长线趋势线在量化交易中参数化的核心方法，是用固定周期的移动平均线或线性回归线代替手工绘制的斜线，从而将主观判断转化为可编程的数值规则。最常用的参数化方案是120月均线，它在多数股票的长周期走势中能较好地拟合手工趋势线的支撑与阻力作用。
参数化的两种主流方案
移动平均线（MA） 是最直接的参数化工具。120月均线（即10年均线）在A股和美股的长线量化策略中常见，因为它平滑了短期波动，能清晰反映长期牛熊分界。参数设置通常为：收盘价对120月均线的偏离度（（现价-均线值）/均线值）作为信号阈值，例如偏离度超过+30%视为超买区域，低于-20%视为超买区域。
线性回归线 则更精确地拟合趋势斜率。通过计算过去N个月（如60个月）的价格数据，用最小二乘法求出一条直线，并持续滚动更新。线性回归线的优势在于能动态调整斜率，适用于趋势加速或减速的市场。参数N的取值通常根据交易品种的周期特性决定，常见范围为36-120个月。
计算偏离度与信号生成
参数化趋势线的核心信号来自价格与趋势线的相对距离。具体步骤为：
- 选定参数（如120月均线），计算每日的均线值
- 计算偏离度 = （收盘价 - 均线值） / 均线值
- 设置信号阈值：当偏离度突破+25%时触发卖出信号，跌破-15%时触发买入信号
阈值需要根据品种历史回测调整。波动率高的个股可能需要更宽的阈值（如±40%），而指数或大盘股通常采用较窄阈值（如±20%）。偏离度的计算周期（日、周、月）也影响信号灵敏度，长线策略一般使用周线或月线数据。
参数优化与过拟合风险
不同个股或指数的历史股性差异很大，直接套用固定参数（如120月均线）可能效果不佳。优化参数时应遵循“少参数、大样本”原则：先确定一个合理的参数范围（如60-240个月），用历史数据回测，选择在多数市场环境下表现稳定的区间，而非追求回测收益最高的单一数值。
过拟合是量化参数化的最大陷阱。避免方法包括：
- 使用样本外数据验证：将历史数据按时间分为训练集与测试集
- 限制参数数量：每增加一个可调参数，过拟合风险显著上升
- 检查参数的经济逻辑：例如120月均线对应10年期经济周期，具有基本面支撑
总结：长线趋势线参数化的关键在于选择合适的移动平均线或线性回归周期，并基于偏离度生成信号，同时通过稳健的回测框架控制过拟合风险。
常见问题
120月均线是否适用于所有股票？
不适用。120月均线对上市时间不足10年的股票无效，且对高波动小盘股的信号质量较差。通常建议只用于上市超过120个月的蓝筹股或指数ETF。
如何判断参数是否过拟合？
在回测中，如果参数在训练集上表现极好（如年化收益超过50%），但在测试集上收益大幅下降，就存在过拟合。更严谨的做法是进行蒙特卡洛模拟，验证参数在不同随机市场路径下的稳定性。
线性回归线比移动平均线更好吗？
没有绝对优劣。线性回归线对趋势斜率的拟合更精确，适合趋势明显的长周期品种；移动平均线计算更简单、回测更稳定，适合市场环境经常变化的情况。实际策略中可两者结合使用。