成交量萎缩至地量水平
熊市末期，市场交投极度清淡，成交量往往萎缩至前期高点的一到两成。股票市场中，沪深两市日成交额可能从牛市巅峰的万亿级别降至三千亿以下，甚至出现连续多日成交额低于两千亿的情况。期货市场同样如此，主力合约持仓量和成交量双双下降，部分品种日内波动收窄至历史低位。地量之后常伴随地价，但这并非绝对，需要结合其他信号确认。成交量萎缩意味着抛压枯竭，空头力量释放殆尽，但多头尚未进场，市场处于弱平衡状态。一旦有增量资金入场，价格容易快速反弹。
估值跌至历史极值区域
股票市场熊市底部，市盈率、市净率等估值指标往往跌至历史后10%分位。上证综指市盈率可能跌至10倍以下，破净股数量大幅增加，部分优质公司股息率超过5%。期货市场虽然不直接谈估值，但商品价格跌破边际生产成本，产业客户套保意愿减弱，投机空头获利了结。以螺纹钢为例，当价格跌破高炉生产成本，钢厂主动减产，期货价格往往在成本线附近获得支撑。估值极值不是精确的抄底指标，但提供了安全边际，长期资金开始分批建仓。
政策底先行出现
政策底通常领先市场底一到三个月。股票市场熊市底部，监管层会出台降低印花税、暂停IPO、鼓励回购、引入长期资金等利好政策。期货市场则表现为交易所调整保证金比例、限制开仓手数、打击过度投机。政策底出现后市场可能短暂反弹，随后再次探底，形成市场底。政策底与市场底的时间差源于投资者信心修复需要过程，但政策底确认了政策转向，为市场底构筑了政策支撑。
技术指标出现底部背离
熊市末期，价格创新低而MACD、RSI、KDJ等指标不再创新低，形成底背离。股票指数日线级别出现多次底背离，周线级别也出现背离，则底部信号更强。期货市场同样适用，主力合约价格跌破前低，但持仓量下降、成交量放大，表明空头离场。均线系统从空头排列转为走平或粘合，价格站上20日均线并回踩确认。波浪理论中，五浪下跌完成，ABC调整结束，市场进入新周期。技术指标不是万能，但多指标共振可提高判断准确率。
市场情绪降至冰点
熊市底部，投资者情绪极度悲观。股票市场新增开户数骤降，基金发行失败，股吧、论坛无人问津，甚至出现销户潮。期货市场投机度下降，程序化交易策略从趋势跟踪转向震荡，高频交易成交量占比降低。市场情绪指标如融资余额、期权隐含波动率、看跌看涨比率达到极端值。逆向投资者开始关注，但大众仍在恐慌卖出。情绪冰点往往对应价格底部区域，但情绪修复需要时间，底部可能反复震荡。
股票与期货联动观察
股指期货贴水幅度收窄，远月合约从深度贴水转为平水甚至升水，表明市场预期改善。商品期货与股票市场联动，如有色金属期货率先反弹，对应股票板块可能跟随。国债期货与股指期货负相关，当国债期货高位回落，股指期货低位企稳，资金从避险资产转向风险资产。跨市场信号相互验证，提高熊市见底判断的可靠性。
量化辅助判断底部
程序化交易中，可构建底部识别模型。以下Python代码演示计算成交量地量信号与估值分位数，结合布林带宽度判断波动收缩。
import numpy as np
import pandas as pd
# 假设数据包含收盘价、成交量、市盈率
def bottom_signals(df, window=20):
df['vol_ma'] = df['volume'].rolling(window).mean()
df['vol_ratio'] = df['volume'] / df['vol_ma']
df['pe_rank'] = df['pe'].rolling(252).apply(lambda x: (x[-1] > x).mean())
df['bb_width'] = (df['close'].rolling(window).std() * 2) / df['close'].rolling(window).mean()
df['bb_low'] = df['bb_width'] < df['bb_width'].rolling(252).quantile(0.1)
df['vol_low'] = df['vol_ratio'] < 0.5
df['pe_low'] = df['pe_rank'] < 0.1
df['bottom'] = df['bb_low'] & df['vol_low'] & df['pe_low']
return df[['close', 'bottom']]
该代码输出底部信号，仅作参考。实际交易需结合止损和仓位管理。期货市场可类似构建持仓量、波动率、期限结构因子。
规律并非精确择时
熊市见底规律提供概率优势，不是精确点位。股票和期货市场底部往往是一个区域，而非一个点。投资者可分批建仓，控制杠杆，等待右侧确认。地量、低估值、政策底、技术背离、情绪冰点同时出现，底部概率显著提高。市场永远存在不确定性，风险控制始终第一。
