Pharos
TAVolatility

TA.NATR() - 标准化平均真实波幅

标准化平均真实波幅 (Normalized Average True Range)

将 ATR 标准化为百分比形式，便于不同价格水平的资产比较。

返回波动率指标目录

语法

python
TA.NATR(high, low, close, timeperiod=14)

参数

参数名类型必选默认值说明
highany否-最高价数组
lowany否-最低价数组
closeany否-收盘价数组
timeperiodany否-时间周期，默认 14

返回值

返回 NATR 百分比值数组（0-100），表示 ATR 占价格的百分比。

计算方法

plaintext
ATR = Average True Range(high, low, close, timeperiod)
NATR = (ATR / Close) × 100

NATR 将 ATR 转换为占当前价格的百分比，消除价格水平的影响。

信号解读

波动性分类

  • NATR < 1%：极低波动，市场非常平静
  • 1% < NATR < 2%：低波动，相对稳定
  • 2% < NATR < 4%：正常波动
  • 4% < NATR < 6%：高波动，市场活跃
  • NATR > 6%：极高波动，风险很大

应用场景

  1. 跨资产比较：比较不同价格资产的波动性
  2. 资产筛选：根据波动性选择交易标的
  3. 风险评估：量化市场风险水平
  4. 策略适配：根据波动性选择交易策略

基础示例

波动性判断

python
def main():
    while True:
        records = exchange.GetRecords()
        if len(records) < 30:
            Sleep(1000)
            continue
        
        highs = [r['High'] for r in records]
        lows = [r['Low'] for r in records]
        closes = [r['Close'] for r in records]
        
        natr = TA.NATR(highs, lows, closes, 14)
        current_natr = natr[-1]
        
        Log("标准化 ATR:", current_natr, "%")
        
        # 波动性分类
        if current_natr < 1:
            Log("💤 极低波动性资产，可能缺乏交易机会")
        elif current_natr < 2:
            Log("📉 低波动性资产，适合稳健交易")
        elif current_natr < 4:
            Log("📊 正常波动性资产")
        elif current_natr < 6:
            Log("📈 高波动性资产，适合短线交易")
        else:
            Log("⚠️ 极高波动性资产，风险很大")
        
        Sleep(60000)

高级应用

跨资产波动性比较

python
def compare_volatility():
    """比较多个交易对的波动性"""
    symbols = ["BTC_USDT", "ETH_USDT", "LTC_USDT"]
    volatilities = {}
    
    for symbol in symbols:
        # 切换交易对
        # exchange.SetSymbol(symbol)
        records = exchange.GetRecords()
        
        if len(records) < 30:
            continue
        
        highs = [r['High'] for r in records]
        lows = [r['Low'] for r in records]
        closes = [r['Close'] for r in records]
        
        natr = TA.NATR(highs, lows, closes, 14)
        volatilities[symbol] = natr[-1]
    
    # 排序显示
    sorted_vol = sorted(volatilities.items(), key=lambda x: x[1], reverse=True)
    
    Log("=== 波动性排名 ===")
    for symbol, vol in sorted_vol:
        Log(f"{symbol}: {vol:.2f}%")
    
    # 选择合适的交易标的
    high_vol = [s for s, v in sorted_vol if v > 4]
    low_vol = [s for s, v in sorted_vol if v < 2]
    
    Log("高波动品种（适合短线）:", high_vol)
    Log("低波动品种（适合稳健）:", low_vol)

NATR 动态策略选择

python
def main():
    while True:
        records = exchange.GetRecords()
        if len(records) < 50:
            Sleep(1000)
            continue
        
        highs = [r['High'] for r in records]
        lows = [r['Low'] for r in records]
        closes = [r['Close'] for r in records]
        
        natr = TA.NATR(highs, lows, closes, 14)
        current_natr = natr[-1]
        
        # 根据 NATR 选择策略
        if current_natr < 2:
            # 低波动：趋势跟踪策略
            Log("低波动环境，使用趋势跟踪策略")
            strategy = "trend_following"
            stop_multiplier = 3  # 较大止损
            
        elif current_natr < 4:
            # 正常波动：平衡策略
            Log("正常波动环境，使用平衡策略")
            strategy = "balanced"
            stop_multiplier = 2
            
        else:
            # 高波动：均值回归策略
            Log("高波动环境，使用均值回归策略")
            strategy = "mean_reversion"
            stop_multiplier = 1.5  # 较小止损
        
        Log(f"当前策略: {strategy}, 止损倍数: {stop_multiplier}")
        
        Sleep(60000)

NATR 波动性突破预警

python
def main():
    while True:
        records = exchange.GetRecords()
        if len(records) < 100:
            Sleep(1000)
            continue
        
        highs = [r['High'] for r in records]
        lows = [r['Low'] for r in records]
        closes = [r['Close'] for r in records]
        
        natr = TA.NATR(highs, lows, closes, 14)
        current_natr = natr[-1]
        
        # 计算 NATR 的统计特征
        natr_20 = natr[-20:]
        natr_avg = sum(natr_20) / len(natr_20)
        natr_std = (sum([(x - natr_avg)**2 for x in natr_20]) / len(natr_20)) ** 0.5
        
        # 检测波动性异常
        z_score = (current_natr - natr_avg) / natr_std if natr_std != 0 else 0
        
        if z_score > 2:
            Log("⚠️ 波动性异常增加，NATR Z-score:", z_score)
            Log("可能有重要事件发生")
        elif z_score < -2:
            Log("💤 波动性异常降低，NATR Z-score:", z_score)
            Log("市场可能进入整理期")
        
        # 波动性扩张
        if current_natr > natr_avg * 1.5:
            Log("📈 波动性快速扩张，注意风险")
        elif current_natr < natr_avg * 0.6:
            Log("📉 波动性快速收缩，可能酝酿突破")
        
        Sleep(60000)

参数优化建议

周期推荐值适用场景
短期7-10日内交易、快速反应
中期14标准设置、波段交易
长期20-30长线投资、资产配置

与其他指标配合

NATR + 趋势指标

python
natr = TA.NATR(highs, lows, closes, 14)
sma20 = TA.SMA(closes, 20)
sma50 = TA.SMA(closes, 50)

# 低波动 + 趋势明确
if natr[-1] < 2 and sma20[-1] > sma50[-1]:
    Log("低波动上升趋势，稳健做多机会")

NATR + 动量指标

python
natr = TA.NATR(highs, lows, closes, 14)
rsi = TA.RSI(closes, 14)

# 高波动 + 超卖
if natr[-1] > 5 and rsi[-1] < 30:
    Log("高波动超卖，可能剧烈反弹")

NATR + 成交量

python
natr = TA.NATR(highs, lows, closes, 14)
volumes = [r['Volume'] for r in records]
vol_avg = sum(volumes[-20:]) / 20

# 低波动 + 成交量萎缩
if natr[-1] < 1.5 and volumes[-1] < vol_avg * 0.5:
    Log("波动性和成交量双低，市场极度平静")

注意事项

  1. 百分比形式：NATR 是百分比，可跨资产比较
  2. 价格无关：消除价格水平影响，更客观
  3. 市场环境：不同市场（股票、期货、加密货币）NATR 范围不同
  4. 极端值：暴涨暴跌会导致 NATR 极端值
  5. 策略匹配：根据 NATR 选择合适的交易策略
  6. 风险管理：高 NATR 时应降低杠杆和仓位
  7. 时间周期：不同时间周期 NATR 差异很大

NATR vs ATR 对比

特性NATRATR
单位百分比 (%)价格单位
跨资产比较✅ 可以❌ 不可以
绝对值意义✅ 有❌ 无
适用场景资产筛选、风险评估止损设置、仓位管理
计算复杂度稍高较低

实战要点

NATR 应用场景

✅ 资产筛选：选择合适波动性的交易品种 ✅ 风险评估：量化市场风险水平 ✅ 策略选择：根据波动性匹配策略 ✅ 跨市场比较：比较不同市场的活跃度

波动性分级策略

  • NATR < 1%：避免交易，等待机会
  • 1-2%：适合长线持仓、网格策略
  • 2-4%：适合波段交易、趋势跟踪
  • 4-6%：适合短线交易、高频策略
  • > 6%：降低仓位，谨慎交易

风险控制

  • 高 NATR (>5%) 时减小仓位 50%
  • 极低 NATR (<1%) 时避免交易
  • NATR 突然暴涨时止盈离场
  • 根据 NATR 调整杠杆倍数

相关指标

返回波动率指标目录 | 返回 TA 指标总目录

波动率指标综合策略示例

Previous Page

波动率指标 (Volatility Indicators)

Next Page

On this page

TA.NATR() - 标准化平均真实波幅语法参数返回值计算方法信号解读波动性分类应用场景基础示例波动性判断高级应用跨资产波动性比较NATR 动态策略选择NATR 波动性突破预警参数优化建议与其他指标配合NATR + 趋势指标NATR + 动量指标NATR + 成交量注意事项NATR vs ATR 对比实战要点NATR 应用场景波动性分级策略风险控制相关指标