title: 移动平均线类技术指标因子（cn_stock_factors_ta_ma） source: bigfactorwarehouse / cn_stock / cn_stock_factors_ta_ma format: markdown

移动平均线类技术指标因子（cn_stock_factors_ta_ma）

以收盘价为输入的均线价位族，覆盖简单（SMA）、指数（EMA）、线性加权（WMA）三种平滑方式，档位从 5 日到 250 日。与乖离率、多头排列等派生指标不同，本类因子保留“价位本身”的量纲，可直接用于分组、通道、止损线等场景。

• 因子数量：18 个因子 / 18 个数据列
• 主键：date + instrument（按 cn_stock_instruments 对齐全市场标的）
• 数据起始：2010-01-01，日频增量更新
• 复权口径：后复权（cn_stock_bar1d 全表统一）

1. 上游依赖（基础数据表）

cn_stock_bar1d 为分区表，SQL 的 date 过滤由 dai.query(filters={"date": [...]}) 下推完成。

2. 因子清单（18 列）

3. 因子族公式与 DAI SQL

3.1 MA / EXPMA 绝对价位

公式：MA5 = SMA(Close, 5)；EXPMA5 = EMA(Close, 5)

输出列（2）：ma5、ema5

SELECT date, instrument,    m_avg(close, 5) AS ma5,    m_ta_ema(close, 5) AS ema5FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.2 简单移动平均线族

公式：SMA_N = m_ta_sma(close, N)

输出列（5）：sma_10、sma_20、sma_60、sma_120、sma_250

SELECT date, instrument,    m_ta_sma(close, 10) AS sma_10,    m_ta_sma(close, 20) AS sma_20,    m_ta_sma(close, 60) AS sma_60,    m_ta_sma(close, 120) AS sma_120,    m_ta_sma(close, 250) AS sma_250FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.3 指数移动平均线族

公式：EMA_N = m_ta_ema(close, N)

输出列（5）：ema_10、ema_20、ema_60、ema_120、ema_250

SELECT date, instrument,    m_ta_ema(close, 10) AS ema_10,    m_ta_ema(close, 20) AS ema_20,    m_ta_ema(close, 60) AS ema_60,    m_ta_ema(close, 120) AS ema_120,    m_ta_ema(close, 250) AS ema_250FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

3.4 加权移动平均线族

公式：WMA_N = m_ta_wma(close, N)

输出列（6）：wma_5、wma_10、wma_20、wma_60、wma_120、wma_250

SELECT date, instrument,    m_ta_wma(close, 5) AS wma_5,    m_ta_wma(close, 10) AS wma_10,    m_ta_wma(close, 20) AS wma_20,    m_ta_wma(close, 60) AS wma_60,    m_ta_wma(close, 120) AS wma_120,    m_ta_wma(close, 250) AS wma_250FROM cn_stock_bar1dWHERE close IS NOT NULLORDER BY date, instrument

4. 数据加工说明

4.1 加工链路

cn_stock_bar1d（后复权，WHERE close IS NOT NULL）    → 4 组因子族 SQL 并行执行（joblib loky, n_jobs=8）    → 按 cn_stock_instruments 左连接对齐全市场标的    → schema 归一化（列序 / 类型 / 缺失值）    → dai_write 按 date 的年份分区落库

• 历史构建：create()，自 2010-01-01 起按 2 年一段滚动执行，每段结束后 gc.collect() 释放内存。
• 增量构建：build()，默认覆盖最近 5 个自然日；落库前跑 tester.py，落库后更新前端文档。

4.2 回溯冗余（避免窗口未预热导致的缺失值）

窗口算子只在查询下推后的行集上计算，所以每次计算都会向前多取一段行情：

多读一段历史不改变任何输出值（窗口算子只向前看），只是把区间首日的"本可避免的缺失"消掉。 EMA / RSI / ATR / MACD / TRIX 属于 IIR 递推算子，理论上预热期无限长，因此这些表的冗余按 约 5 倍最长周期取值，而非刚好等于窗口长度。

4.3 停牌空值行的处理

cn_stock_bar1d 在停牌日会保留一行、但 open/high/low/close/amount 全为 NULL、volume 为 0。 m_ta_* 递推类算子只要吃到一个 NULL，之后就永久输出 NULL。因此所有 SQL 统一加 WHERE close IS NOT NULL，把停牌行从计算输入中剔除（此时 m_lag(close, 1) 指向上一个交易日， 符合技术指标的常规口径）。

实测（2024-01 全市场，回溯起点 2021-06）：

4.4 累计型因子的锚点

本表不含累计型因子，全部因子都是固定长度的滚动窗口计算，因此只受 lookback_days 影响。

4.5 标的对齐与覆盖度

落库前以 cn_stock_instruments 为基准左连接，因此每个交易日都是全市场标的的完整行， 停牌股与上市不足窗口长度的新股在对应因子列上为 NULL。入库校验要求单因子整体覆盖度 ≥ 85% （tester.py 关键测试点），单日覆盖度 ≥ 80%（非关键，仅告警）。

4.6 本表实现要点

• 本类含 EMA/WMA 等 IIR 型平滑算子，历史值对起点敏感，因此回溯冗余天数取 1900 个自然日（约 1270 个交易日，≈ 5 倍最长窗口 250），保证 250 日档位的 EMA 已充分收敛。
• ma5 用 m_avg（等价 SMA），sma_10 起改用 TA-Lib 移植算子 m_ta_sma，两者在窗口满足时数值一致；文档保留两种写法以对齐上游因子表命名。

5. 覆盖度实测

实测区间 2026-09-07 ~ 2026-09-17（9 个交易日、50052 行，已按 cn_stock_instruments 对齐全市场标的）：

覆盖度最低的三列：sma_250(96.9%)、ema_250(96.9%)、wma_250(96.9%)。缺失主要来自上市不足窗口长度的新股与当日停牌，逐列明细见 testdata/coverage_report.md，数据示例见 testdata/sample_data.csv。

6. 示例数据

{{sample_data}}

7. 使用建议

1. 横截面标准化：本表含绝对量纲列（价位、波幅、成交量等），跨股票比较前建议用 c_zscore(因子, group=date) 或 c_rank(因子, group=date) 处理，或改用同族的比值型因子。
2. 去极值：比值类因子分母虽已做 NULLIF 保护，但小分母仍会放大尾部，建议按日做分位数截断。
3. 冗余筛选：同一指标的多参数档位之间相关性很高，建模前建议按 IC / 相关性 / 特征重要性做筛选， 而不是把全部列直接喂给模型。
4. 无未来函数：全部因子只用当期与历史滚动数据；回测时注意前向收益口径（建议用次日开盘价）， 收盘价口径会系统性高估短周期反转类因子的收益。