要至少length个周期的数据才能开始计算")
print("处理建议：df_clean = df.iloc[14:].copy()")
print("\n" + "=" * 60)
print("QQE使用提示：")
print("1. QQEs > QQEl 表示多头占优，反之空头占优")
print("2. SmoothRSI > 50 且 > QQEs 可视为强多头信号")
print("3. QQE的factor参数（默认4.236）一般不建议修改")
print("4. 在超强趋势中，轨道失效时建议改用ADX辅助判断")
print("=" * 60)

五、总结

QQE（定量定性估计指标）是一种融合RSI动量与动态趋势追踪功能的综合技术指标，其核心价值与定位如下：

维度	特点
核心创新	将RSI震荡逻辑与ATR波动率追踪结合，实现双维市场分析
计算链条	RSI → 平滑RSI → 波动率 → 双重平滑 → 动态轨道
四线结构	SmoothRSI + QQE主轨 + QQEs上轨 + QQEl下轨
三大核心信号	轨道穿越（趋势）、50线多空分界（方向）、极值区域（震荡）
默认参数	(14, 5, 4.236)
最佳应用场景	趋势策略的方向确认、动量策略的轨道突破验证
主要局限	强趋势中可能钝化、参数敏感、需要K线形态配合进场

实战使用三原则：

1. 轨道优先于极值：QQE的轨道（QQEs/QQEl）比传统70/30超买超卖线更适合趋势行情，轨道穿越应作为趋势确认的核心信号。
2. 50线决定方向：与RSI一样，50线是多空分界线。SmoothRSI在50线之上时优先考虑做多策略，之下时考虑做空策略。
3. SmoothRSI轨道突破 = 动能确认：当SmoothRSI有效突破上轨（QQEs）时，表明市场进入强势状态；跌破下轨（QQEl）时表明进入弱势状态。

最后提醒：QQE的设计初衷是帮助交易者同时看到市场的"方向（定性）"和"动量强度（定量）"。它的最大价值在于------当价格处于强趋势时，QQE的追踪线能帮助交易者坚定持仓信心，避免被RSI的短暂钝化干扰。然而，任何指标都有局限性：QQE在强单边趋势中表现优异，但在剧烈震荡市场可能会产生轨道频繁穿越的假信号。建议将其与ADX、成交量以及K线形态结合使用，构成更完善的交易体系。