2、羊群效应的量化识别

好，咱们直接进入正题。

识别羊群效应，说白了就是找到市场里「跟风」的证据。你想想看，一群人同时买同一个股票，到底是英雄所见略同，还是无脑跟风？量化交易要做的，就是把这种模糊的感觉，变成一串可执行的数字。

我个人习惯把识别方法分成三类：看交易量、看价格、看持仓。这三类各有各的脾气，咱们一个一个来拆。

基于交易量的羊群效应指标：订单失衡率

先讲最简单的——订单失衡率。这个指标我特别喜欢，因为它直接，不绕弯子。

什么叫订单失衡？就是买单和卖单的数量差。正常情况下，买卖双方势均力敌。但如果突然有一边压倒另一边，嗯，羊群可能来了。

取值范围在 -1 到 1 之间。正值表示买方主导，负值表示卖方主导。绝对值越大，失衡越严重。

我在项目中遇到过这么个事：某只小盘股，平时订单失衡率在 ±0.2 以内晃悠。突然有一天，这个值飙到了 0.85。我当时就觉得不对劲，一查消息，果然有个大V在社交媒体上吹票。后面三天，股价涨了 18%，然后一地鸡毛。

# Python 实现：订单失衡率
import pandas as pd

def order_imbalance_ratio(buy_volume, sell_volume):
    """
    计算订单失衡率
    buy_volume: 买单成交量
    sell_volume: 卖单成交量
    """
    diff = buy_volume - sell_volume
    total = buy_volume + sell_volume
    # 防止除零
    return diff / total if total != 0 else 0

# 示例：5分钟K线数据
data = pd.DataFrame({
    'buy_vol': [1200, 3400, 5600, 2100],
    'sell_vol': [1100, 1500, 1800, 2000]
})

data['OIR'] = data.apply(
    lambda row: order_imbalance_ratio(row['buy_vol'], row['sell_vol']), 
    axis=1
)
print(data)

基于价格动量的羊群效应指标：收益率分散度

第二个指标，收益率分散度。这个思路很有意思——它不看方向，看「整齐度」。

你想想，如果整个板块的股票都在朝同一个方向跑，而且步调极其一致，那大概率是羊群在行动。反之，如果大家各走各的，那就是正常市场行为。

说白了，收益率分散度就是看大家是不是在「抄作业」。我习惯用 30 只同板块股票，滚动 20 个交易日计算。分散度降到历史 10% 分位以下时，就要警惕了。

# Python 实现：收益率分散度
import numpy as np

def return_dispersion(returns_matrix):
    """
    returns_matrix: 形状为 (n_stocks, n_periods) 的收益率矩阵
    返回每个时间点的分散度
    """
    # 计算横截面标准差
    cross_sectional_std = np.std(returns_matrix, axis=0)
    return cross_sectional_std

# 示例：5只股票，10个时间点
np.random.seed(42)
returns = np.random.randn(5, 10) * 0.02  # 模拟收益率

dispersion = return_dispersion(returns)
print("各时间点分散度:", dispersion)

基于持仓数据的羊群效应指标：LSV模型

最后这个，LSV模型，是学术界的老牌选手。由Lakonishok、Shleifer和Vishny三位大佬在1992年提出，专门用来检测机构投资者的羊群行为。

LSV的核心思想很简单：如果某只股票在一段时间内，买入的机构数量显著多于卖出的机构数量，或者反过来，那就说明机构在抱团。

H(i,t) 大于 0，说明存在羊群效应。值越大，羊群越明显。

说实话，这个模型在实战中有点「重」。你需要完整的机构持仓数据，而且计算量不小。但我个人觉得，它最大的价值在于——当你用前两个指标发现异常后，用 LSV 来交叉验证，准确率会高很多。

# Python 实现：LSV 羊群效应指标
def lsv_herding(buy_counts, sell_counts):
    """
    buy_counts: 各股票买入机构数
    sell_counts: 各股票卖出机构数
    """
    total = buy_counts + sell_counts
    p = buy_counts / total  # 买入比例
    
    # 期望值：所有股票的平均买入比例
    p_avg = np.mean(p)
    
    # 原始偏离度
    raw_deviation = np.abs(p - p_avg)
    
    # 调整项：模拟随机情况下的期望偏离度
    # 这里用简化版，实际需要蒙特卡洛模拟
    adjustment = np.sqrt(p_avg * (1 - p_avg) / total)
    
    H = raw_deviation - adjustment
    return H

# 示例
buy = np.array([12, 8, 15, 3, 20])
sell = np.array([5, 10, 3, 15, 2])

H_values = lsv_herding(buy, sell)
print("LSV指标:", H_values)

三种指标的对比与选择

指标	数据来源	计算复杂度	适用场景	我的评价
订单失衡率	高频交易数据	低	日内交易、短线	简单粗暴，适合快速筛选
收益率分散度	日线/周线价格	中	板块轮动、中长线	逻辑清晰，实战好用
LSV模型	机构持仓数据	高	机构行为分析、季度调仓	学术范，适合做交叉验证

我个人习惯的用法是：先用订单失衡率做快速扫描，发现异常后，用收益率分散度确认板块级别的一致性，最后用 LSV 模型看看机构是不是也在里面掺和。三层过滤下来，误报率能降到很低。

嗯，以上就是三种核心识别方法。说实话，没有哪个指标是万能的。关键是要理解每个指标的脾气，知道它在什么情况下会失灵。我在实盘里吃过不少亏，慢慢才摸索出这套组合拳。