CMO 有哪些局限性？
直接回答
CMO（钱德动量摆动器）的局限性主要源于其将短期动量转化为有界振荡器的方式，以及未来市场行为的不确定性。即使 CMO 计算正确，其实用性也可能下降，因为结果会随市场状态、数据质量、参数选择以及执行成本等现实摩擦因素而变化。
机制或定义
CMO 是一种基于动量的振荡器，由选定回溯周期内的累计涨幅与累计跌幅之间的平衡构建而成（通常使用这些变动的绝对值总和进行归一化处理）。简单来说，该振荡器反映了近期价格变动中上涨幅度是否超过下跌幅度，并将其缩放至一个有界范围内。
解释其局限性时，有两个关键机制需要注意：
- 归一化 意味着当分母（总变动）较小时，CMO 可能变得敏感，导致输入的微小变化产生相对较大的波动。
- 回溯依赖 意味着你选择的“近期窗口”隐式地定义了 CMO 所衡量的时间框架。
由于 CMO 是基于特定价格序列和特定回溯设置计算得出的，因此其计算本身已包含假设。不同的数据源（例如，买价 vs. 中间价、不同的K线构建方式或缺失的K线）可能改变输入序列，从而改变振荡器的输出。
证据或示例
考虑一个简化示例：你使用历史K线在固定回溯期内计算 CMO，然后比较两个不同时间段的结果：
- 在趋势行情中，涨幅往往超过跌幅，因此振荡器可能持续偏向正值区域。
- 在震荡行情中，涨跌交替频繁，因此振荡器可能更频繁地上下波动。
此比较揭示了一种失效模式：即使采用相同的解读方式（例如，“正向偏移意味着更强的动量”）在内部保持一致，当市场状态改变时，仍可能导致不同的结果。
还需注意验证不匹配的问题：如果你在历史数据上测试策略，但假设无交易成本、无滑点且执行完美，那么当引入这些现实摩擦因素后，CMO 行为与任何结果之间的历史关系可能会破裂。即使振荡器本身是正确的，交易环境却并非如此。
局限性和风险
1) 参数和数据敏感性
CMO 依赖于输入选择（价格序列、K线定义）以及回溯长度和对数据缺口的处理方式。如果你的测试与评估之间的这些假设不同，振荡器的行为可能会有所不同。
2) 市况依赖性
动量指标在趋势、盘整和高波动环境中表现往往不同。CMO 可以反映“近期的涨跌平衡”，但这并不能保证这种平衡会导致可预测的未来变化。
3) 未来行为的不确定性
历史关系不能确立未来结果。市场不断演变，波动性发生变化，市场微观结构效应可能改变回溯窗口之后价格变动的实现方式。
4) 解读可能过于自信
一个常见局限是将振荡器输出视为独立信号。CMO 可以描述动量平衡，但它本身无法确认未来变动的因果关系、时机或幅度。
5) 现实摩擦影响结果
执行时机、点差、佣金和流动性限制可能使历史上看似合理的关系变为较弱甚至负向关系。这意味着你应该将振荡器行为视为描述性输入，而非对结果的承诺。
验证或下一步问题
为了独立验证 CMO 在你使用场景中的局限性，请明确假设：指定确切的价格序列和K线构建方式，确认回溯窗口的定义，并将 振荡器的正确性 与 任何声称的结果 区分开来。然后在多个不同的历史条件下进行测试，而不是依赖于动量恰好对齐的单一时期。
如果你愿意，也可以使用相同的计算规则，比较 CMO 在不同市场条件（例如趋势 vs. 盘整）下的表现，以观察其描述性模式在哪些情况下变得不稳定。