一般而言， 趋势策略在市场有趋势的时候盈利丰厚， 而在震荡市场，趋势策略容易发生亏损。
我们可以通过对市场的趋势和震荡进行判断，使策略具有更好的收益表现。 此前， 我们发布了一系列报告，用来衡量市场趋势的强度，在此基础上进行交易，而在震荡市场， 则放弃进行趋势交易。
本篇专题报告从市场成份股的一致性强弱出发， 对市场指数的趋势强弱进行判断。 本篇报告所选择的主要标的是沪深 300 指数， 对应的是沪深 300 成份股。从直观上来看，成份股一致性用来表示市场的成份股走势是否同涨同跌。
图 1展示了成份股一致性较强的时候， 3 个（标准化之后）股价序列的走势； 图 2 展示了成份股一致性较弱的时候， 股价序列的走势。 从直观上来看，图 1 中成份股序列走势相似性高，而图 2 中成份股序列走势之间的相似性弱。在成份股一致性较强的市场，成份股同涨同跌，容易形成市场“合力”， 产生较大的波动和趋势。 而在成份股一致性较弱的市场，成份股随机波动， 市场不易产生趋势。 因而我们可以基于对市场成份股一致性强弱的计算， 对市场的趋势进行估计，从而确定是否进行趋势交易。
二、 策略构造
算法原理
主成分分析：
PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第1,2个轴正交的平面中方差最大的。依次类推，可以得到n个这样的坐标轴。通过这种方式获得的新的坐标轴，我们发现，大部分方差都包含在前面k个坐标轴中，后面的坐标轴所含的方差几乎为0。于是，我们可以忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴。事实上，这相当于只保留包含绝大部分方差的维度特征，而忽略包含方差几乎为0的特征维度，实现对数据特征的降维处理。
这些方差也被称为特征值，方差越大代表映射后信噪比越好，通过忽略n-k个特征值无限接近于0的向量构造k维新映射。而每一个特征值就能反应映射携带信息强度。
