research: 低滞后+质量过滤组合失败，过滤器符号翻转，一类线关闭
把 step62 的 ext_run 质量过滤接到 step56 的低滞后版上——两者各解决一半约束， 是唯一同时处理滞后和识别精度的路径。 失败，且失败方式本身是判据：过滤器符号反了。5m 上延伸度分档在滞后版是 Q1 0.12 / Q4 0.46（越延伸越好），在低滞后版是 Q1 0.58 / Q4 0.33（越短越好）。 叠加后 PF 从 0.37 掉到 0.30~0.33，比不过滤更差。div 同样翻转。 同一批信号、同一个特征，换个入场时点最优方向就反过来，说明这些过滤效果是 入场时点的交互产物而非信号的稳定属性，继续挑阈值就是拟合噪声。 一类线六次独立进攻全部止步 1.0 以下：引擎原生 0.24、反手 0.92（因果回放后）、 实时重写 0.41、结构止损 0.36、用未来函数选样 0.83、质量过滤 0.54、 低滞后+过滤 0.33。第五项尤其说明问题——即使选样做到完美也只到 0.83。 判定关闭。病根是入场价已在结构底上方 2.9 ATR、实盘再晚 15 根，来自「等笔确认」 机制本身而非参数。识别可以优化（精度能翻倍），但识别从来不是瓶颈。 fast_bsp1 顺带补 ext_atr 字段，用 ATR 归一才与 step62 的 ext_run 同口径。 Co-authored-by: Cursor <cursoragent@cursor.com>
This commit is contained in:
jackyu66git
@@ -1322,6 +1322,70 @@ B4 跑出 PF 1.83~2.06 / t +8.5~+10.7。所以 fast B1 的负数不是管线接
|
||||
亏损（死于立即反向而非目标够不着）。它与 §3.397 的结论一致：一类的入场价已在
|
||||
结构底上方 2.9 ATR，那个位置本身就是负期望的。
|
||||
|
||||
### 3.399 ⛔ 一类线收尾：过滤器符号随入场时点翻转，判定为拟合（step62/56）
|
||||
|
||||
用户指出：很多一二类实际在**趋势中途**被识别而非末期；若真在末期，即使有延迟
|
||||
也该走出行情。step60 的数据支持这个判断——命中线段顶点的 30% 是 PF 0.70~0.83，
|
||||
**没命中的 70% 是 PF 0.08**，亏损几乎全部来自误识别在趋势中途的那批。
|
||||
|
||||
**step62：找到了区分变量，识别精度接近翻倍**
|
||||
|
||||
`ext_run`（极值越过中枢边界几个 ATR）单调有效，5m：
|
||||
|
||||
| ext_run 档 | 命中线段顶点 | PF |
|
||||
|---|---|---|
|
||||
| Q1 最短 | **12.0%** | 0.12 |
|
||||
| Q4 最延伸 | **43.8%** | 0.46 |
|
||||
|
||||
最佳组合 `ext_run≥P75 且 div≥中位`：命中率 47.9%、PF 0.54
|
||||
（基准 28.7% / 0.22）。**识别确实可以优化，且幅度不小。**
|
||||
|
||||
三个附带结论：
|
||||
|
||||
- **背驰越强反而越差**：div Q1（最强）命中 17.0% / PF 0.13，Q4（最弱）
|
||||
37.5% / 0.28。这是对 `check_bi_div` 这个 MACD 面积判据的直接证伪。
|
||||
- **趋势级数无区分力**：连续同向中枢数 ≤1/2/3/≥4 的命中率
|
||||
28.5/30.6/28.6/25.5%，基本持平。
|
||||
- **「趋势 vs 盘整」前提引擎已隐含强制**（纠正我先前的猜测）：B1 要求
|
||||
`enter_bi.dir == leave_bi.dir == DOWN`，中枢向下进、向下出本身就定义了它嵌在
|
||||
下跌趋势里，实测该条件在 2504 笔上**恒为 True**，过滤器无从添加。
|
||||
`zs_count` 也不可用——它是全局中枢序号（310、585）而非趋势内序号。
|
||||
|
||||
**step56 复测：把过滤器接到低滞后版上，符号翻转**
|
||||
|
||||
step56 的实时版把滞后压到 ≤1 根但无质量过滤（PF 0.40），step62 有过滤但滞后
|
||||
未解（PF 0.54）。两者各解决一半，合起来是唯一同时处理两个约束的路径。结果：
|
||||
|
||||
| 5m · 延伸度分档 | 滞后版（step62） | 低滞后版（step56） |
|
||||
|---|---|---|
|
||||
| Q1 最短 | 0.12 | **0.58** |
|
||||
| Q4 最延伸 | **0.46** | 0.33 |
|
||||
|
||||
叠加后 PF 从 0.37 掉到 0.30~0.33，**比不过滤更差**。`div` 同样翻转：滞后版里
|
||||
背驰最弱的最好，低滞后版里背驰最强的最好。
|
||||
|
||||
**这个符号翻转是判定依据，不是需要再调的参数。** 同一批信号、同一个特征，
|
||||
换个入场时点最优方向就反过来，说明这些「过滤效果」是入场时点的交互产物，
|
||||
不是信号的稳定属性。继续在上面挑阈值就是拟合噪声。
|
||||
|
||||
**一类线全部尝试汇总（六次独立进攻，全部止步于 1.0 以下）**
|
||||
|
||||
| 尝试 | 最好 PF | 出处 |
|
||||
|---|---|---|
|
||||
| 引擎原生 | 0.20~0.24 | step55 |
|
||||
| 反手 | 2.35~3.03 → **0.92/1.30** 因果回放后 | step57 / **step59** |
|
||||
| 实时重写（fast_bsp1） | 0.36~0.41 | step56 |
|
||||
| 结构止损（目标等比放大） | 0.36 | step58 |
|
||||
| 线段顶点选样（**用未来函数**） | 0.70~0.83 | step60 |
|
||||
| 质量过滤（ext_run + div） | 0.54 | step62 |
|
||||
| **低滞后 + 质量过滤** | **0.33** | step56 |
|
||||
|
||||
注意第五行：**即使用未来函数把选样做到完美，也只到 0.83。**
|
||||
|
||||
**判定：一类线关闭。** 病根是 §3.397 的几何——入场价已在结构底上方 2.9 ATR，
|
||||
实盘回放还要再晚 15 根（§3.396），而这来自「等笔确认」这个机制本身，
|
||||
不是可调参数。识别可以优化，但识别从来不是瓶颈。
|
||||
|
||||
### 3.4 alpha 的来源（step32 消融）
|
||||
|
||||
逐条拆掉 `fast_bsp3` 的条件后发现：**alpha 完全来自缠论中枢的上下文定位，
|
||||
|
||||
@@ -118,6 +118,7 @@ def find_fast_bsp1(
|
||||
high = df["high"].to_numpy(float)
|
||||
low = df["low"].to_numpy(float)
|
||||
hist = df["macdhist"].to_numpy(float)
|
||||
atr = df["atr"].to_numpy(float)
|
||||
n = len(df)
|
||||
rows = []
|
||||
|
||||
@@ -198,11 +199,17 @@ def find_fast_bsp1(
|
||||
note("√成交")
|
||||
|
||||
edge = zd if d == -1 else zg
|
||||
# 延伸度用 ATR 归一，才和 step62 的 ext_run 同口径 —— 那里实测它是
|
||||
# 唯一单调区分「趋势末端 vs 趋势中途」的特征（命中率 12%→44%）。
|
||||
# 用相对边界的百分比会混入价格水平，不同币之间不可比。
|
||||
a_ext = atr[ext_idx]
|
||||
rows.append({
|
||||
"entry_idx": entry_idx, "direction": -d,
|
||||
"bo_idx": bo_idx, "ext_idx": ext_idx,
|
||||
"lag": entry_idx - ext_idx,
|
||||
"div": div_at,
|
||||
"ext_atr": (abs(ext - edge) / a_ext
|
||||
if np.isfinite(a_ext) and a_ext > 0 else np.nan),
|
||||
"depth": abs(ext - edge) / edge,
|
||||
"zg": zg, "zd": zd,
|
||||
"width_pct": (zg - zd) / close[bo_idx],
|
||||
|
||||
@@ -134,6 +134,36 @@ def report(d: pd.DataFrame) -> None:
|
||||
print(" 15m B1 PF 0.21 t −18.9 ｜ S1 PF 0.23 t −15.9")
|
||||
|
||||
f1 = x[x.kind == "fastB1"]
|
||||
if len(f1) >= 120 and "ext_atr" in f1.columns:
|
||||
y = f1.dropna(subset=["ext_atr"])
|
||||
print("\n延伸度分档（ext_atr，step62 在滞后版上实测的唯一单调特征："
|
||||
"\n命中线段顶点的比例 12%→44%，PF 0.12→0.46）：")
|
||||
q = pd.qcut(y["ext_atr"], 4,
|
||||
labels=["Q1最短", "Q2", "Q3", "Q4最延伸"],
|
||||
duplicates="drop")
|
||||
print(pd.DataFrame([{"档": k, **stats(v)}
|
||||
for k, v in y.groupby(q, observed=True)
|
||||
if len(v) >= 30]).to_string(index=False))
|
||||
|
||||
print("\n⭐ 组合：低滞后（本模块）+ 延伸过滤（step62）—— "
|
||||
"唯一同时处理两个约束的路径")
|
||||
p50, p75 = y["ext_atr"].quantile(.50), y["ext_atr"].quantile(.75)
|
||||
dm = y["div"].median()
|
||||
rows = [{"过滤器": "无", **stats(y)}]
|
||||
for nm, g in [
|
||||
(f"ext≥P50({p50:.1f})", y[y["ext_atr"] >= p50]),
|
||||
(f"ext≥P75({p75:.1f})", y[y["ext_atr"] >= p75]),
|
||||
(f"ext≥P75 且 div≥中位", y[(y["ext_atr"] >= p75)
|
||||
& (y["div"] >= dm)]),
|
||||
(f"ext≥P50 且 div≥中位", y[(y["ext_atr"] >= p50)
|
||||
& (y["div"] >= dm)]),
|
||||
]:
|
||||
if len(g) >= 30:
|
||||
rows.append({"过滤器": nm, **stats(g)})
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
print("对照 · 同过滤器在滞后版（step62，5m）：无 PF 0.22 → "
|
||||
"ext≥P75且div≥中位 PF 0.54")
|
||||
|
||||
if len(f1) >= 60:
|
||||
print("\n背驰强度分档（div = 离开段面积/进入段面积，越小背驰越强）：")
|
||||
q = pd.qcut(f1["div"], 4, labels=["Q1最强", "Q2", "Q3", "Q4最弱"],
|
||||
|
||||
Reference in New Issue
Block a user