Nonzero Lab Research · 指标证据 · 2026-08-19 · 约 6 分钟

均线到底有没有用：三十年证据的变化

均线的证据在三十年间变了几次方向：早期样本内显著，校正数据挖掘后减弱，计入交易成本后大多消失；但在资产配置与风险溢价预测层面，均线仍有信息。答案取决于市场、时期与用法。

1992：乐观的开端

Brock (1992) 是技术规则实证研究的现代起点。他们在道琼斯指数 1897–1986 年的长样本上检验了均线与突破类规则，发现买入信号出现之后的收益高于卖出信号出现之后的收益，且这一差异无法由几种常见的随机模型解释。³

这个结论的分量在于样本长度和检验方式：不是某段牛市里的截图，而是近九十年的日度数据。它让「简单规则完全没有信息」这个极端假设变得难以成立。如果你的理论基础是「均线纯属看相」，1992 年的结果是一个需要正视的反例。

但也要看清它说了什么、没说什么。它说的是：在这一个市场、这一个世纪里，规则信号之后的收益分布存在统计上可检测的不对称。它没有说任何一条规则扣完成本还能赚钱，也没有说这个不对称在别的市场、别的年代里还在。

1999：数据挖掘的冷水

Sullivan (1999) 追问了下一个问题：如果有人检验了足够多的规则，总能找到几条在历史上显著的——这种显著有多少是真的？他们对约八千条技术规则做了数据挖掘校正，结论分两层：最优规则在原来的样本里依然显著；但放到 1987–1996 年的样本外，显著性消失了。⁴

这是技术规则研究的第一个分水岭。「历史上最优」和「未来可用」是两回事，中间隔着数据挖掘的折扣。任何只在一段历史里挑出来的规则，都欠着这笔折扣。

这笔折扣的逻辑值得记住：八千条规则里，总有几条恰好踩中了那段历史的噪声。它们被选出来，恰恰因为它们踩得准——而被选中的规则，恰好是历史上运气最好的那些。用选美冠军的长相去预测下一届冠军，就是这类错误的日常版本。

2012：假发现与交易成本

Bajgrowicz (2012) 把折扣算得更细。用错误发现率的方法控制多重检验之后，规则的表现不具持续性；再把交易成本计进去，剩余的超额收益大多被吞掉。¹

到这一步，图景变成了：简单规则的样本内优势，经过数据挖掘校正和成本扣除之后，所剩无几。这也是为什么「我回测过，那条曲线很好看」几乎没有信息量——回测曲线没扣的账，市场会替你扣。

换个层面问，答案一样吗？

故事没有停在悲观处，因为后来的研究换了问法。

Zhu (2009) 不再问「均线信号能不能预测涨跌」，而是问「在资产配置里用均线择时，能不能跑赢固定比例」。结论是：在收益存在可预测性的前提下，含均线的配置策略可以优于固定比例策略。⁵

Neely (2014) 问得更宏观：技术指标对股权风险溢价有没有预测力？他们发现技术指标的预测力与宏观经济变量相当，而且两者互补——各自携带对方没有的信息。²

换一个层面，「有没有用」的答案就变了。信号层面做交易，证据很弱；配置与风险溢价层面做参考，证据还在。

两个层面为什么不同？因为问题不同。信号层面问的是「明天涨还是跌」，这是最难的预测；配置层面问的是「现在该承担多大的风险敞口」，这是一个关于仓位的问题，容错大得多。同一条均线，在前一个问题上是噪声发生器，在后一个问题上可能是有用的信息。

Park (2007) 的综述可以当作总账：在他们梳理的 95 项现代研究中，56 项报告正面结果，20 项报告负面结果，19 项混合。⁶ 这个分布本身就是结论——这不是一个「有用」或「没用」能概括的问题。

这对交易者意味着什么？

对看图做决策的人，三十年证据给出的不是答案，而是一个更精确的问题：在什么市场、什么时期、什么用法下，这条规则在样本外还剩多少信息？

这个问题没有通用答案，因为三个变量都随环境漂移。唯一可靠的办法，是在你自己交易的市场上做样本外检验——而盲测就是最小成本的样本外检验：你不知道后面是什么，每一次判断都是真实的样本外。

这与样本量的纪律是连着的：就算规则真有微弱优势，几十次尝试也分辨不出来（见《多少次盲测才够：胜率背后的样本量》）。均线类指标的另一个常见误读是把默认参数当成定律，RSI 是更典型的例子（见《RSI 的超买超卖：一个被误读了五十年的指标》）。