research: 一类线重开——病根是选样×止损的交互，不是没机会
用户问「修改 B1/B2 的识别规则呢」，查下来推翻了 §3.399 的关闭结论。 step65 先量机会本身：直接取 seg_list（不经过检测器），线段中位幅度 11.4 ATR， 扣掉 2.9 ATR 确认成本还剩 8.5，是止损的 4.26 倍，93% 的线段装得下。 五币四级别一致。**滞后不是瓶颈**，与原先预期相反。 但这与 §3.397 矛盾（空间在却拿不到），step66 给出解答：之前六次进攻每次只动 一半。完美选样配 2ATR 止损是 0.70/0.83，无选样配结构止损是 0.36， **两个一起是 2.29(5m)/4.11(15m)**，胜率 36%→63% / 44%→70%。是交互不是叠加。 机制来自 MFE/MAE：真底那批逆向行程中位仅 2.24 ATR，2 ATR 止损打掉了 51~58% 的好单；非真底那批逆向行程中位 4.76，放宽只是亏更多。固定 2 ATR 同时做错两件事。 ⚠️ 上界含两个未来函数（线段端点选样、sure_time 入场），是靶子不是策略。 顺带证伪一个我自己的猜测：step58 首轮用 r_scale=True 把 3.9 ATR 止损对应的 runner 目标推到 15.6 ATR（比整段行情还长）。加 --abs-targets 改绝对目标重跑， PF 仍是 0.36，与 r_scale 版完全相同。首轮结论正确，只是理由错了。 Co-authored-by: Cursor <cursoragent@cursor.com>
This commit is contained in:
jackyu66git
+61
-5
@@ -1438,6 +1438,57 @@ step56 的实时版把滞后压到 ≤1 根但无质量过滤（PF 0.40），ste
|
||||
同时把止损位推远到 4.87 ATR。用户的悖论方向对，但不是「继承错误」，
|
||||
是「多等的那两笔把信息也等没了」。
|
||||
|
||||
### 3.3992 ⭐ 一类线重开：病根是选样×止损的交互，不是没机会（step65/58/66）
|
||||
|
||||
用户问「那如果修改 B1/B2 的识别规则呢」。这个问题**推翻了 §3.399 的关闭结论**，
|
||||
下面三步是重开的依据。
|
||||
|
||||
**step65：先量机会本身装不装得下确认成本（不经过检测器，直接取 `seg_list`）**
|
||||
|
||||
| 级别 | 线段中位幅度 | 扣 2.9 ATR 确认成本后 | 剩余 > 2ATR 止损 | 剩余/止损 |
|
||||
|---|---|---|---|---|
|
||||
| 5m | 11.4 ATR | 8.5 | **93%** | **4.26x** |
|
||||
| 15m | 10.9 | 8.0 | 93% | 3.99 |
|
||||
| 1h | 11.5 | 8.6 | 95% | 4.30 |
|
||||
| 4h | 12.4 | 9.5 | 96% | 4.74 |
|
||||
|
||||
五币四级别一致（10.5~13.7）。**滞后不是瓶颈**——这与我原先的预期相反。
|
||||
但它与 §3.397 直接矛盾（空间在，却拿不到），矛盾的解答就是下面这条。
|
||||
|
||||
**step58 复测：先排除一个伪解释。** 首轮结构止损用了 `r_scale=True`，
|
||||
3.9 ATR 的止损把 runner 目标推到 15.6 ATR，比 11.4 ATR 的整段行情还长。
|
||||
改成绝对 3/8 ATR 目标重跑，PF 仍是 0.36（与 r_scale 版**完全相同**）。
|
||||
**我预判的这个修正不成立**，首轮结论正确只是理由错了。
|
||||
|
||||
**step66：把两个杠杆同时拧（三者首次组合），天花板一次性打开**
|
||||
|
||||
| 5m | 固定 2ATR | 结构+1.0 |
|
||||
|---|---|---|
|
||||
| 落在真线段端点（28.7%） | PF **0.70** / 胜率 36% | PF **2.29** / 胜率 63% |
|
||||
| 没落在（71.3%） | 0.08 | 0.14 |
|
||||
|
||||
15m：真底那批 **0.83 → 4.11**，胜率 44% → 70%。
|
||||
|
||||
**这是交互效应，不是叠加**——前三次进攻各自只动了一半，所以全部失败：
|
||||
|
||||
| 只做完美选样（step60） | 只放宽止损（step58） | **两个一起（step66）** |
|
||||
|---|---|---|
|
||||
| 0.70 / 0.83 | 0.36 | **2.29 / 4.11** |
|
||||
|
||||
MFE/MAE 给出机制：真底那批**逆向行程中位 2.24 ATR（5m）/ 2.08（15m）**，
|
||||
即 2 ATR 止损**打掉了 51~58% 的好单**；而非真底那批逆向行程中位 4.76/4.93，
|
||||
放宽只是亏更多。**固定 2 ATR 同时做错两件事：杀掉对的单，又留不住错的单。**
|
||||
|
||||
⚠️ **这个 2.29/4.11 里有两个未来函数，不是策略，是上界**：
|
||||
(a) 选样用了线段端点；(b) 入场仍在 `sure_time`，而 §3.396 证明实盘还要再晚 15 根。
|
||||
它证明的是**失败原因可修（选样精度 + 止损位），而非这个级别没得做**。
|
||||
|
||||
**由此产生的两个待跑实验：**
|
||||
1. **实时过滤器 + 结构止损**（唯一值得跑的组合）。step62 的 `ext_run` 实时可算、
|
||||
已把精度做到 47.9%，但当时配 2 ATR 止损所以只到 0.54。天花板说这个配错了。
|
||||
2. **超时从 48 根放宽**。线段中位时长 **113 根**，48 根超时在行情走完 42% 时就平仓；
|
||||
真底那批 MFE 中位仅 2.37 ATR，很可能就是被截断的（而非行情本身小）。
|
||||
|
||||
### 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，
|
||||
@@ -2649,11 +2700,16 @@ API 限流风险隔离三个好处。
|
||||
§3.396 证明 `sure_time` 对一类是后视产物（PF 2.35 → 0.92）。B4 用的是
|
||||
同一个 `sure_time` 字段，**在这个回放出结果前，所有 B4 的历史 PF 都待定**。
|
||||
若 B4 也栽，整条线要重估；若过了，B4 是目前唯一活着的信号
|
||||
- [x] **一二类买卖点全线关闭**（step55~62 一类、step64 二类，见 §3.393~3.3991）。
|
||||
一类是**信号指反**（t = −17~−22，有信息但方向错，错在滞后），
|
||||
二类是**信号消失**（两个方向 t 都贴零，且入场离结构止损位 4.87 ATR）。
|
||||
六次独立进攻全部止步 PF 1.0 以下，**含用未来函数选样也只到 0.83**。
|
||||
**不要重开**，除非能从机制上解决「等笔确认」带来的滞后
|
||||
- [ ] ⭐ **一类线已重开，跑「实时过滤器 + 结构止损」**（§3.3992）。
|
||||
§3.399 的关闭结论**已被 step66 推翻**：之前六次进攻每次只动一半，
|
||||
完美选样配 2ATR 止损是 0.70，无选样配结构止损是 0.36，**两个一起是 2.29/4.11**。
|
||||
要跑的是 step62 的 `ext_run` 实时过滤器（精度 28.7% → 47.9%）配结构止损，
|
||||
看能兑现多少上界。注意上界含两个未来函数，兑现后必须再过因果回放
|
||||
- [ ] **一类超时从 48 根放宽**（§3.3992）。线段中位时长 113 根，
|
||||
48 根在行情走完 42% 时平仓，真底那批 MFE 中位仅 2.37 ATR 疑似被截断
|
||||
- [x] **二类关闭**（step64，§3.3991）。与一类不同，二类是**信号消失**而非信号指反：
|
||||
两个方向 t 都贴零，且入场离结构止损位 4.87 ATR（一类 2.90），
|
||||
§3.3992 的结构止损解法对它不适用
|
||||
- [x] **step39**：1m 时点重建 + 窗口扫描 → **2000 根窗口饱和，计算 0.20s，
|
||||
假阳性 0%，1m 回测口径可信**
|
||||
- [ ] **对齐 step23 与 step42 的 1m 数字**（3.91bp vs 11.06bp）。差距可能来自
|
||||
|
||||
@@ -117,6 +117,12 @@ def main() -> None:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--tf", default="5m")
|
||||
ap.add_argument("--rows", type=int, default=200_000)
|
||||
# step65 发现线段中位幅度只有 11.4 ATR，而 r_scale 会把 3.9 ATR 的结构止损
|
||||
# 对应的 runner 目标推到 15.6 ATR —— 比整段行情还长，永远打不到。
|
||||
# 本脚本首轮全程用了 r_scale=True，等于「放宽止损」和「目标够不着」同时生效，
|
||||
# 两个效应互相抵消，那轮的结论无效。绝对目标才是与 11.4 ATR 相容的口径。
|
||||
ap.add_argument("--abs-targets", action="store_true",
|
||||
help="目标位用绝对 ATR（3/8）而非按止损等比放大")
|
||||
args = ap.parse_args()
|
||||
|
||||
d = pd.read_feather(SRC)
|
||||
@@ -149,7 +155,7 @@ def main() -> None:
|
||||
df = fetch_ohlcv(f"{sym}/USDT:USDT", args.tf, args.rows)
|
||||
cache[(sym, args.tf)] = TF_DF(df, 1, args.tf).dataframe
|
||||
|
||||
print("目标随止损等比放大，恒定 1.5R 减半 / 4R 收尾，与实盘的 2/3/8 同构。")
|
||||
print(f"目标位口径：{'绝对 3/8 ATR（装得进 11.4 ATR 的线段）' if args.abs_targets else '随止损等比放大（恒定 1.5R/4R）'}")
|
||||
for flip in (False, True):
|
||||
for label, margin in [("固定2ATR", None), ("结构+0.25", 0.25),
|
||||
("结构+0.5", 0.5), ("结构+1.0", 1.0),
|
||||
@@ -166,7 +172,7 @@ def main() -> None:
|
||||
# 入场价另一侧同样宽度处，否则两组比的不是同一个东西
|
||||
sl = (np.full(len(x), 2.0) if margin is None
|
||||
else (x.to_ext.values + margin))
|
||||
res = simulate(cdf, t, sl)
|
||||
res = simulate(cdf, t, sl, r_scale=not args.abs_targets)
|
||||
ok = res.g.notna().values
|
||||
gs.append(res.g[ok])
|
||||
rs.append(res.r[ok])
|
||||
|
||||
@@ -0,0 +1,180 @@
|
||||
"""改识别规则之前，先量机会本身装不装得下确认成本。
|
||||
|
||||
用户问：改 B1/B2 的识别规则行不行？
|
||||
|
||||
「改识别规则」有两种含义，第一种已经被测过上限：
|
||||
(a) 换规则**挑**出更好的 B1 —— step60 用未来函数只留极值落在真线段底 ±2 根内
|
||||
的信号，这是任何识别规则的理论最好情况，PF 仅 0.70~0.83。这一类改法封死。
|
||||
|
||||
但 0.83 这个上限本身是**结果**，背后是一个从没直接测过的量：
|
||||
|
||||
一段线段从真底走到真顶，一共有几个 ATR？而等笔确认要花掉 2.9 个。
|
||||
|
||||
这决定了 (b) 类改法（改**入场时点/构造**，而非改选样）有没有空间：
|
||||
|
||||
线段幅度 4 ATR -> 进场吃掉 2.9，剩 1.1 去扛 2 ATR 止损，**任何规则都救不活**
|
||||
线段幅度 12 ATR -> 2.9 只是小费，值得继续改规则
|
||||
|
||||
注意这测的是**市场**，不是我们的检测器：标准答案直接取 `seg_list` 的真实端点，
|
||||
完全不经过 `find_all_bsp`。所以结论对「换任何一套识别规则」都成立。
|
||||
|
||||
而且这个比值大概率**随级别变化**（ATR 与线段幅度未必同比例缩放），所以跑
|
||||
5m/15m/1h/4h。真正的产出不是「改不改规则」，而是**「在哪个级别上改才有意义」**。
|
||||
|
||||
预算恒等式（每根线段一行）：
|
||||
可捕获 = 线段幅度 − 确认成本 需要 > 止损 才有正期望的可能
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import sys
|
||||
import warnings
|
||||
from concurrent.futures import ProcessPoolExecutor, as_completed
|
||||
from pathlib import Path
|
||||
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
|
||||
warnings.filterwarnings("ignore")
|
||||
HERE = Path(__file__).resolve().parent
|
||||
sys.path.insert(0, str(HERE))
|
||||
sys.path.insert(0, str(HERE.parent))
|
||||
|
||||
OUT = HERE / "out" / "step65_room.feather"
|
||||
SL_ATR = 2.0
|
||||
|
||||
|
||||
def collect(sym: str, tf: str, rows: int) -> pd.DataFrame | None:
|
||||
from chanlun import TF_DF
|
||||
from chanlun.core.ChanEnum import Chan_SEG_DIR
|
||||
from lib.data import fetch_ohlcv
|
||||
|
||||
try:
|
||||
df = fetch_ohlcv(f"{sym}/USDT:USDT", tf, rows)
|
||||
if df is None or len(df) < 3_000:
|
||||
return None
|
||||
chan = TF_DF(df, 1, tf, lean=False)
|
||||
cdf = chan.dataframe
|
||||
segs = [s for s in (getattr(chan, "seg_list", []) or [])
|
||||
if s.end_time is not None and s.start_time is not None]
|
||||
if len(segs) < 20:
|
||||
return None
|
||||
|
||||
dser = pd.to_datetime(cdf["date"])
|
||||
if dser.dt.tz is not None:
|
||||
dser = dser.dt.tz_localize(None)
|
||||
didx = pd.DatetimeIndex(dser)
|
||||
n = len(cdf)
|
||||
atr = cdf["atr"].to_numpy(float)
|
||||
hi, lo = cdf["high"].to_numpy(float), cdf["low"].to_numpy(float)
|
||||
|
||||
def to_i(ts) -> int:
|
||||
t = pd.Timestamp(ts)
|
||||
return int(didx.searchsorted(t.tz_localize(None) if t.tz else t))
|
||||
|
||||
rec = []
|
||||
for sg in segs:
|
||||
i0, i1 = to_i(sg.start_time), to_i(sg.end_time)
|
||||
if not (0 <= i0 < i1 < n) or i1 - i0 < 2:
|
||||
continue
|
||||
a = atr[i0]
|
||||
if not np.isfinite(a) or a <= 0:
|
||||
continue
|
||||
up = sg.dir != Chan_SEG_DIR.DOWN
|
||||
# 从线段起点（上一段的真实反转点）到终点的幅度
|
||||
span = ((hi[i0:i1 + 1].max() - lo[i0]) if up
|
||||
else (hi[i0] - lo[i0:i1 + 1].min()))
|
||||
rec.append({
|
||||
"sym": sym, "tf": tf, "dir": 1 if up else -1,
|
||||
"bars": i1 - i0,
|
||||
"span_atr": span / a,
|
||||
"atr_pct": a / float(cdf["close"].to_numpy(float)[i0]),
|
||||
})
|
||||
return pd.DataFrame(rec) if rec else None
|
||||
except Exception as e: # noqa: BLE001
|
||||
print(f" {sym} {tf} 失败: {type(e).__name__}: {e}", flush=True)
|
||||
return None
|
||||
|
||||
|
||||
TFO = {"5m": 0, "15m": 1, "1h": 2, "4h": 3}
|
||||
|
||||
|
||||
def report(d: pd.DataFrame, cost: float) -> None:
|
||||
print("\n" + "=" * 96)
|
||||
print(f"【一】线段幅度 vs 确认成本（成本按一类实测的 {cost} ATR 计）")
|
||||
print("=" * 96)
|
||||
rows = []
|
||||
for tf, x in sorted(d.groupby("tf"), key=lambda kv: TFO.get(kv[0], 9)):
|
||||
q = x.span_atr.quantile([.25, .5, .75]).values
|
||||
room = x.span_atr - cost
|
||||
rows.append({
|
||||
"级别": tf, "线段数": len(x),
|
||||
"幅度Q1": round(q[0], 1), "幅度中位": round(q[1], 1),
|
||||
"幅度Q3": round(q[2], 1),
|
||||
"确认后剩余(中位)": round(q[1] - cost, 1),
|
||||
f"剩余>止损{SL_ATR}": f"{(room > SL_ATR).mean()*100:.0f}%",
|
||||
"剩余/止损": round((q[1] - cost) / SL_ATR, 2),
|
||||
"中位时长(根)": int(x.bars.median()),
|
||||
})
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
print(f"""
|
||||
「剩余/止损」是这张表的结论行：真底进场、扣掉确认成本后，还剩几倍止损的空间。
|
||||
< 1 机会装不下确认成本，**换任何识别规则都没用**
|
||||
1~2 勉强打平，要求选样精度极高（step60 实测最好 30%）
|
||||
> 2 有空间，值得改规则/改入场构造""")
|
||||
|
||||
print("\n【二】把确认成本当变量：多低才够用")
|
||||
rows = []
|
||||
for tf, x in sorted(d.groupby("tf"), key=lambda kv: TFO.get(kv[0], 9)):
|
||||
r = {"级别": tf}
|
||||
for c in (0.0, 1.0, 2.0, 2.9):
|
||||
r[f"成本{c}"] = round((x.span_atr.median() - c) / SL_ATR, 2)
|
||||
rows.append(r)
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
print("\n 成本 0 = 完美实时（在真底那根就进）。若连成本 0 那列都 < 2，"
|
||||
"\n 说明**不是滞后的问题，是这个级别的线段本身就太小**。")
|
||||
|
||||
print("\n【三】逐币（中位幅度 ATR），看结论是否普适")
|
||||
print(d.pivot_table(index="sym", columns="tf", values="span_atr",
|
||||
aggfunc="median").round(1)
|
||||
.reindex(columns=[t for t in TFO if t in set(d.tf)])
|
||||
.to_string())
|
||||
|
||||
|
||||
def main() -> None:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--symbols", default="BTC,ETH,SOL,LINK,DOGE")
|
||||
ap.add_argument("--tfs", default="5m,15m,1h,4h")
|
||||
ap.add_argument("--rows", type=int, default=200_000)
|
||||
ap.add_argument("--cost", type=float, default=2.9)
|
||||
ap.add_argument("--workers", type=int, default=2)
|
||||
ap.add_argument("--reuse", action="store_true")
|
||||
args = ap.parse_args()
|
||||
|
||||
if args.reuse and OUT.exists():
|
||||
report(pd.read_feather(OUT), args.cost)
|
||||
return
|
||||
syms = [s.strip() for s in args.symbols.split(",")]
|
||||
tfs = [t.strip() for t in args.tfs.split(",")]
|
||||
parts = []
|
||||
with ProcessPoolExecutor(max_workers=args.workers) as ex:
|
||||
fut = {ex.submit(collect, s, t, args.rows): (s, t)
|
||||
for s in syms for t in tfs}
|
||||
for i, f in enumerate(as_completed(fut), 1):
|
||||
r = f.result()
|
||||
s, t = fut[f]
|
||||
print(f" [{i}/{len(fut)}] {s} {t} "
|
||||
f"{0 if r is None else len(r)}", flush=True)
|
||||
if r is not None:
|
||||
parts.append(r)
|
||||
if not parts:
|
||||
print("无结果")
|
||||
return
|
||||
d = pd.concat(parts, ignore_index=True)
|
||||
OUT.parent.mkdir(exist_ok=True)
|
||||
d.to_feather(OUT)
|
||||
report(d, args.cost)
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
@@ -0,0 +1,152 @@
|
||||
"""改识别规则到底有没有用：把天花板一次性测到顶。
|
||||
|
||||
用户问「改 B1/B2 的识别规则呢」。step65 让这个问题变得可判定，但也制造了一个
|
||||
必须解释的矛盾：
|
||||
|
||||
线段中位 11.4 ATR，进场花掉 2.9，剩 8.5 —— 是 2 ATR 止损的 4.26 倍。
|
||||
可 step60 用未来函数选出真底的那批 B1，PF 仍只有 0.70~0.83。
|
||||
|
||||
空间明明在，就是拿不到。两种解释对用户的问题给出**相反**的答案：
|
||||
|
||||
选样问题：只有 30% 的 B1 落在真线段底，那 8.5 ATR 只存在于这 30% 里，
|
||||
其余 70% 是趋势中途，后面根本没有行情 -> **改识别规则有用**
|
||||
路径问题：就算落在真底，11.4 ATR 是净幅度，路上的回撤照样打掉止损
|
||||
-> **改识别规则没用**
|
||||
|
||||
区分只需要一个从没跑过的组合：**未来函数选样 + 结构止损 + 绝对目标**。
|
||||
三样单独都失败过（step60 的 0.83 / step58 的 0.36 / 本轮 abs 的 0.36），
|
||||
组合起来没试过。它测的不是某条规则，是**所有识别规则的上界**：
|
||||
|
||||
上界 < 1.0 -> 路径问题，一类线彻底关闭，别再改规则
|
||||
上界 > 1.5 -> 选样问题，改识别规则有用，且这里就是要够到的目标
|
||||
|
||||
同时量 MFE 做交叉验证：真底那批到底跑没跑出 8.5 ATR。
|
||||
跑出来了却还是亏 -> 铁证是止损/路径
|
||||
根本没跑出来 -> 说明 11.4 ATR 那个测量传导不到这批信号上，step65 要重解释
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import sys
|
||||
import warnings
|
||||
from pathlib import Path
|
||||
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
|
||||
warnings.filterwarnings("ignore")
|
||||
HERE = Path(__file__).resolve().parent
|
||||
sys.path.insert(0, str(HERE))
|
||||
sys.path.insert(0, str(HERE.parent))
|
||||
|
||||
SRC = HERE / "out" / "step64_b2.feather"
|
||||
MAXB = 48
|
||||
|
||||
|
||||
def mfe_mae(cdf: pd.DataFrame, idx: np.ndarray, dirs: np.ndarray,
|
||||
atr: np.ndarray) -> tuple[np.ndarray, np.ndarray]:
|
||||
"""入场后 MAXB 根内最远的顺向/逆向行程（ATR）。"""
|
||||
hi, lo = cdf["high"].to_numpy(float), cdf["low"].to_numpy(float)
|
||||
op = cdf["open"].to_numpy(float)
|
||||
n = len(cdf)
|
||||
fe = np.full(len(idx), np.nan)
|
||||
ae = np.full(len(idx), np.nan)
|
||||
for k, (i, d, a) in enumerate(zip(idx, dirs, atr)):
|
||||
e = int(i) + 1
|
||||
if e >= n or not np.isfinite(a) or a <= 0:
|
||||
continue
|
||||
j = min(e + MAXB, n)
|
||||
px = op[e]
|
||||
if d == 1:
|
||||
fe[k] = (hi[e:j].max() - px) / a
|
||||
ae[k] = (px - lo[e:j].min()) / a
|
||||
else:
|
||||
fe[k] = (px - lo[e:j].min()) / a
|
||||
ae[k] = (hi[e:j].max() - px) / a
|
||||
return fe, ae
|
||||
|
||||
|
||||
def main() -> None:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--tf", default="5m")
|
||||
ap.add_argument("--rows", type=int, default=200_000)
|
||||
args = ap.parse_args()
|
||||
|
||||
from chanlun import TF_DF
|
||||
from lib.data import fetch_ohlcv
|
||||
from step58_struct_stop import simulate, stats
|
||||
|
||||
d = pd.read_feather(SRC)
|
||||
d = d[(d.tf == args.tf) & d.type.isin(["B1", "S1"])].copy()
|
||||
d["to_ext"] = (d.entry_px - d.own_ext) * d.dir / d.atr_at_entry
|
||||
print(f"[识别规则天花板] {args.tf} · 一类 {len(d)} 笔 · "
|
||||
f"其中落在真线段端点 {d.hit.sum()} 笔 ({d.hit.mean()*100:.1f}%)\n")
|
||||
|
||||
cache = {}
|
||||
for sym in sorted(d.sym.unique()):
|
||||
df = fetch_ohlcv(f"{sym}/USDT:USDT", args.tf, args.rows)
|
||||
cache[sym] = TF_DF(df, 1, args.tf).dataframe
|
||||
|
||||
print("=" * 96)
|
||||
print("【一】MFE 交叉验证：真底那批到底跑没跑出 step65 说的 8.5 ATR")
|
||||
print("=" * 96)
|
||||
rows = []
|
||||
for k, g in d.groupby(d.hit):
|
||||
fe, ae = [], []
|
||||
for sym, x in g.groupby("sym"):
|
||||
f_, a_ = mfe_mae(cache[sym], x.i_sure.values, x.dir.values,
|
||||
x.atr_at_entry.values)
|
||||
fe.append(f_)
|
||||
ae.append(a_)
|
||||
fe, ae = np.concatenate(fe), np.concatenate(ae)
|
||||
ok = np.isfinite(fe)
|
||||
rows.append({
|
||||
"落在真线段端点": "是" if k else "否", "笔数": int(ok.sum()),
|
||||
"MFE中位": round(float(np.median(fe[ok])), 2),
|
||||
"MFE≥3ATR": f"{(fe[ok] >= 3).mean()*100:.0f}%",
|
||||
"MFE≥8ATR": f"{(fe[ok] >= 8).mean()*100:.0f}%",
|
||||
"MAE中位": round(float(np.median(ae[ok])), 2),
|
||||
"MAE≥2ATR(会被现止损打掉)": f"{(ae[ok] >= 2).mean()*100:.0f}%",
|
||||
})
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
print("""
|
||||
判读：若「是」那行 MFE 中位远低于 8.5，说明 step65 的线段幅度传导不到
|
||||
信号上（进场时行情已经走掉了大半）；若 MFE 够大而 MAE 也大，则是路径问题。""")
|
||||
|
||||
print("\n" + "=" * 96)
|
||||
print("【二】天花板：未来函数选样 + 结构止损 + 绝对目标（三者首次组合）")
|
||||
print("=" * 96)
|
||||
rows = []
|
||||
for k, g in d.groupby(d.hit):
|
||||
for label, margin in [("固定2ATR", None), ("结构+0.5", 0.5),
|
||||
("结构+1.0", 1.0), ("结构+1.5", 1.5)]:
|
||||
gs, rs, cs, ap_, sl_ = [], [], [], [], []
|
||||
for sym, x in g.groupby("sym"):
|
||||
x = x.reset_index(drop=True)
|
||||
t = pd.DataFrame({"entry_idx": x.i_sure.values,
|
||||
"direction": x.dir.values,
|
||||
"atr_at_entry": x.atr_at_entry.values})
|
||||
sl = (np.full(len(x), 2.0) if margin is None
|
||||
else (x.to_ext.values + margin))
|
||||
res = simulate(cache[sym], t, sl, r_scale=False)
|
||||
ok = res.g.notna().values
|
||||
gs.append(res.g[ok])
|
||||
rs.append(res.r[ok])
|
||||
cs.append(res.c[ok])
|
||||
ap_.append((x.atr_at_entry.values / x.entry_px.values)[ok])
|
||||
sl_.append(sl[ok])
|
||||
rows.append({
|
||||
"落在真线段端点": "是" if k else "否", "止损": label,
|
||||
**stats(pd.concat(gs, ignore_index=True),
|
||||
pd.concat(rs, ignore_index=True),
|
||||
pd.concat(cs, ignore_index=True),
|
||||
np.concatenate(ap_), np.concatenate(sl_))})
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
print("""
|
||||
「是」那几行就是**任何识别规则的上界**（因为选样已经用了未来函数）：
|
||||
< 1.0 路径问题，一类线关闭，改规则无解
|
||||
> 1.5 选样问题，改识别规则有用，且这就是要够到的目标""")
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
Reference in New Issue
Block a user