线性回归均线：兼具趋势判断与预测能力的技术分析利器

在金融市场中，如何判断趋势方向并预测价格未来走势，一直是交易者关注的重点。传统的移动平均线如 SMA 或 EMA 虽然简单易用，却只能反映趋势而无法预测。而 线性回归均线（Linear Regression Moving Average，简称 LRMA） 则是一种兼具“当前趋势”和“未来倾向”的技术指标，成为量化交易中极具价值的趋势工具。

一、什么是线性回归均线？

线性回归均线是基于 线性回归统计模型 简化而来的一种趋势跟踪指标。它不是简单地对价格取平均，而是使用回归分析方法，对一段价格序列拟合出一条“最佳拟合线”，用以捕捉该段区间内价格的整体走势。

区别于标准线性回归（可处理多个变量），该指标仅基于一个变量（价格），因此也称为 一变量滚动回归（Rolling Regression）。

核心特点：

• 趋势线拟合而非加权平均：更贴近实际价格变动路径；
• 提供价格趋势方向的斜率信息；
• 可衍生出时间序列预测值（Time Series Forecast）；
• 可计算拟合优度（r值）、截距、角度等高级指标。

二、pandas_ta 中的使用方法

在 pandas_ta 库中，lrma() 函数可快速调用线性回归均线。默认返回的就是回归线拟合出的价格序列，结合可选参数还能输出角度、斜率、拟合度等。

函数调用格式：

import pandas_ta as ta

# 仅输出拟合曲线
df["LRMA"] = ta.linreg(close=df["Close"], length=20)

参数说明：

你可以一次性返回多个字段：

lr_df = ta.linreg(close=df["Close"], length=20, slope=True, intercept=True, r=True)

三、与传统均线的区别

四、实战应用场景

1. 趋势强度判断

通过计算 r 值（皮尔逊相关系数），判断当前回归趋势的拟合程度：

• r > 0.7：趋势强，适合顺势交易；
• r < 0.3：趋势弱，可能震荡，不宜追单。

2. 趋势方向分析

斜率 slope 为正，趋势向上；为负，趋势向下；近似为 0，则价格横盘。

你也可以用 angle=True 或 degrees=True 计算趋势角度：

df["TrendAngle"] = ta.linreg(close=df["Close"], length=20, degrees=True)

3. 构建预测模型

使用 tsf=True，你可以获取 Time Series Forecast 值，作为下一周期的价格预测：

df["LRMA_Predict"] = ta.linreg(close=df["Close"], length=20, tsf=True)

配合布林带、MACD 可形成趋势确认+未来价格预测的复合策略。

五、可视化与代码演示

import matplotlib.pyplot as plt

plt.figure(figsize=(12,6))
plt.plot(df["Close"], label="收盘价", alpha=0.5)
plt.plot(df["LRMA"], label="线性回归均线", linewidth=2)
plt.plot(df["LRMA_Predict"], label="下一周期预测", linestyle="--", alpha=0.7)
plt.title("线性回归均线示意图")
plt.legend()
plt.grid(True)
plt.show()

六、总结

线性回归均线（Linear Regression Moving Average） 是一种结合统计回归与技术分析的趋势跟踪指标。它不仅能展示趋势，更能定量分析趋势方向、强度与未来预测值，非常适合中短期趋势策略和量化建模。

无论你是使用 Python 进行量化策略开发，还是想在价格震荡中找到稳定方向，LRMA 都能为你提供更具解释力与预测力的技术支持。