今天我们构建的量化模型，尝试用python搭建，首先它把数据拆分重构，使用15分钟或者更低颗粒度的K线，重构成为1小时线或者半日线。然后在重构的K线上，搭建ATR自适应通道交易模型。

如果说后半部分模型开发是很多软件都可以做的，前半部分就并非如此了。我们要以每天中午12点，下午15点为切分点，把每天的时间序列切分成3段。

让我们从最简单的模型本体交易逻辑开始讲。

一、模型本体——ATR自适应通道

很多做期货动量交易的人都明白，通道突破类策略是典型的趋势策略，这类策略指导构建的交易模型也比较简单清晰，并且将标准差等波动率表达方式考虑到模型中，有助于提升绩效。这里说的提升绩效，一方面是通过通道的中轨确定大致方向，另一方面是通过标准差等波动率指标，确认通道宽度。

首当其中的就是布林带，这个经典指标已经几十年被使用，基本上没人敢说这套系统不能用，但是它毕竟太过于古老，需要改进，这是共识。

典型的通道突破类策略是Aberration，实际上就是布林带，它被翻译理解为“失常、离开正路、越轨”等含义。该模型在均线上，构建了上下两个通道，通过波动率高低调节通道大小，如果价格突破上轨，就做多，如果价格突破下轨，就做空，价格回到中轨平仓，达到一定的自适应突破效果。

它的原理是这样：

// 中轨AverageMA，此处的Length是计算均线的窗口期

AverageMA = Average(Close1,Length);

// 价格序列的标准差

StdValue = StandardDev(Close1,Length);

// 上轨和下轨，此处的StdDev是标准差倍数

UpperBand = Avema StdDev StdValue;

LowerBand = Avema - StdDev StdValue;

今天的改进针对标准差部分，我们发现ATR比标准差更能够反应波动率的真伪，毕竟ATR采用的时间序列信息含量更高。

标准差是一个统计工具，不再叙述。ATR概念由威尔德（J. Welles Wilder）1978年于《New Concepts in Technical Trading Systems》书中提出，它取一定时间周期内的价格波动幅度的移动平均值，和你看到的网络上的注解不同，它并不是主要用于研判买卖时机，也不是做什么反趋势指标，它能感知到波动率。

海通证券测试了ATR和标准差的性能差异，这四种情况虽然特殊，但是以极端方式，体现了标准差和ATR的区别。

图1，标准差的表现力更强，因为价格确实出现了波动幅度变化。

图2，和研报观点相同，ATR可以稳定的保持着较高的水平，能对新的价格运行方向上的波动状态进行有效的刻画，但是标准差不行。