成交量假设方向是反的：高量入场毛R 0.794，低量 1.421

用户假设「有资金的趋势才是好趋势」，预期开仓根成交量越大越好。成交量在信号根
收盘时可知，符合 step48 立的「只用开仓时已知信息」纪律，是合法的可交易切法。
10 币 × 80 万根、实盘口径 3941 笔，结论与假设相反。

按 vr60（当根量 / 前 60 根均量）四分位：

  量最低（中位 0.63）  毛R 1.421  余量 27.18bp   ← 样本外
  量最高（中位 5.34）  毛R 0.794  余量 13.47bp

单调递减，且样本内外、两套量比基准（前 10 根 / 前 60 根）全部同向。稳健性达到
step49 那条的标准：ATR 四分位 4/4 同向、逐时段 7/7 同向，不是 ATR 换脸。

机制在出场结构里，伤害全在止损命中率：

  量最低  止盈 33.5%  止损 22.5%  超时 44.0%  赢时均R 1.830  亏时均R −1.098
  量最高  止盈 26.1%  止损 45.3%  超时 28.6%  赢时均R 1.651  亏时均R −1.106

亏损幅度四档全是 −1.10（止损就是止损），赢时均R 只降 10%，止损率翻倍是全部
损失来源。这里有个判别点：若只是「2 ATR 止损相对突然放大的波动太窄」的尺度
错配，超时单应按原比例分流进止盈和止损两侧；实际是超时（−15.4pp）和止盈
（−7.4pp）一起流进止损（+22.8pp）。方向本身在变差，不只是止损太窄。

为什么直觉会反：B4/S4 在突破根上进场。大量根意味着这一冲已经由别人的资金
完成，你在它的收盘价接手。「有资金」要能获利必须在资金到达之前进场，不是同时。

与「有前序」是两件独立的事（有前序组 vr10 中位 1.76 vs 无前序 1.46），可叠加：
低量 × 有前序 253 笔，毛R 1.398、余量 31.00bp，是目前见过最宽的执行容忍度。

step48 的采集加 vr10/vr60 两列。

Co-authored-by: Cursor <cursoragent@cursor.com>

research/step50_volume.py

@@ -0,0 +1,190 @@
+"""Step 50：信号根的成交量是否预测质量 ——「有资金的趋势才是好趋势」。
+
+用户假设：开仓时刻的成交量越大，说明有真金白银在推，趋势更可信。
+
+这个假设满足 §3.31 立的纪律：信号根已收盘，其成交量在开仓那一刻可知，
+是合规的可交易信息，不像「我是簇里第几个」那样含未来。
+
+只测两件事，不做穷举（组合空间大，多测必出假阳性）：
+  主假设   相对成交量越高，毛R 与滑点余量越好
+  次假设   它与 §3.31 的「有前序信号」是同一件事，还是两件独立的事
+
+口径与 step48/49 一致。发现期（2026-01-30 起）与样本外分开报，
+主假设若只在其中一边成立就不算通过。
+"""
+from __future__ import annotations
+
+import argparse
+import os
+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")
+for v in ("OMP_NUM_THREADS", "OPENBLAS_NUM_THREADS", "MKL_NUM_THREADS"):
+    os.environ.setdefault(v, "1")
+
+HERE = Path(__file__).resolve().parent
+sys.path.insert(0, str(HERE))
+sys.path.insert(0, str(HERE.parent))
+pd.set_option("display.width", 340)
+
+SL = 2.0
+GATE_BP = 8.0
+WIN_MIN = 5
+OUT = HERE / "out" / "step50_volume.feather"
+IS_START = pd.Timestamp("2026-01-30", tz="Asia/Shanghai")
+
+
+def collect(sym: str, rows: int):
+    import warnings as _w
+    _w.filterwarnings("ignore")
+    sys.path.insert(0, str(HERE))
+    sys.path.insert(0, str(HERE.parent))
+    from step48_signal_timing import collect as _c
+    return _c(sym, rows)
+
+
+def prep(d: pd.DataFrame) -> pd.DataFrame:
+    from lib.exit_model import fee_of, taker_notional
+
+    d = d.sort_values("date").reset_index(drop=True)
+    t = d.date.values.astype("datetime64[m]").astype(np.int64)
+    d["prev"] = np.searchsorted(t, t, "left") - np.searchsorted(t, t - WIN_MIN, "left")
+    net = d.g.values - fee_of(d.r.values, d.c.values)
+    d["net"] = net
+    d["gR"] = d.g.values / (SL * d.atr_pct.values)
+    d["R"] = net / (SL * d.atr_pct.values)
+    d["tn"] = taker_notional(d.r.values, d.c.values)
+    return d
+
+
+def stat(g: pd.DataFrame, lab: str, denom: int) -> dict:
+    if len(g) < 25:
+        return {"分组": lab, "笔数": len(g), "备注": "样本不足"}
+    w, o = g.net[g.net > 0].sum(), -g.net[g.net <= 0].sum()
+    return {"分组": lab, "笔数": len(g), "占比": f"{len(g)/denom*100:.0f}%",
+            "胜率": f"{(g.net > 0).mean()*100:.1f}%",
+            "毛R": round(g.gR.mean(), 3), "净均R": round(g.R.mean(), 3),
+            "PF": round(w / o, 2) if o > 0 else np.inf,
+            "余量bp": round(g.net.mean() / g.tn.mean() * 1e4, 2)}
+
+
+def by_volume(d: pd.DataFrame, col: str, label: str) -> None:
+    x = d[d[col].notna() & np.isfinite(d[col])]
+    if len(x) < 200:
+        print(f"  {label}: 样本不足")
+        return
+    x = x.copy()
+    x["bin"] = pd.qcut(x[col], 4, labels=["量最低", "量中低", "量中高", "量最高"])
+    rows = [stat(g, str(b), len(x)) for b, g in x.groupby("bin", observed=True)]
+    t = pd.DataFrame(rows)
+    med = x.groupby("bin", observed=True)[col].median().round(2).to_dict()
+    t.insert(1, f"{col}中位", [med.get(b) for b in t["分组"]])
+    print(f"\n--- {label} ---")
+    print(t.to_string(index=False))
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--symbols", default="BTC,BNB,ETH,SOL,LINK,LTC,AVAX,XRP,DOGE,ADA")
+    ap.add_argument("--rows", type=int, default=800_000)
+    ap.add_argument("--workers", type=int, default=3)
+    ap.add_argument("--reuse", action="store_true")
+    args = ap.parse_args()
+
+    if args.reuse and OUT.exists():
+        d = pd.read_feather(OUT)
+    else:
+        syms = [s.strip() for s in args.symbols.split(",")]
+        print(f"[信号根成交量] {len(syms)} 币 × {args.rows} 根 1m\n", flush=True)
+        parts = []
+        with ProcessPoolExecutor(max_workers=args.workers) as ex:
+            fut = {ex.submit(collect, s, args.rows): s for s in syms}
+            for i, f in enumerate(as_completed(fut), 1):
+                r = f.result()
+                print(f"  [{i}/{len(syms)}] {fut[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)
+        d.to_feather(OUT)
+
+    d["date"] = pd.to_datetime(d["date"])
+    d = prep(d[(d.htf == 1.0) & d.lad & (d.atr_bp >= GATE_BP)].copy())
+    oos, ins = d[d.date < IS_START], d[d.date >= IS_START]
+    print(f"\n实盘口径 {len(d)} 笔  |  样本外 {len(oos)}  发现期 {len(ins)}")
+
+    print("\n" + "=" * 104)
+    print("########## 主假设：相对成交量越高越好？ ##########")
+    for lab, part in (("样本外", oos), ("发现期", ins)):
+        print(f"\n===== {lab} =====")
+        by_volume(part, "vr10", f"{lab} / 量比 vs 前 10 根")
+        by_volume(part, "vr60", f"{lab} / 量比 vs 前 60 根（换基准对照）")
+
+    print("\n" + "=" * 104)
+    print("########## 次假设：成交量与「有前序」是不是同一件事 ##########")
+    x = d[d.vr10.notna() & np.isfinite(d.vr10)].copy()
+    x["高量"] = x.vr10 >= x.vr10.median()
+    x["有前序"] = x.prev >= 1
+    print("\n2×2（全样本）")
+    rows = []
+    for hv in (False, True):
+        for pv in (False, True):
+            g = x[(x.高量 == hv) & (x.有前序 == pv)]
+            rows.append(stat(g, f"{'高量' if hv else '低量'} × {'有前序' if pv else '无前序'}", len(x)))
+    print(pd.DataFrame(rows).to_string(index=False))
+
+    print("\n" + "=" * 104)
+    print("########## 混淆排查：量效应是不是 ATR 效应换了张脸 ##########")
+    y = d[d.vr60.notna() & np.isfinite(d.vr60)].copy()
+    y["atrQ"] = pd.qcut(y.atr_bp, 4, labels=["ATR-Q1", "Q2", "Q3", "Q4"])
+    rows = []
+    for q, g in y.groupby("atrQ", observed=True):
+        g = g.copy()
+        g["vq"] = pd.qcut(g.vr60, 2, labels=["低量", "高量"])
+        lo, hi = g[g.vq == "低量"], g[g.vq == "高量"]
+        if min(len(lo), len(hi)) < 25:
+            continue
+        rows.append({"ATR分位": str(q), "笔数": len(g),
+                     "低量毛R": round(lo.gR.mean(), 3), "高量毛R": round(hi.gR.mean(), 3),
+                     "毛R差": round(hi.gR.mean() - lo.gR.mean(), 3),
+                     "低量余量": round(lo.net.mean() / lo.tn.mean() * 1e4, 2),
+                     "高量余量": round(hi.net.mean() / hi.tn.mean() * 1e4, 2),
+                     "方向": "低量更好" if lo.gR.mean() > hi.gR.mean() else "高量更好"})
+    print(pd.DataFrame(rows).to_string(index=False))
+
+    print("\n########## 逐时段稳定性（与 step49 同一根标尺）##########")
+    y["半年"] = y.date.dt.to_period("2Q").astype(str)
+    rows = []
+    for p, g in y.groupby("半年", observed=True):
+        if len(g) < 120:
+            continue
+        g = g.copy()
+        g["vq"] = pd.qcut(g.vr60, 2, labels=["低量", "高量"])
+        lo, hi = g[g.vq == "低量"], g[g.vq == "高量"]
+        rows.append({"时段": p, "笔数": len(g),
+                     "低量毛R": round(lo.gR.mean(), 3), "高量毛R": round(hi.gR.mean(), 3),
+                     "低量余量": round(lo.net.mean() / lo.tn.mean() * 1e4, 2),
+                     "高量余量": round(hi.net.mean() / hi.tn.mean() * 1e4, 2),
+                     "方向": "低量更好" if lo.gR.mean() > hi.gR.mean() else "高量更好"})
+    t = pd.DataFrame(rows)
+    print(t.to_string(index=False))
+    if len(t):
+        print(f"\n{len(t)} 个时段中 {(t.方向 == '低量更好').sum()} 个低量更好")
+
+    print("\n两者的相关性")
+    print(f"  有前序组 vr10 中位 {x[x.有前序].vr10.median():.2f}"
+          f"  vs 无前序组 {x[~x.有前序].vr10.median():.2f}")
+    print(f"  高量组里有前序占 {x[x.高量].有前序.mean()*100:.1f}%"
+          f"  vs 低量组 {x[~x.高量].有前序.mean()*100:.1f}%")
+
+
+if __name__ == "__main__":
+    main()