| 指标 | 说明 | 典型参数 |
|---|---|---|
| SMAIndicator | 简单移动平均 | 周期 20 |
| EMAIndicator | 指数移动平均 | 周期 9, 26 |
| WMAIndicator | 加权移动平均 | 周期 14 |
| HMAIndicator | 赫尔移动平均（滞后极小） | 周期 16 |
| KAMAIndicator | 考夫曼自适应移动平均 | 周期 10, 快慢 EMA |
| JMAIndicator | Jurik 移动平均（零滞后） | 周期 14 |
| TMAIndicator | 三角移动平均（双重平滑） | 周期 20 |
| VIDYAIndicator | 可变指数动态平均 | 周期 14 |
| ZLEMAIndicator | 零滞后指数移动平均 | 周期 20 |
| DoubleEMAIndicator | 双重指数移动平均 | 周期 10 |
| TripleEMAIndicator | 三重指数移动平均 | 周期 10 |
这11个趋势指标大致可以分为三个核心流派：追求响应速度的“反应型”、追求极致平滑的“稳健型”，以及追求两者平衡的“自适应型”。它们的计算逻辑和哲学思考如下。
一、 经典平滑派：速度与稳健的权衡
这类指标是技术分析的基石，它们的差异体现了在“反应速度”和“信号稳健”之间的哲学权衡。
1. 简单移动平均 (SMA, Simple Moving Average)
数学原理：
这是最基础的均线，计算特定周期内的价格算数平均值。每天的价格权重完全一样。
SMA = (P1 + P2 + ... + Pn) / n
哲学思考： SMA 代表了一种“民主”和“共识”的市场观。它认为一段时期内所有交易者的平均成本才是市场真实的价值所在。通过给予所有价格相同的权重，SMA 能有效过滤掉短期的价格噪音，清晰地展现市场的长期主流趋势。它的缺点也很明显——由于对近期价格不够敏感，在趋势反转时反应会非常滞后。
2. 指数移动平均 (EMA, Exponential Moving Average)
数学原理：
EMA 是一种递归加权平均，它赋予了近期价格更高的权重，并且权重以指数形式衰减。其计算公式为：
EMA_today = (Price_today × k) + EMA_yesterday × (1 - k)
其中平滑系数 k = 2 / (N + 1)。
哲学思考： EMA 的哲学是“厚今薄古”。它认为市场具有“记忆”，但“记忆”会随时间迅速衰退，近期价格变化比遥远的历史数据更能预示未来的趋势。这种设计使得 EMA 能更快地对市场变化做出反应，因此特别受到短线交易者的青睐，常被用作捕捉趋势变化的先行指标。
3. 加权移动平均 (WMA, Weighted Moving Average)
数学原理：
WMA 通过线性递减的方式为数据点分配权重。例如在 5 日 WMA 中，今日权重为 5，昨日为 4，以此类推，最后除以权重之和。
WMA = (P1 × n + P2 × (n-1) + ... + Pn × 1) / (n × (n+1) / 2)
哲学思考： WMA 的哲学是“线性地”强调“时效性”。相较于 EMA 的指数衰减，WMA 给予近期价格更明确、更线性的权重。这种设计让它在理论上比 EMA 更快，但对参数选择也更敏感，在震荡市场中容易产生噪音信号。
4. 三角移动平均 (TMA, Triangular Moving Average)
数学原理：
TMA 是一种双重平滑的移动平均线。它先计算一个 SMA，然后再对这个 SMA 的结果计算一次 SMA。
TMA = SMA(SMA(price, n), n)
哲学思考： TMA 的哲学是“稳健压倒一切”。它的核心目标是过滤掉市场中几乎所有的“噪音”和虚假波动，只呈现最平滑、最清晰的价格趋势。这种对“平滑”的极致追求是以牺牲“速度”为代价的，因此 TMA 主要用于识别长期趋势，而非捕捉短期交易点。
二、 高速反应派：为捕捉每一个先机
这类指标的核心目标是解决传统均线固有的“滞后性”，力求在价格变动的第一时间做出反应。
5. 赫尔移动平均 (HMA, Hull Moving Average)
数学原理： HMA 通过一个巧妙的“三步走”公式来消除滞后。
- 计算
WMA(n/2)并乘以 2，再减去WMA(n)，得到一个“超前”信号。 - 对上一步的结果，取周期为
√n的 WMA 进行平滑。
哲学思考： HMA 的哲学是“以快制快”。Alan Hull 开发它的初衷就是为了破解“速度与平滑度不可兼得”的困局。它的核心思想是通过“过度补偿”再“修正”的过程，让均线尽可能地贴近价格，从而在趋势启动的初期就发出信号。
6. 零滞后指数移动平均 (ZLEMA, Zero-Lag Exponential Moving Average)
数学原理： ZLEMA 并不直接计算价格的移动平均，而是先计算一个“无延迟”的参考价格。
- 计算延迟量：
Lag = (N - 1) / 2，这是传统 EMA 固有的延迟期。 - 调整价格：
Detrended Price = Price + (Price - Price[N - Lag])，即用当前价格加上当前价格与Lag期前价格的差值，从而“预判”价格的未来走势。 - 对这个调整后的价格计算 EMA。
哲学思考： ZLEMA 的哲学是“向前看”。它不再被动地回顾过去，而是通过“去趋势”处理，主动预测价格应有的位置，试图弥补传统均线的缺陷。它能以极快的速度捕捉趋势拐点，非常适合短线交易，但在震荡市场中也可能放大噪音。
7. 双重指数移动平均 (DEMA, Double Exponential Moving Average)
数学原理：
DEMA 并非简单地对 EMA 进行双重平滑，而是通过一个公式来消除单一 EMA 的滞后。
DEMA = 2 × EMA(price, n) - EMA(EMA(price, n), n)
哲学思考： DEMA 的哲学是“纠错”。它先承认 EMA 存在滞后，然后通过减去 EMA 的 EMA（即滞后的滞后）来部分抵消这种延迟，从而得到一个更快、更准确的信号。Patrick Mulloy 发明它的目的就是“用更快的移动平均线平滑数据”。
8. 三重指数移动平均 (TEMA, Triple Exponential Moving Average)
数学原理：
TEMA 可以看作是 DEMA 的进一步扩展，它通过三次计算 EMA 来更激进地消除滞后。
TEMA = 3 × EMA(price, n) - 3 × EMA(EMA(price, n), n) + EMA(EMA(EMA(price, n), n), n)
哲学思考： TEMA 的哲学是“极致反应”。它将 DEMA 的“纠错”思想推向极致，追求最低的延迟。在强劲的趋势行情中，TEMA 能提供最及时的入场信号，但在盘整市场中，其极高的敏感性也意味着会产生大量虚假信号。
三、 市场自适应派：智能地适应市场环境
这类指标能够根据市场状况（如波动率）动态调整自身的参数，实现了智能化的趋势跟踪。
9. 考夫曼自适应移动平均 (KAMA, Kaufman‘s Adaptive Moving Average)
数学原理：
KAMA 的核心是“效率系数 (ER)”，用于判断市场状态。
ER = |价格净变化| / |价格总波动|，ER 值介于 0 和 1 之间。
然后，KAMA 根据 ER 动态调整 EMA 的平滑常数 SC。趋势强劲时（ER→1），SC 趋近于快线（如 2），均线加速追随；震荡时（ER→0），SC 趋近于慢线（如 30），均线几乎停滞。
哲学思考： KAMA 的哲学是“顺势而为，静待时机”。它试图赋予均线以“智慧”，使其能够像优秀的交易员一样，在趋势行情中激进交易，在无方向的盘整中离场观望，从而最大限度地减少假信号带来的损失。
10. 可变指数动态平均 (VIDYA, Variable Index Dynamic Average)
数学原理：
VIDYA 的原理与 KAMA 类似，但它使用“钱德动量振荡器 (CMO)”作为动态调节因子，替换了 EMA 公式中的平滑系数 k。
VIDYA(i) = Price(i) × F × |CMO(i)| + VIDYA(i-1) × (1 - F × |CMO(i)|)
其中 F = 2/(N+1)。
哲学思考： VIDYA 的哲学是“动量决定速度”。它的核心思想是，市场的动量（CMO 的绝对值）直接决定了均线的敏感度。动量越大，均线跟随得越快；动量越小，均线越平滑。这种设计让 VIDYA 既能跟随快速趋势，又能过滤掉低波动时期的噪音。
11. Jurik 移动平均 (JMA, Jurik Moving Average)
数学原理： JMA 的精确算法由 Mark Jurik 发明并拥有专利，并未完全公开。已知它基于相位补偿和自适应滤波技术，能显著减少价格序列的噪音和滞后。
哲学思考： JMA 的哲学是“创造终极平滑与速度的平衡”。Mark Jurik 的目标是创造一个理论上理想的均线：几乎无延迟、高度平滑且能自适应各种市场环境。它的核心思路是在保留价格变化主要特征的同时，滤除所有可被视为噪音的部分，使趋势线更干净、更清晰。
大致原理
第一步：e0 —— “我现在大致在哪”
e0[t] = P[t] × (1 - α) + e0[t-1] × α
P[t]：当前价格e0[t-1]：上一期的估计位置α：记忆系数（0~1），α 越大越依赖过去，α 越小越相信当前价格
开车比喻：你看了一眼速度表，但不会完全相信，还会结合刚才的记忆。
第二步：e1 —— “价格跑得有多快”
e1[t] = (P[t] - e0[t]) × (1 - β) + e1[t-1] × β
P[t] - e0[t]：当前价格与你估计位置的差距（偏离量）β：对“差距”的平滑系数，β 越大越记得过去的差距变化
开车比喻：你发现前车尾灯突然变亮（差距变大），就知道它在减速。e1 就是这个“亮度变化”的记忆。
第三步：e2 —— “我应该提前挪多少”
理想位置 = e0[t] + γ × e1[t]
差值 = 理想位置 - JMA[t-1]
e2[t] = 差值 × (1-α)² + e2[t-1] × α²
γ：相位比，决定你多相信“速度”能预测未来（γ>1 超前，γ<1 滞后）(1-α)²和α²：控制修正步长，避免过冲
开车比喻：你看到前车减速，不仅松开油门，还轻轻点一下刹车。γ 决定点刹车的力度，α 决定你是猛点一下还是慢慢压。
第四步：最终 JMA
JMA[t] = JMA[t-1] + e2[t]
开车比喻：你根据前车尾灯的变化调整了车速，现在车已经到了更合适的位置。
参数来源（你输入的三个值）
| 你输入 | 它控制 | 转化为公式中的 |
|---|---|---|
barCount（周期 N） | 记忆长度 | β = 0.45×(N-1) / (0.45×(N-1)+2) |
phase（-100 ~ 100） | 超前/滞后力度 | γ = phase/100 + 1.5 （范围 0.5~2.5） |
power（默认 2） | 响应激进程度 | α = β^power |
一句话总结公式逻辑
JMA 先估算一个“理想位置”（e0 + γ×e1），然后看这个理想位置和实际位置的差距，取一小部分（用 α 控制）作为修正量（e2），累加到上一期的 JMA 上。
总结
这些均线指标从SMA的“平均主义”，到EMA/WMA对“时效性”的强调，再到KAMA/VIDYA对“市场环境”的智能适应，以及JMA对“完美曲线”的技术追求，体现了技术分析从描述市场到理解市场，再到主动适应市场的演进。每种均线没有绝对的优劣，关键在于理解其背后的哲学，并根据自己的交易策略和市场环境做出选择。
