Compare commits
2
Commits
3b14bba247
...
d2fcb27d01
| Author | SHA1 | Date | |
|---|---|---|---|
 jackyu66gitandCursor
|
d2fcb27d01 | ||
|
jackyu66gitandCursor
|
0b4d7693b8 |
@@ -44,6 +44,27 @@ import pandas as pd
|
||||
|
||||
from chanlun.core.ChanEnum import Chan_FX_TYPE
|
||||
|
||||
# 中枢的「可用时刻」取第几笔的确认时间。
|
||||
# -1 = 最后一笔（历史默认）。中枢每吸收一根K线，最后一笔就可能后移，
|
||||
# 于是 available_ts 跟着漂——这是右边缘重画的根因（见 HANDOFF §5.41）。
|
||||
# 2 = 第三笔。三笔重叠即中枢成立，此后不再变，理论上更早也更稳。
|
||||
# ⛔ step47 已判定 bis[2] 作废（毛 R 0.933 → −0.000，见 HANDOFF §5.42）。
|
||||
# 开关保留只为可复现那次 A/B，**不要改默认值**。
|
||||
import os as _os
|
||||
|
||||
AVAIL_BI_INDEX = -1
|
||||
|
||||
|
||||
def _resolve_avail_bi(avail_bi: int | None) -> int:
|
||||
"""优先级：显式入参 > 环境变量 CHAN_AVAIL_BI > 模块默认。
|
||||
|
||||
环境变量在调用时读取而非 import 时——ProcessPoolExecutor 在 fork 启动方式下
|
||||
子进程会继承已 import 的模块，import 时读就固化成父进程的值了。
|
||||
"""
|
||||
if avail_bi is not None:
|
||||
return avail_bi
|
||||
return int(_os.environ.get("CHAN_AVAIL_BI", AVAIL_BI_INDEX))
|
||||
|
||||
|
||||
def timestamps_ms(src: pd.DataFrame) -> np.ndarray:
|
||||
"""取毫秒时间戳。研究侧的 df 自带 timestamp，web 侧的不一定，故按 date 回退。
|
||||
@@ -69,7 +90,7 @@ def ensure_timestamp(df: pd.DataFrame) -> pd.DataFrame:
|
||||
return out
|
||||
|
||||
|
||||
def build_htf_zones(df_htf: pd.DataFrame, tf: str, chan=None) -> pd.DataFrame:
|
||||
def build_htf_zones(df_htf: pd.DataFrame, tf: str, chan=None, avail_bi: int | None = None) -> pd.DataFrame:
|
||||
"""算 pure 笔中枢，返回带生效时间的区间表。
|
||||
|
||||
available_ts —— 该中枢最早可被使用的时间戳（其确认时刻）。
|
||||
@@ -82,26 +103,28 @@ def build_htf_zones(df_htf: pd.DataFrame, tf: str, chan=None) -> pd.DataFrame:
|
||||
zs_list = chan.cal_bi_zs_list_pure(chan.bi_list)
|
||||
# 用引擎自己的 dataframe 对齐，避免调用方传入的 df 与引擎内部行数不一致
|
||||
src = chan.dataframe if getattr(chan, "dataframe", None) is not None else df_htf
|
||||
return zones_from_zs_list(zs_list, src)
|
||||
return zones_from_zs_list(zs_list, src, avail_bi=avail_bi)
|
||||
|
||||
|
||||
def zones_from_zs_list(zs_list, src: pd.DataFrame) -> pd.DataFrame:
|
||||
def zones_from_zs_list(zs_list, src: pd.DataFrame, avail_bi: int | None = None) -> pd.DataFrame:
|
||||
"""把已算好的 pure 笔中枢转成区间表。
|
||||
|
||||
调用方手工跑过 cal_bi_zs_list_pure 时走这里，免得再算一遍（web 的 analyze_chan
|
||||
就是这种用法）。
|
||||
"""
|
||||
ts_of = dict(zip(src["date"].dt.strftime("%Y-%m-%d %H:%M:%S"), timestamps_ms(src)))
|
||||
# 中枢可用时刻取第几笔。在循环外解析一次，别让每个中枢都去读一遍环境变量。
|
||||
i = _resolve_avail_bi(avail_bi)
|
||||
|
||||
rows = []
|
||||
for zs in zs_list:
|
||||
bis = getattr(zs, "bi_list", [])
|
||||
if not bis:
|
||||
continue
|
||||
# 中枢可用时刻：构成它的最后一笔被确认之时
|
||||
last_bi = bis[-1]
|
||||
sure_key = str(getattr(last_bi, "sure_time", "") or "")
|
||||
end_key = str(getattr(last_bi, "end_time", "") or "")
|
||||
# 笔数不够时退回最后一笔（i=2 需要至少 3 笔才成立）
|
||||
key_bi = bis[i] if (i == -1 or len(bis) > i) else bis[-1]
|
||||
sure_key = str(getattr(key_bi, "sure_time", "") or "")
|
||||
end_key = str(getattr(key_bi, "end_time", "") or "")
|
||||
avail = ts_of.get(sure_key) or ts_of.get(end_key)
|
||||
if avail is None:
|
||||
continue
|
||||
|
||||
+32
-8
@@ -63,10 +63,11 @@ class ChanKLC():
|
||||
self.bsp = False
|
||||
self.bsp_type = Chan_BSP_TYPE.NONE
|
||||
# EMA状态字典：key为EMA名称，value为 {'pos': Chan_EMA_POS, 'semantic': Chan_EMA_SEMANTIC}
|
||||
self.ema_status = {}
|
||||
self._ema_status = {}
|
||||
self._ema_status_dirty = False
|
||||
# 向后兼容：保留 ema52_status 和 ema52_pos
|
||||
self.ema52_status = 0
|
||||
self.ema52_pos = Chan_EMA_POS.UNKNOWN
|
||||
self._ema52_status = 0
|
||||
self._ema52_pos = Chan_EMA_POS.UNKNOWN
|
||||
self.bb2633upper = klu.bb2633upper
|
||||
self.bb2633lower = klu.bb2633lower
|
||||
self.bb2633middle = klu.bb2633middle
|
||||
@@ -283,21 +284,44 @@ class ChanKLC():
|
||||
'ema156': self.ema156,
|
||||
'ema208': self.ema208,
|
||||
}
|
||||
self.ema_status = {}
|
||||
self._ema_status_dirty = False
|
||||
self._ema_status = {}
|
||||
for name, value in ema_configs.items():
|
||||
# 按 EMA 值的百分比自动计算阈值
|
||||
threshold = abs(value) * self.threshold_pct if value and self.threshold_pct > 0 else 0
|
||||
pos = ChanKLC.cal_ema_pos(self.high, self.low, self.close, value, threshold)
|
||||
semantic = ChanKLC.cal_ema_semantic(pos, self.dir, self.ema_dir)
|
||||
self.ema_status[name] = {
|
||||
self._ema_status[name] = {
|
||||
'pos': pos,
|
||||
'semantic': semantic,
|
||||
'value': value,
|
||||
'threshold': threshold,
|
||||
}
|
||||
# 向后兼容
|
||||
self.ema52_pos = self.ema_status['ema52']['pos']
|
||||
self.ema52_status = ChanKLC.semantic_to_int(self.ema_status['ema52']['semantic'])
|
||||
self._ema52_pos = self._ema_status['ema52']['pos']
|
||||
self._ema52_status = ChanKLC.semantic_to_int(self._ema_status['ema52']['semantic'])
|
||||
|
||||
# 以下三个改成惰性求值。原来 set_end_klu 每次合并 KLU 都会立刻重算一遍，
|
||||
# 实测占 TF_DF 构建的约 25%，而全仓（含前端）没有任何地方读取它的产出。
|
||||
# 保留属性形式是为了任何外部读取仍拿到正确值，只是推迟到真被读时才算。
|
||||
@property
|
||||
def ema_status(self):
|
||||
if self._ema_status_dirty:
|
||||
self.cal_all_ema_status()
|
||||
return self._ema_status
|
||||
|
||||
@property
|
||||
def ema52_pos(self):
|
||||
if self._ema_status_dirty:
|
||||
self.cal_all_ema_status()
|
||||
return self._ema52_pos
|
||||
|
||||
@property
|
||||
def ema52_status(self):
|
||||
if self._ema_status_dirty:
|
||||
self.cal_all_ema_status()
|
||||
return self._ema52_status
|
||||
|
||||
def get_ema_pos(self, ema_name):
|
||||
"""获取指定EMA的客观位置，如 klc.get_ema_pos('ema24')"""
|
||||
if ema_name in self.ema_status:
|
||||
@@ -448,7 +472,7 @@ class ChanKLC():
|
||||
klu.set_klc(self)
|
||||
self.klc_dir = Chan_KLINE_DIR.UP if self.close > self.open else Chan_KLINE_DIR.DOWN
|
||||
self.cal_indicators()
|
||||
self.cal_all_ema_status()
|
||||
self._ema_status_dirty = True
|
||||
if self.open > self.high:
|
||||
self.open = self.high
|
||||
if self.close > self.high:
|
||||
|
||||
+33
-20
@@ -160,27 +160,40 @@ class ChanKLU:
|
||||
return False
|
||||
else:
|
||||
return True
|
||||
# 属性名 ← dataframe 列名。两条赋值路径（逐行 Series / 预取 ndarray）共用这张表，
|
||||
# 免得将来加指标时只改一处、另一处静默漏掉。
|
||||
INDICATOR_FIELDS = (
|
||||
('macd', 'macd'), ('signal', 'macdsignal'), ('macdhist', 'macdhist'),
|
||||
('ema26', 'ema26'), ('ema52', 'ema52'), ('ema24', 'ema24'),
|
||||
('ema104', 'ema104'), ('ema156', 'ema156'), ('ema208', 'ema208'),
|
||||
('ema13', 'ema13'), ('ema7', 'ema7'), ('ema5', 'ema5'),
|
||||
('rsi', 'rsi'), ('volume_ratio', 'volume_ratio'),
|
||||
('bb52upper', 'bb52upper'), ('bb52lower', 'bb52lower'),
|
||||
('bb2633upper', 'bb2633upper'), ('bb2633lower', 'bb2633lower'),
|
||||
('bb2633middle', 'bb2633middle'), ('ma5', 'ma5'),
|
||||
)
|
||||
|
||||
def set_indicators(self, item):
|
||||
self.macd = float(item['macd']) if 'macd' in item and item['macd'] else 0
|
||||
self.signal = float(item['macdsignal']) if 'macdsignal' in item and item['macdsignal'] else 0
|
||||
self.macdhist = float(item['macdhist']) if 'macdhist' in item and item['macdhist'] else 0
|
||||
self.ema26 = float(item['ema26']) if 'ema26' in item and item['ema26'] else 0
|
||||
self.ema52 = float(item['ema52']) if 'ema52' in item and item['ema52'] else 0
|
||||
self.ema24 = float(item['ema24']) if 'ema24' in item and item['ema24'] else 0
|
||||
self.ema104 = float(item['ema104']) if 'ema104' in item and item['ema104'] else 0
|
||||
self.ema156 = float(item['ema156']) if 'ema156' in item and item['ema156'] else 0
|
||||
self.ema208 = float(item['ema208']) if 'ema208' in item and item['ema208'] else 0
|
||||
self.ema13 = float(item['ema13']) if 'ema13' in item and item['ema13'] else 0
|
||||
self.ema7 = float(item['ema7']) if 'ema7' in item and item['ema7'] else 0
|
||||
self.rsi = float(item['rsi']) if 'rsi' in item and item['rsi'] else 0
|
||||
self.volume_ratio = float(item['volume_ratio']) if 'volume_ratio' in item and item['volume_ratio'] else 0
|
||||
self.bb52upper = float(item['bb52upper']) if 'bb52upper' in item and item['bb52upper'] else 0
|
||||
self.bb52lower = float(item['bb52lower']) if 'bb52lower' in item and item['bb52lower'] else 0
|
||||
self.bb2633upper = float(item['bb2633upper']) if 'bb2633upper' in item and item['bb2633upper'] else 0
|
||||
self.bb2633lower = float(item['bb2633lower']) if 'bb2633lower' in item and item['bb2633lower'] else 0
|
||||
self.bb2633middle = float(item['bb2633middle']) if 'bb2633middle' in item and item['bb2633middle'] else 0
|
||||
self.ma5 = float(item['ma5']) if 'ma5' in item and item['ma5'] else 0
|
||||
self.ema5 = float(item['ema5']) if 'ema5' in item and item['ema5'] else 0
|
||||
"""单根赋值。增量追加时每次只有一根，走这条即可。
|
||||
|
||||
原写法是 `float(item[c]) if c in item and item[c] else 0`。其中的真值判断
|
||||
是空转：值为 0.0 时 float(0.0) 仍是 0，值为 NaN 时 NaN 为真值、照样透传。
|
||||
唯一起作用的是「列不存在则填 0」，所以这里只保留那一层。
|
||||
"""
|
||||
for attr, col in self.INDICATOR_FIELDS:
|
||||
v = item[col] if col in item else 0
|
||||
setattr(self, attr, float(v) if v else 0)
|
||||
|
||||
def set_indicators_from(self, cols, i):
|
||||
"""从预取的 {列名: ndarray} 按下标赋值，语义与 set_indicators 相同。
|
||||
|
||||
全量构建时用这条：避免每根 `df.iloc[i]` 构造一个 Series，再在其上做
|
||||
几十次逐键查找——那是 TF_DF 构建 96% 的耗时所在。
|
||||
"""
|
||||
for attr, col in self.INDICATOR_FIELDS:
|
||||
arr = cols.get(col)
|
||||
v = arr[i] if arr is not None else 0
|
||||
setattr(self, attr, float(v) if v else 0)
|
||||
def cal_macd_state(self):
|
||||
# 按定义精简实现：优先级 CROSS0 > 位置(HIGH/HE/RETURN_ZERO) > NEAR0 > UNKNOWN
|
||||
# 首条或缺前一根
|
||||
|
||||
@@ -147,41 +147,53 @@ class KlineBuilderMixin:
|
||||
return df['volume_ratio']
|
||||
|
||||
def cal_kl_data(self, dataframe:DataFrame):
|
||||
fields = "time,open,high,low,close,volume"
|
||||
"""按行构造 KLU 链。
|
||||
|
||||
这里刻意不用 `dataframe.iloc[i]`：那会为每一根新建一个几十列的 Series，
|
||||
随后 set_indicators 再在其上做几十次逐键查找。实测这两件事合计占 TF_DF
|
||||
构建耗时的 96%。改为先把用到的列取成 ndarray，循环里只做整数下标访问。
|
||||
"""
|
||||
n = len(dataframe)
|
||||
if n == 0:
|
||||
return []
|
||||
|
||||
times = self._format_times(dataframe['date'])
|
||||
o_a = dataframe['open'].to_numpy(dtype=float)
|
||||
h_a = dataframe['high'].to_numpy(dtype=float)
|
||||
l_a = dataframe['low'].to_numpy(dtype=float)
|
||||
c_a = dataframe['close'].to_numpy(dtype=float)
|
||||
v_a = dataframe['volume'].to_numpy(dtype=float)
|
||||
|
||||
has_ind = 'macd' in dataframe.columns
|
||||
ind_cols = {}
|
||||
if has_ind:
|
||||
for _attr, col in ChanKLU.INDICATOR_FIELDS:
|
||||
if col in dataframe.columns:
|
||||
ind_cols[col] = dataframe[col].to_numpy(dtype=float)
|
||||
|
||||
klu_list = []
|
||||
last_klu = None
|
||||
for i in range(0, len(dataframe)):
|
||||
item = dataframe.iloc[i]
|
||||
date = item['date']
|
||||
o = item['open']
|
||||
h = item['high']
|
||||
l = item['low']
|
||||
c = item['close']
|
||||
v = item['volume']
|
||||
# time_obj = date.fromtimestamp(date)
|
||||
# date = date + timedelta(hours=8)
|
||||
time_str = date.strftime('%Y-%m-%d %H:%M:%S')
|
||||
item_data = [
|
||||
time_str,
|
||||
o,
|
||||
h,
|
||||
l,
|
||||
c,
|
||||
v
|
||||
]
|
||||
# klu = KLU(self.create_item_dict(item_data, GetColumnNameFromFieldList(fields)))
|
||||
klu = ChanKLU(time_str, o, h, l, c, v)
|
||||
# print(klu.time, klu.open, klu.high, klu.low, klu.close, klu.volume)
|
||||
for i in range(n):
|
||||
klu = ChanKLU(times[i], o_a[i], h_a[i], l_a[i], c_a[i], v_a[i])
|
||||
klu.set_idx(i)
|
||||
klu_list.append(klu)
|
||||
if last_klu:
|
||||
last_klu.set_next(klu)
|
||||
klu.set_pre(last_klu)
|
||||
last_klu = klu
|
||||
if 'macd' in item:
|
||||
klu.set_indicators(item)
|
||||
if has_ind:
|
||||
klu.set_indicators_from(ind_cols, i)
|
||||
return klu_list
|
||||
|
||||
@staticmethod
|
||||
def _format_times(col):
|
||||
"""向量化 strftime。非 datetime 列（少见）退回逐个格式化。"""
|
||||
fmt = '%Y-%m-%d %H:%M:%S'
|
||||
try:
|
||||
return col.dt.strftime(fmt).to_numpy()
|
||||
except AttributeError:
|
||||
return np.array([d.strftime(fmt) for d in col], dtype=object)
|
||||
|
||||
def get_kl_data(self, dataframe:DataFrame):
|
||||
return self.cal_kl_data(dataframe)
|
||||
|
||||
@@ -224,35 +236,20 @@ class KlineBuilderMixin:
|
||||
|
||||
def get_klc_list(self, klu_list):
|
||||
klc_list = []
|
||||
last_klu = None
|
||||
# ChanMACD.__init__ 已调用 cal_macd_state，切勿再调一次（会重复堆积 seg/unittf）
|
||||
macd = ChanMACD(klu_list)
|
||||
klu_list = macd.klu_list
|
||||
self._last_chan_macd = macd
|
||||
ema_up_list = []
|
||||
ema_down_list = []
|
||||
ema_up_count = 0
|
||||
ema_down_count = 0
|
||||
# ChanMACD.__init__ 已调用 cal_macd_state，切勿再调一次（会重复堆积 seg/unittf）。
|
||||
# lean 模式跳过整套 MACD 状态机：它只服务于 bsp/背驰/web 展示，笔与中枢不依赖它。
|
||||
if getattr(self, 'lean', False):
|
||||
self._last_chan_macd = None
|
||||
else:
|
||||
macd = ChanMACD(klu_list)
|
||||
klu_list = macd.klu_list
|
||||
self._last_chan_macd = macd
|
||||
|
||||
last_klu = None
|
||||
for klu in klu_list:
|
||||
ema = klu.ema52
|
||||
last_ema = last_klu.ema52 if last_klu else 0
|
||||
if klu.close >= ema:
|
||||
ema_up_count += 1
|
||||
elif klu.close < ema:
|
||||
ema_down_count += 1
|
||||
if last_klu and last_klu.close >= last_ema and klu.close < ema:
|
||||
ema_up_list.append(ema_up_count)
|
||||
#print(last_klu.time, ema_up_count, "UP END")
|
||||
ema_up_count = 0
|
||||
elif last_klu and last_klu.close < last_ema and klu.close >= ema:
|
||||
ema_down_list.append(ema_down_count)
|
||||
#print(last_klu.time, ema_down_count, "DOWN END")
|
||||
ema_down_count = 0
|
||||
self._push_klu_into_klc_list(klc_list, klu, last_klu)
|
||||
last_klu = klu
|
||||
klc_list = self.cal_trend(klc_list)
|
||||
#print(ema52_up_list, ema52_down_list)
|
||||
return klc_list
|
||||
|
||||
|
||||
|
||||
@@ -38,10 +38,18 @@ from chanlun.pipeline.builders.seg import SegBuilderMixin
|
||||
from chanlun.pipeline.builders.zs import ZsBuilderMixin
|
||||
|
||||
class TF_DF(IndicatorsBuilderMixin, KlineBuilderMixin, BiBuilderMixin, SegBuilderMixin, ZsBuilderMixin, BspBuilderMixin, FastBspBuilderMixin, IncrementalBuilderMixin):
|
||||
def __init__(self, df=None, interval=0, timeframe=None):
|
||||
def __init__(self, df=None, interval=0, timeframe=None, lean=False):
|
||||
"""lean=True 只构建到中枢，跳过线段/走势中枢/MACD 状态机。
|
||||
|
||||
研究与实盘只吃 bi_list → 中枢 → fast_bsp 这条链；线段、zs、big_zs 和整套
|
||||
MACD 背驰状态机是 web 展示与 bsp_list 才用的。实测这些占全量构建的约四成。
|
||||
注意 lean 下 bsp_list/seg_list/chanmacd 均为空，**不要给 web 用**。
|
||||
"""
|
||||
self.lean = lean
|
||||
if df is not None:
|
||||
self.init_TF_DF(df, interval, timeframe)
|
||||
def init_TF_DF(self, df, interval, timeframe):
|
||||
self.init_TF_DF(df, interval, timeframe, lean=lean)
|
||||
def init_TF_DF(self, df, interval, timeframe, lean=False):
|
||||
self.lean = lean
|
||||
self.timeframe = timeframe
|
||||
self.interval = interval
|
||||
# 检查 DataFrame 是否为空或没有 date 列
|
||||
@@ -69,6 +77,10 @@ class TF_DF(IndicatorsBuilderMixin, KlineBuilderMixin, BiBuilderMixin, SegBuilde
|
||||
self.klc_list = self.get_klc_list(self.klu_list)
|
||||
self.bi_list = self.cal_bi_list(self.klc_list)
|
||||
self.bi_zs_list = self.cal_bi_zs_list_pure(self.bi_list)
|
||||
if self.lean:
|
||||
self.big_zs_list = []
|
||||
self.chanmacd = None
|
||||
return
|
||||
self.seg_list = self.get_seg_list(self.bi_list)
|
||||
self.zs_list = self.get_zs_list(self.bi_list, self.seg_list)
|
||||
self.big_zs_list = self.get_big_zs_list(self.zs_list)
|
||||
|
||||
+482
-6
@@ -267,13 +267,39 @@ push = z_above if direction == 1 else z_below
|
||||
|
||||
#### 3.33 扩币的筛选标准（两条方向相反的约束）
|
||||
|
||||
1. **ATR 分布对门控阈值**（当前 8bp）——小市值币波动大，这条更容易过
|
||||
2. **流动性 / 盘口价差**——决定滑点能否压进预算，小市值币更难过
|
||||
1. **ATR 分布对门控阈值**（当前 8bp）——够不够扛住固定成本
|
||||
2. **流动性 / 盘口价差**——滑点能否压进预算
|
||||
|
||||
**两条方向相反，所以最优区间在中间，不在两端。** 现有 11 币正好演示：
|
||||
BTC ATR 中位 2026 仅 6.5bp、门控刷掉 58.5%、预算 8.58bp 垫底（**大市值输在
|
||||
波动不够**）；TRX 2026 门控后只剩 4.2% 的信号，当前环境基本不能做。
|
||||
最好的是中间那批：ADA 22.28、DOGE 18.55、XRP 17.04。
|
||||
**两条都是及格线，不是「越高越好」的排序依据。**
|
||||
|
||||
⚠️ **「那就做 ATR 最大的」是错的**，两个方向都不支持：
|
||||
|
||||
**币内**（每个币按自己的 ATR 分位）——严格单调，高 ATR 时刻更差：
|
||||
|
||||
| 币内 ATR 分位 | 净均R | R夏普 |
|
||||
|---|---|---|
|
||||
| 最低 20% | **1.040** | **0.690** |
|
||||
| 40-60% | 0.982 | 0.655 |
|
||||
| 最高 20% | **0.878** | 0.599 |
|
||||
|
||||
ATR 飙升往往意味着行情已走过头，噪声大、容易反抽。
|
||||
（但不必加上限门控：最高分位的 0.878 仍然是好交易，砍掉只是白丢机会。）
|
||||
|
||||
**跨币**——看似正相关（ATR vs 净均R r=+0.684），但**剔除 BTC 后掉到 +0.469**，
|
||||
且其余 9 币的净均R 区间只有 0.935~1.024（极差 0.089）。BTC 自己 0.787，
|
||||
明显低于所有其他币。BTC 差更可能因为它是最大最有效的市场、结构性机会少，
|
||||
把它的低 ATR 与低 R 读成因果是过度拟合一个点。
|
||||
|
||||
**ATR 唯一真正提供的是 bp 余量**（r=+0.85，剔 BTC 后仍 +0.85）。
|
||||
但这是**机械关系**——余量按定义随 ATR 缩放。它有用（滑点大致固定在 bp，
|
||||
余量高就能扛更多滑点），但不代表 ATR 高的币「更赚」。
|
||||
|
||||
⚠️ **追高 ATR 还会撞上这份数据看不见的流动性墙。** 现有 11 币全是头部流动性；
|
||||
高 ATR 通常意味着小市值、盘口更薄，多出来的余量很可能被滑点吃回去。
|
||||
把在头部币上成立的关系外推到另一个流动性区间，是最容易翻车的那类外推。
|
||||
|
||||
现有 11 币的实际情况：BTC ATR 中位 2026 仅 6.5bp、门控刷掉 58.5%、
|
||||
预算 8.58bp 垫底；TRX 2026 门控后只剩 4.2% 的信号，当前环境基本不能做。
|
||||
|
||||
筛选很便宜：拉候选币 1m 数据，只算 ATR 分位数与盘口价差，**不必跑策略**
|
||||
就能排掉大半。
|
||||
@@ -282,6 +308,152 @@ BTC ATR 中位 2026 仅 6.5bp、门控刷掉 58.5%、预算 8.58bp 垫底（**
|
||||
全部为正」。若新币是在同一份历史上筛出来的，它们就不再是样本外。
|
||||
要保持这个性质，得留一批筛完不看、直接进实盘验证。
|
||||
|
||||
#### 3.34 组合最优解：选币的杠杆很小，币数的杠杆在前 6 个
|
||||
|
||||
穷举每个 N 的最优子集（1m，门控后，固定日历，只扣手续费不扣滑点）：
|
||||
|
||||
| 币数 | 最优子集夏普 | 增量 | 年化R | 若信号独立应有 | 捕获比例 |
|
||||
|---|---|---|---|---|---|
|
||||
| 1 | 9.94 | — | 323 | 9.94 | 100% |
|
||||
| 2 | 13.15 | +3.21 | 611 | 14.06 | 94% |
|
||||
| 4 | 16.93 | +1.61 | 1174 | 19.88 | 85% |
|
||||
| 6 | 18.87 | +0.78 | 1672 | 24.35 | 77% |
|
||||
| **8** | **19.87** | +0.38 | 2188 | 28.11 | 71% |
|
||||
| 11 | 20.22 | +0.02 | 2690 | 32.97 | **61%** |
|
||||
|
||||
**三条结论：**
|
||||
|
||||
1. **边际收益在 6~8 币后归零。** 8→11 只换来 +0.35 夏普（+1.8%），
|
||||
但年笔数多 500+，成本与运维复杂度是实打实的。
|
||||
2. ~~**具体选哪几个几乎不重要。**~~ 165 个 8 币组合：最好 19.87（ADA/AVAX/
|
||||
DOGE/ETH/LINK/LTC/SOL/XRP）、最差 17.61、中位 18.66，极差 2.26（12%）。
|
||||
⚠️ **这一条已被 §3.37 推翻**——它忽略了盘口冲击。计入后币间差距是 5 倍，
|
||||
且排序近乎翻转（AVAX 从必选变成必剔，BTC 反而可用）。**选币很重要。**
|
||||
3. **相关性吃掉近 40% 的分散化收益**——捕获比例从 100% 单调降到 61%。
|
||||
与 3.31 的「92.7% 同向」一致：加币是加机会，不是加分散。
|
||||
|
||||
⚠️ **并发保证金不是瓶颈，此前的担心是错的。**（早前按事件平均算出 0.92，
|
||||
高估了——事件在繁忙时段聚集。时间加权才是对的口径。）
|
||||
|
||||
| | 时间加权均并发 | 有仓时间占比 | 有仓时均并发 | p99 | 最大 |
|
||||
|---|---|---|---|---|---|
|
||||
| 全样本 11 币 | 0.15 | 12.3% | 1.24 | 2 | 9 |
|
||||
| 2026 11 币 | 0.11 | 9.1% | 1.26 | 2 | 8 |
|
||||
|
||||
**资金 88% 的时间闲置**，扩币在保证金维度有大把余地。峰值 9 仍要按 3.31
|
||||
的同向假设做限额，但那是尾部风控，不是容量约束。
|
||||
|
||||
⚠️ **上表夏普只扣手续费、未扣滑点，绝对值虚高（年化 20 不可信），
|
||||
只能用于相对比较。** 真正的约束是实测滑点 vs 预算——见 5.3 与 3.35。
|
||||
按杠杆排序：**滑点是生死（100%）＞ 币数 1→6（+90%）＞ 选哪几个（±12%，基本是噪声）**。
|
||||
|
||||
#### 3.36 成本模型的已知缺口：滑点被当成了常数，但它是仓位的函数 ⚠️
|
||||
|
||||
**全文所有预算数字都假设滑点是固定 bp，与下单规模无关。这是错的**
|
||||
（用户 2026-08-28 指出）。且这个错误不是随机的——它系统性偏袒低 ATR 端。
|
||||
|
||||
固定分数下单意味着 **名义额 = 风险额 / (2·ATR)，即仓位 ∝ 1/ATR**，
|
||||
而预算（bp）∝ ATR。**两者方向相反：**
|
||||
|
||||
| ATR 桶 bp | 中位杠杆 | 中位名义额（10万本金、每笔冒1%） | 预算 bp |
|
||||
|---|---|---|---|
|
||||
| 8-12 | 5.0x | **$502,029** | **13.7** |
|
||||
| 12-16 | 3.6x | $362,362 | 19.5 |
|
||||
| 16-22 | 2.7x | $269,999 | 23.1 |
|
||||
| 22-30 | 2.0x | $198,172 | 29.3 |
|
||||
| >30 | 1.3x | **$129,065** | **52.1** |
|
||||
|
||||
**低 ATR = 单子最大 + 预算最小 + 滑点随单子变大 = 三重挨打。**
|
||||
所以按固定 bp 算出的逐币/分桶预算，**系统性低估了低 ATR 端的劣势**。
|
||||
|
||||
✅ **ATR 门控因此比原论证更有价值**：被刷掉的信号中位杠杆 **8.9x、p90 17.6x**
|
||||
（保留的是中位 3.2x、p90 5.3x）——门控砍掉的正是最大的单子。
|
||||
这比「固定成本占比高」是更强的理由。
|
||||
|
||||
**三条待办（都属于「数据回来前不做、回来后会后悔」）：**
|
||||
|
||||
1. **影子交易要记录信号时刻的盘口快照（≥10 档），不只是成交价。**
|
||||
有深度就能离线算任意仓位的冲击成本——**一次测量回答所有资金量级**，
|
||||
否则换个规模就得重测。若用极小量或 paper 测，得到的只是
|
||||
`价差/2 + 漂移` 这个下界，必然乐观。
|
||||
2. **资金容量要算出来，不要等实盘暴露。** 预算 20bp 蕴含一个资金上限。
|
||||
中位名义额 $32 万、p90 $53 万，在 ADA/LINK/AVAX 的 1m 永续盘口上不是零头。
|
||||
3. **maker 腿的仓位问题是成交率，不是冲击。** 回测假设 3 ATR 与 8 ATR
|
||||
的限价单全额成交。$30 万挂单可能只部分成交，**而部分成交会改变分批出场
|
||||
的收益结构**（§3.5 的结论建立在全额成交上）。需在影子数据里验证。
|
||||
|
||||
#### 3.37 计入盘口冲击后，币种排序几乎翻转 —— §3.34「选哪几个不重要」作废 ⚠️
|
||||
|
||||
Bitget USDT 永续实时盘口（2026-08-28 01:30 HKT，5 次快照取中位）。
|
||||
**净预算 = 回测预算 − $300k 单边吃单冲击**（$300k ≈ 10万本金 × 中位杠杆 3.2x）：
|
||||
|
||||
| 币 | 价差bp | ask深度 | $300k冲击 | 回测预算 | **净预算** | 冲击占预算 |
|
||||
|---|---|---|---|---|---|---|
|
||||
| SOL | 0.09 | $3.3M | 2.82 | 28.3 | **25.5** | 10% |
|
||||
| DOGE | 1.12 | $13.5M | 4.35 | 28.5 | **24.1** | 15% |
|
||||
| ETH | 0.04 | $19.4M | 0.27 | 20.8 | **20.5** | 1% |
|
||||
| XRP | 0.68 | $14.9M | 4.82 | 24.5 | **19.7** | 20% |
|
||||
| BTC | 0.01 | $4.5M | 0.26 | 14.6 | **14.3** | 2% |
|
||||
| LINK | 0.84 | $2.8M | 12.20 | 26.2 | 14.0 | 47% |
|
||||
| ADA | 4.62 | $6.3M | 9.70 | 23.5 | 13.8 | 41% |
|
||||
| LTC | 1.99 | $3.2M | 11.13 | 23.6 | 12.5 | 47% |
|
||||
| AVAX | 1.33 | $3.0M | 23.65 | 29.0 | **5.3** | **82%** |
|
||||
|
||||
**§3.34 的「165 个 8 币组合极差仅 12%、选哪几个不重要」是错的**——那个结论
|
||||
完全建立在忽略流动性上。计入冲击后币间差距是 **5 倍**（25.5 vs 5.3）。
|
||||
|
||||
**排序近乎翻转，根因是 ATR 与流动性负相关**，所以按预算（∝ATR）排出的序
|
||||
恰好是按流动性排的逆序：
|
||||
|
||||
- **AVAX 原始预算最高（29.0）、净预算最低（5.3）**。它在最优 8 币里入选频率
|
||||
95%，实际最该剔除。5 次快照 22.3~24.7bp，不是抽样噪声
|
||||
- LINK / ADA / LTC（入选频率 95%/95%/70%）净预算全掉到 12~14
|
||||
- **BTC 此前判为「中性」，实际净预算 14.3，反而优于 LINK/ADA/LTC**——
|
||||
原始预算最低但冲击几乎为零
|
||||
|
||||
这就是 §3.33 定性警告过的「流动性墙」，现已量化，且比预想严重。
|
||||
|
||||
✅ **真正的结论：可用币种是资金量的函数，不存在固定的最优币表。**
|
||||
按 $100k 名义额（≈$32k 本金）重算，净预算回到 ADA 18.0 / LINK 17.2 /
|
||||
LTC 16.5 / AVAX 11.6——除 AVAX 外全部健康。**扩币前先定本金。**
|
||||
|
||||
**当前运行点：本金 < $2k（用户 2026-08-28 确认，目的是先跑通流程）。**
|
||||
在这个规模上 **§3.37 的重排序不适用**——单笔仅 $6.4k，冲击占预算 1~8%
|
||||
（连 AVAX 也只有 8%），**9 个币全部可用，§3.34 的「选哪几个不重要」重新成立**。
|
||||
分水岭在 **$20k~$50k 本金**：以上才需要收缩到 SOL/DOGE/ETH/XRP/BTC
|
||||
（这 5 个在 $2k~$200k 全区间冲击 ≤21%，是与资金量无关的安全核心）。
|
||||
|
||||
冲击占预算比例（按本金，杠杆 3.2x）：
|
||||
|
||||
| 币 | $2k | $10k | $20k | $50k | $100k |
|
||||
|---|---|---|---|---|---|
|
||||
| BTC / ETH | 0% | 0% | 0% | 0% | 0~2% |
|
||||
| SOL | 1% | 3% | 4% | 5% | 6% |
|
||||
| XRP / DOGE | 5~6% | 9~10% | 12% | 15% | 16~17% |
|
||||
| LINK | 4% | 11% | 16% | **31%** | **46%** |
|
||||
| LTC | 12% | 22% | **30%** | **41%** | **57%** |
|
||||
| ADA | 20% | **28%** | **29%** | **38%** | **51%** |
|
||||
| AVAX | 8% | **28%** | **43%** | **70%** | **91%** |
|
||||
|
||||
✅ **小资金无操作性障碍**：Bitget 最小下单量在 $300 本金都不卡，
|
||||
半仓取整误差最差 2.4%（ETH @ $500），其余 <1%。
|
||||
|
||||
⚠️ **但 $2k 跑通 ≠ 验证了策略容量。** 小资金下有两处系统性偏乐观、且不可外推：
|
||||
(a) 冲击≈0，测出的滑点只剩 `价差/2 + 延迟漂移`，几乎必然通过 15.19bp，
|
||||
但不能推出 $50k 也通过；(b) **maker 腿成交率也是假的好**——$3.2k 挂单几乎
|
||||
必然全成，$150k 不一定，而 §3.5 分批出场的收益结构全建立在全额成交上。
|
||||
**→ 这正是「记录盘口快照」的价值：它是唯一能让小资金数据回答大资金问题的东西。**
|
||||
只记成交价的话，每上一个资金台阶都得重测一遍。
|
||||
|
||||
$2k 阶段真正该盯的只有两件：**延迟与漂移**（与规模无关，结论长期有效）、
|
||||
**中枢阶梯 + ATR 门控必须在线上生效**（否则测的是另一批信号，与回测不可比）。
|
||||
|
||||
⚠️ **三条保留**：(1) 单一时段快照，盘口有日内周期，需跨时段采样；
|
||||
(2) **信号恰在波动放大时触发，那时盘口更薄——上表是乐观下界**；
|
||||
(3) 只算了入场 taker 腿，止损/超时同为 taker，maker 腿则是成交率问题。
|
||||
第 (2) 条意味着这批静态数字**不能替代影子数据**，只是把「该测什么、该剔谁」
|
||||
提前定下来了。
|
||||
|
||||
### 3.35 跨 venue：信号身份不迁移，但总体期望迁移（live 前置测量）
|
||||
|
||||
**回测全部跑在 Binance 数据上，实盘要在 Bitget 成交。** 服务器侧的
|
||||
@@ -314,6 +486,39 @@ BTC 5.87 vs 6.09、ETH 10.02 vs 12.06、SOL 8.92 vs 9.87bp。
|
||||
⚠️ 上面那批数字用的是 `毛均收益 − 6.0bp`、只有同向过滤、`TP=3.0`，
|
||||
**不能直接当预算用**，正确的逐币预算见 `lib/shadow_budget.py` 与 5.3。
|
||||
|
||||
### 3.38 浅色信号（未过双过滤）在 1m 上不能做——差在毛质量，不在成本（step44）
|
||||
|
||||
用户观察「图上很多浅色 b4/s4 的入场价看着也很有优势」。step40 做过同类消融但
|
||||
只覆盖 15m/30m 且用旧口径（5bp 平摊、1.5/3.0/48），1m 从未验证。
|
||||
|
||||
`research/step44_filter_ablation_1m.py`，8 币 × 30 万根，当前最优 1m 出场
|
||||
（SL2.0 / 3ATR 减半 / runner 8ATR / rstop 留原位 / 48 根），真实费率，
|
||||
ATR ≥ 8bp 门控后共 2302 笔：
|
||||
|
||||
| 口径 | 笔数 | 胜率 | 毛R | 净均R | 剔10%PF | 滑点余量bp |
|
||||
|---|---|---|---|---|---|---|
|
||||
| **深色**（同向 ∧ 阶梯） | 955 | 68.3% | **0.933** | 0.798 | 2.35 | **15.07** |
|
||||
| **浅色**（任一不过） | 1347 | 44.3% | **0.155** | 0.009 | 0.74 | **0.10** |
|
||||
| — 只过阶梯 | 445 | 52.1% | 0.419 | 0.279 | 1.03 | 4.18 |
|
||||
| — 只过同向 | 265 | 38.1% | **−0.029** | −0.176 | 0.59 | **−2.15** |
|
||||
| — 两个都不过 | 637 | 41.4% | 0.046 | −0.103 | 0.62 | −1.64 |
|
||||
|
||||
**关键是「毛R」列——那是扣任何成本之前的数字。** 浅色 0.155 vs 深色 0.933，
|
||||
**差 6 倍**。所以不存在「信号本来不错、被手续费吃掉」这回事：浅色的跟随性
|
||||
本来就差。浅色扣完手续费只剩 **0.10bp**，任何滑点都会让它亏；逐币 8 个里
|
||||
4 个已为负（ETH −1.98 / LTC −2.93 / DOGE −1.05 / XRP −0.14），最好的
|
||||
ADA 也才 2.41bp。
|
||||
|
||||
**为什么肉眼看着有优势**：(1) 入场价确实是好的，信号标的是真实局部结构；
|
||||
(2) 但价格不跟随，毛R 0.155 覆盖不了 2 ATR 的止损——**入场点好 ≠ 价格继续
|
||||
朝你走**；(3) 44.3% 的胜率意味着近一半确实走对，扫图时看到的就是这些，
|
||||
走错的当时形态一样好看。
|
||||
|
||||
⚠️ **新发现：1m 上阶梯过滤远比同向过滤重要，与 30m 相反。**
|
||||
只过阶梯 +4.18bp，只过同向 **−2.15bp 且毛R 为负**；而 30m 上同向单独就能把
|
||||
PF 从 1.59 提到 1.85（§4 step30）。**两个过滤器的相对价值随级别翻转，
|
||||
不要跨级别套用滤网结论。**
|
||||
|
||||
### 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，
|
||||
@@ -451,6 +656,8 @@ step41 首轮跑的是错误的 3/1bp（见 §1.3），已用实际费率重算
|
||||
| 同一中枢重复入场（二次、三次） | 质量骤降，**只做首次** | step25 |
|
||||
| 缠论引擎原生 `find_all_bsp` 的 B3/S3 | 统计上呈逆势、显著亏损：胜率 27.4%（低于 SL1.5/TP3.0 的随机基准 33%）、PF 0.66、t −18.76。**不是滞后造成的**——同一组过滤器把 B4 从 1.59 提到 2.26，对它无效（0.66→0.71），且入场后移 1~4 根只是平滑衰减。它几乎不筛（627 个中枢发 625 个信号），把「价格早已离开、再没回来」的历史区间也当信号发出来。B4/S4 因此单独立类，不是它的提前版 | step30/31 |
|
||||
| 刷交易额换 VIP 费率 | 成本收益不划算，见 5.3。**但前提已变**：该结论算于「原始 taker 6bp、全 taker、TP=3.0、无门控」，四个前提现在全不成立（实际 2/0.8bp、混合费率、分批出场、有 ATR 门控）。已在返 50% 的档位上，继续压缩的空间本就有限，但**若要重估需重跑，不要直接引用旧结论** | step23 |
|
||||
| **按 ATR 从大到小选币 / 追高 ATR 时刻** | 门控之上 ATR 高不加分。**币内严格单调递减**：ATR 最低 20% 分位净均R 1.040，最高 20% 只有 0.878。跨币看似正相关（r=+0.684）但**剔除 BTC 后掉到 +0.469**，其余 9 币极差仅 0.089。ATR 唯一真正给的是 bp 余量（机械关系）。且追高 ATR 会撞上流动性墙——现有 11 币全是头部流动性，外推到小市值币时多出的余量会被滑点吃回去。**ATR 是及格线不是排序键** | §3.33 |
|
||||
| **`available_ts` 改取 `bis[2]`（中枢成立即可用）以消除右边缘重画** | 重画确实从 6.5% 降到 1.2%、滞后 2.16→2.01，**但 alpha 被打成零**：实盘口径毛 R 0.933 → **−0.000**（扣费前就没了 edge），PF 3.22→0.80，余量 15.07→−2.20bp，8/8 币全变差。中枢没发育完就下注，支撑/压力还没立住。**「等中枢最后一笔」就是 alpha 本身，重画是必付代价。**推论：任何以「让信号更早确定」为目标的改动，先测毛 R，不要只看重画率和滞后 | step47 §5.42 |
|
||||
| 线段（`Chan_XD`）做大级别 | 滞后太大，且中枢极少 | 早期，用户也这么说 |
|
||||
|
||||
---
|
||||
@@ -707,6 +914,106 @@ step41 首轮跑的是错误的 3/1bp（见 §1.3），已用实际费率重算
|
||||
比 15m/30m 的 step38 结果还干净（那里有 0.7% 假阳性）。耗时对窗口严格线性
|
||||
（约 0.105ms/根），所以没有任何理由带更长的历史。
|
||||
|
||||
⚠️ **「假阳性 0%」是 n=180 的结果，不足以排除 0.5% 量级的重画**
|
||||
（2026-08-28 更正）。若真实率为 0.5%，180 笔里期望仅出现 0.9 次——
|
||||
**0% 与 0.5% 在该样本量下无法区分**。
|
||||
|
||||
实测反例：web 端 BTC 1m（10 万根窗口），同一份数据分别截到本地 22:25 与
|
||||
02:08 两个视角，212 个信号中 **1 个消失**（08-27 22:19 的 B4，约 0.47%），
|
||||
与 15m/30m 的 0.7% 同量级。用户在界面上先看到、后消失，即此现象。
|
||||
|
||||
**缓解事实：消失的那个 `htf_agree=False, ladder_ok=False`，是浅色 b4，
|
||||
本就不交易。** 真正要回答的是「**双过滤通过的深色信号会不会重画**」——
|
||||
step39 报的「同向过滤也成立 100%」同样基于 n=180，同样不足以排除低频事件。
|
||||
|
||||
⚠️ **step39 的「假阳性」测法本身是无效的**：它从全序列随机抽非信号点，看时点
|
||||
重建会不会凭空冒信号。1m 信号密度约 474 根 1 个，180 个随机点期望只撞上
|
||||
0.38 个——**测出 0% 几乎不含信息量**。重画只发生在「差一点就成型」的结构附近，
|
||||
不在随机点上。
|
||||
|
||||
#### 5.41 重画的根因：`available_ts` 取的是中枢**结束**而非**形成** ⚠️⚠️
|
||||
|
||||
代码审计（比逐根跑数据快得多）：`find_fast_bsp3` 给定 `zones` 后严格因果
|
||||
（只用 `close[j]` / `high[j-1]`），加未来K线动不了已成型的入场点。
|
||||
**重画只可能来自 `zones` 表被修订。**
|
||||
|
||||
`zones_from_zs_list` 里：
|
||||
|
||||
```python
|
||||
last_bi = bis[-1] # ← 中枢的最后一笔
|
||||
avail = ts_of.get(sure_key) or ... # available_ts = 它的确认时刻
|
||||
```
|
||||
|
||||
**用户 2026-08-28 指出的缠论定义问题**：中枢**形成**只需三笔有重叠区间；
|
||||
**结束**才需要「离开且不返回的笔」确认。判信号只需形成，不必等结束。
|
||||
而 `bis[-1]` 只有中枢走完才知道是哪一笔——**取的是结束时刻**。
|
||||
|
||||
实测（BTC 1m，30 万根，1651 个中枢）：
|
||||
|
||||
| 中枢笔数 | 占比 |
|
||||
|---|---|
|
||||
| 恰好 3 笔 | 25.5% |
|
||||
| **>3 笔** | **74.5%**（中位 5、均值 8.1、最大 89） |
|
||||
|
||||
**「最后一笔确认」比「第三笔确认」晚：中位 62 分钟、p75 142、p90 247、最大 1739。**
|
||||
1m 上 62 分钟就是 62 根 K 线。
|
||||
|
||||
**三个后果：**
|
||||
|
||||
1. **这就是重画源。** 中枢每吸收一笔，`bis[-1]` 就后移一次。300 时点抽样、
|
||||
3284 个「当时已生效」的中枢：完全一致 84.4%，**确认时刻被改 6.5%
|
||||
（推后 198 个 vs 提前 17 个，中位 +100 分钟、p90 +413）**，中枢消失 9.0%，
|
||||
阶梯翻转 2.6%。用户看到的 08-27 22:19 B4 消失即此。
|
||||
2. **它解释了 docstring 里那个 34%。** 「627 个中枢只认 212 个（34%），被拒的
|
||||
多数是『中枢确认时价格早已离开、此后再没回来』」——**「价格早已离开」不是
|
||||
市场现象，是这个定义造出来的**：中枢正是被离开笔终结的，所以扫描起点天然
|
||||
落在离开之后；代码又要求 `was_inside`，于是只能等价格**再次回到中枢再突破
|
||||
一次**。那 66% 多半不是没机会，是第一次离开时还没开始看。
|
||||
3. **方向对回测有利、对实盘不利。** 全量的 `available_ts` 系统性更晚 →
|
||||
回测扫描起点比实盘晚 → **回测偏保守，不是被高估**；但实盘会产出更多、更早
|
||||
的信号，这部分质量不在回测统计里。
|
||||
|
||||
**关键性质：`bis[2]` 是不变量，`bis[-1]` 不是。** 用户 2026-08-28 补充的
|
||||
判断——「只有没确认的才会重画，确认的都不会」——与实测一致：6.5% 的改动
|
||||
**不是已确认的笔被推翻**，而是中枢又吸收了新笔、`bis[-1]` 变成了另一根笔。
|
||||
原来那根笔本身没变。而中枢一旦由三笔构成，第三笔就固定，不随延伸改变。
|
||||
|
||||
**A/B 实测（BTC 1m，300 时点，3284 个已生效中枢）：**
|
||||
|
||||
| 口径 | 完全一致 | 确认时刻被改 | 中枢消失 | 改动中位 |
|
||||
|---|---|---|---|---|
|
||||
| 现行 `bis[-1]`（中枢结束） | 84.4% | **6.5%** | 9.0% | +100 分 |
|
||||
| 改用 `bis[2]`（中枢形成） | 89.7% | **1.2%** | 9.0% | +16 分 |
|
||||
|
||||
**`bis[2]` 把该重画源压到 1/5。** 两种口径全量中枢数都是 1651——纯粹改变
|
||||
「何时可用」，不增删中枢。
|
||||
|
||||
**改成「第三笔确认」的预期收益**：消除该重画源（第三笔确认后不再变）、
|
||||
符合缠论定义、滞后大幅下降（§3.2 已证滞后是收益第一驱动）。
|
||||
|
||||
⚠️ **剩下 9.0% 的「中枢消失」两种口径完全相同，是另一个源，与笔确认无关**，
|
||||
且在改用 `bis[2]` 后成为主要重画来源。最可能是**窗口左边界效应**：2000 根窗口
|
||||
截断笔结构，造出全量视角里不存在的中枢。
|
||||
|
||||
⚠️⚠️ **由此牵出一个此前未记录的口径差：回测用全量历史建中枢，实盘用 2000 根
|
||||
窗口。** 若那 9% 确由左边界造成，则它不是重画，而是**回测与实盘看到的中枢集合
|
||||
本就不同**——比重画更根本。**待查。**
|
||||
|
||||
⚠️ **但不要直接改。** 这会换掉整个信号总体，本文档所有数字都绑定当前实现。
|
||||
反向风险明确：中枢形成即可用意味着会去做「仍在形成中」的中枢的突破，
|
||||
价格可能再回来——**信号变多但质量可能变差**。必须 A/B 实测。
|
||||
|
||||
> ⛔ **A/B 已跑完（step47，2026-08-28）：`bis[2]` 作废，不要再试。**
|
||||
> 详见 §5.42。它把重画压到 1/5 的同时，把毛 R 从 0.933 打到 −0.000——
|
||||
> **alpha 归零，不是成本问题。** 下面这段「待办」保留仅作推理记录。
|
||||
|
||||
**（已完成）`available_ts = bis[2].sure_time` vs `bis[-1].sure_time` 的完整 A/B**
|
||||
（信号数、滞后、PF、剔10%PF、滑点预算），以及深色信号的
|
||||
大样本重画审计（脚本已写：`research/step45_repaint.py`）。
|
||||
|
||||
对实盘的影响有限但真实：实盘会比回测多开极少量的仓，这部分质量不在回测统计里。
|
||||
**但出场（止损/止盈/超时）不依赖信号是否仍在图上，不会出现「信号消失、仓位卡住」。**
|
||||
|
||||
**这一步顺带解决了一个更重要的问题**：1m 的回测口径本身是可信的，
|
||||
`is_sure` 回撤对 1m 同样没有影响。**1m 现在唯一的风险就剩执行成本。**
|
||||
|
||||
@@ -721,10 +1028,164 @@ step41 首轮跑的是错误的 3/1bp（见 §1.3），已用实际费率重算
|
||||
用 **WebSocket 订阅**而非轮询 REST 拉 K 线，并尽快把实盘迁到境外 VPS。
|
||||
否则测到的滑点全是代理的账。
|
||||
|
||||
#### 5.42 A/B 判决：`bis[2]` 把 alpha 打成零，重画是必付代价（step47）⛔
|
||||
|
||||
8 个样本外币 × 30 万根 1m，两组共用同一个 TF_DF，只切 `available_ts` 的取法。
|
||||
实盘口径（深色 ∧ ATR≥8bp）：
|
||||
|
||||
| | `bis[-1]` 现行 | `bis[2]` 中枢成立 |
|
||||
|---|---|---|
|
||||
| 笔数 | 955 | 989 |
|
||||
| 滞后 | 2.16 | 2.01 |
|
||||
| 胜率 | 68.3% | 40.2% |
|
||||
| **毛 R** | **0.933** | **−0.000** |
|
||||
| 净均 R | 0.798 | −0.147 |
|
||||
| R 夏普 | 0.532 | −0.107 |
|
||||
| PF | 3.22 | 0.80 |
|
||||
| 剔10% PF | 2.35 | 0.55 |
|
||||
| 滑点余量 | **15.07bp** | **−2.20bp** |
|
||||
|
||||
**判决依据是「毛 R 0.933 → −0.000」这一行**：扣任何费用之前 edge 就没了，
|
||||
所以不是成本、不是门控、不是出场参数的问题，是信号本身不再有预测力。
|
||||
逐币 8/8 全部变差，只有 BTC 勉强为正（0.617 → 0.116）。
|
||||
|
||||
**为什么**：`bis[2]` 只要三笔重叠就认为中枢可用，此时中枢尚未发育，
|
||||
支撑/压力还没立住。`bis[-1]` 那段「等待」不是可以优化掉的延迟——**它就是 alpha 本身**。
|
||||
|
||||
由此得到一条一般性结论，值得推广到别的"降延迟"想法上：
|
||||
|
||||
> 右边缘重画不是 bug，是这个信号质量的**必付代价**。任何以「让信号更早确定」
|
||||
> 为目标的改动，都要先测毛 R，**不能只测重画率或滞后**。
|
||||
> §5.41 只测了稳定性就给出「唯一能同时改善收益与稳定性」的判断，是过早的。
|
||||
|
||||
顺带交叉验证：现行口径本次算出滑点余量 **15.07bp**，与 §5.3 里 2026 组合口径的
|
||||
15.19bp 基本吻合——两条独立路径得到同一个数，该预算值可信。
|
||||
|
||||
脚本 `research/step47_avail_bi_ab.py`；开关在 `chanlun/analysis/fast_bsp.py`
|
||||
的 `AVAIL_BI_INDEX`（环境变量 `CHAN_AVAIL_BI`），**默认 −1，保持现行口径**。
|
||||
|
||||
### 5.5 增量更新已验证：一致且快 12 倍（2026-08-28）
|
||||
|
||||
`pipeline/builders/incremental.py` 此前一直标着「需重新验证」。已验完。
|
||||
|
||||
**一致性：400 根、每 20 根与全量重算对拍一次（共 20 次），
|
||||
笔数 / 中枢 zg·zd / 信号 entry_idx 全部相同，无漂移。**
|
||||
|
||||
**耗时（本机 arm64 单线程，1m 2000 根窗口）：**
|
||||
|
||||
| 环节 | 增量 | 全量重算 | |
|
||||
|---|---|---|---|
|
||||
| TF_DF / `append_bar` | 14.0ms | 192.5ms | |
|
||||
| 中枢 + `find_fast_bsp3` | 7.6ms | 10.1ms | |
|
||||
| **1m 侧合计** | **21.7ms** | 202.6ms | 9.3x |
|
||||
| 5m 侧（`append_bar` 7.1 + 分型线 2.9） | 10.0ms/次 | 84.4ms | 每 5 根一次 → 摊 **2.0ms** |
|
||||
| **完整一根** | **≈24ms** | **286ms** | **≈12x** |
|
||||
|
||||
⚠️ **必须定期重建窗口，否则增量的优势会被自己吃掉。**
|
||||
`append_bar` 不是 O(1)——`pd.concat`、`add_indicators`、`cal_bi_list` 三处
|
||||
仍是全量 O(n)，而 dataframe 只增不减：
|
||||
|
||||
| | 1200 根后行数 | 中位 | 前100根 → 后100根 |
|
||||
|---|---|---|---|
|
||||
| 不裁剪 | 3200 | 16.3ms | 13.9 → **19.4（+40%）** |
|
||||
| **每 500 根重建** | 2199 | 14.4ms | 14.2 → **14.0（持平）** |
|
||||
|
||||
`IncrementalBuilderMixin` 没有裁剪接口，做法是**每约 500 根用最近 2000 根
|
||||
重新 `init_stream`**。单次约 192ms，摊到每根 0.4ms，可忽略。
|
||||
|
||||
**下一个数量级的线索（用户 2026-08-28 指出）**：`add_indicators`
|
||||
算了很多本策略用不到的指标。它在 `append_bar` 里是**每根全表重算**的，
|
||||
所以浪费不是一次性的，而是每分钟一次、且随窗口长度线性放大。
|
||||
改它会动到 `dataframe` 的列集合，web 与回测都依赖，需整体评估。
|
||||
|
||||
> 后续实测（见 §5.6）**推翻了这条线索的份量**：`add_indicators` 只占全量
|
||||
> 构建的 1.3%，talib 是向量化 C，便宜。真正的浪费在 `ChanKLU.set_indicators`
|
||||
> 和 `ChanKLC.cal_all_ema_status`。方向对（确实有大量无用计算），位置错了。
|
||||
|
||||
**这是延迟这块唯一有数量级收益的方向**：`find_fast_bsp3` 本身只占 0.75ms
|
||||
（全链路的 0.3%），优化信号代码毫无意义；95% 的时间花在 TF_DF 从头重建
|
||||
2000 根上，而实盘每分钟只新增 1 根——**重算了 1999 根没变的东西**。
|
||||
|
||||
> 服务器侧实测 1m 那条腿 695ms（本机同口径 202.6ms，慢 3.4x）。若两条腿
|
||||
> 同比例，那边完整链路约 980ms，**已超 §6 定的 800ms lag 告警线，且尚未计
|
||||
> 任何网络耗时**。改用增量后应降至约 82ms。⚠️ 该外推假设两条腿慢的比例一致，
|
||||
> 服务器侧应直接实测一次完整链路。
|
||||
>
|
||||
> **§5.6 优化后本机复测（同口径 2001 根、单线程、从头算一遍）**：
|
||||
>
|
||||
> | 口径 | 优化前 | 现在 full | 现在 lean |
|
||||
> |---|---|---|---|
|
||||
> | 1m 腿 | 202.6ms | **71.8ms** | **50.0ms** |
|
||||
> | 完整链路（两腿+信号+过滤） | 286ms | **178.4ms** | **120.5ms** |
|
||||
> | 增量 `append_bar` | 24ms/根 | — | **13.6ms/根** |
|
||||
>
|
||||
> 按 3.4x 换算到服务器：完整链路 980ms → 约 **611ms(full) / 413ms(lean)**，
|
||||
> **即使完全不上增量也已落回 800ms 告警线以内**；上增量约 46ms。
|
||||
> ⚠️ 但 3.4x 是在**优化前的代码**上量的。优化把工作从逐行 Python 对象操作挪到
|
||||
> numpy 批量操作，若服务器慢在 CPU 主频则比值成立，若慢在内存带宽则未必。
|
||||
> **服务器侧必须直接实测，不要只信这个换算。**
|
||||
|
||||
> 为什么这一步必要：step38 只验证了 15m/30m，从没验证 1m。而窗口 4000 根
|
||||
> 对 15m 是 41 天、对 1m 只有 2.8 天，中枢的左边界效应完全不是一个量级。
|
||||
> 窗口同时牵动两头：太短则中枢被截断信号不符，太长则算得慢延迟大滑点高。
|
||||
|
||||
### 5.6 引擎提速 2.6~3.6x，逐位一致（2026-08-28）
|
||||
|
||||
先建了 `step46_engine_parity.py` 作为安全网：对 5 个用例（BTC 1m/5m、ETH 5m、
|
||||
SOL 15m、XRP 30m，各 2 万根）固化 klc/笔/中枢/信号/被消费列的哈希。
|
||||
**没有它不要碰引擎**——行为变化是静默的，不报错、不崩，只是信号悄悄换一批，
|
||||
而 HANDOFF 全部数字都绑在当前实现上。
|
||||
|
||||
三处改动，每处都过了对拍：
|
||||
|
||||
| 改动 | 原因 | 效果 |
|
||||
|---|---|---|
|
||||
| `cal_kl_data` 预取 ndarray，不再 `df.iloc[i]` | 每根新建 40 列 Series + 在其上做几十次逐键查找 | 这一处就占构建的 **96%**，2 万根 1946ms → 824ms |
|
||||
| `ChanKLC.cal_all_ema_status` 改惰性 | 每 KLC 立即重算，占 25%，而**全仓无任何读取方** | 调用 14322 → 2248 次 |
|
||||
| 删 `get_klc_list` 里的 `ema_up_list/ema_down_list` | 累加一整轮后直接丢弃，纯死代码 | — |
|
||||
|
||||
另外加了 `TF_DF(..., lean=True)`：只构建到中枢，跳过线段/走势中枢/整套 MACD
|
||||
状态机（这些只服务 `bsp_list` 和 web 展示，笔与中枢不依赖）。
|
||||
**已验证 lean 与 full 的笔/中枢/信号在 5 个用例上完全一致。**
|
||||
|
||||
结果（2 万根 5m）：**full 1946 → 754ms（2.6x），lean → 543ms（3.6x）**。
|
||||
增量路径在两种模式下都仍与全量逐位一致；web API 全字段正常（full 模式一字未动）。
|
||||
|
||||
验证做了四层，每改一处都重跑：
|
||||
|
||||
1. **对拍基线**（上表所列全部哈希项），full 模式三处改动后全部一致
|
||||
2. **lean ≡ full**：笔/中枢/信号在 5 个用例上完全相同
|
||||
3. **增量路径**：`init_stream` + `append_bar` 追加 150~200 根 vs 全量重建，
|
||||
lean/full 两种模式都逐位一致
|
||||
4. **web 冒烟**：真实 HTTP 请求，`bsp_list` 168 / `seg_list` 177 / `zs_list` 17 /
|
||||
`klc_trend` 齐全
|
||||
|
||||
**大样本对拍（20 万根 × 5 用例）**：用 `git stash` 切回改动前的原始代码存基线，
|
||||
再切回优化版对拍，**逐位一致**。这是真正的改前/改后比对，不是自己跟自己比。
|
||||
同一批工作量 **99.9s → 43.3s（full 模式 2.3x）**，与 2 万根时的 2.6x 一致，
|
||||
说明提速不随规模衰减。复现：
|
||||
|
||||
```bash
|
||||
git stash push -- chanlun/
|
||||
python step46_engine_parity.py --save --rows 200000 --out step46_baseline_big.json
|
||||
git stash pop
|
||||
python step46_engine_parity.py --check --rows 200000 --out step46_baseline_big.json
|
||||
```
|
||||
|
||||
关键认识订正：
|
||||
|
||||
- **缩放是线性的，不是 O(n²)**。中途一度量到"数据 6 倍、耗时 44 倍"，是我自己
|
||||
开的 `tracemalloc` 污染了计时。干净重测每翻倍 ×2.06~2.20，16 万根 lean 4.2s。
|
||||
- **`add_indicators` 只占 1.3%**，删无用指标在这里几乎省不到时间。
|
||||
它有 11 个列（`bbup365`/`bblow30`/`bbp302` 等）Python 与前端都无人读取，
|
||||
但它们不进 KLU，唯一成本是 web 响应体积（约占 45 列中的 11 列）。
|
||||
- 实盘延迟已不是瓶颈：`append_bar` 约 32ms/根，对 800ms 告警线有 25 倍余量。
|
||||
**继续优化只对研究吞吐有意义。**
|
||||
|
||||
剩余热点（lean、8 万根口径）：`cal_trend` 与 `set_indicators_from` 各约 0.36~0.59s。
|
||||
`cal_trend` 不能跳过——`bi.py:221` 读 `klc.trend`，笔的计算依赖它；
|
||||
它带序列状态（`last_trend` + 近 5 根窗口），向量化风险高，收益约 20%，暂不做。
|
||||
|
||||
---
|
||||
|
||||
## 6. 接下来要做的事（按优先级）
|
||||
@@ -1076,6 +1537,21 @@ API 限流风险隔离三个好处。
|
||||
- [x] **确认交易所与框架** → Bitget + Hummingbot，先只上 1m
|
||||
- [x] **测执行延迟** → 上游连接器 bug 已定位并修好，补丁后 lag 506~642ms、
|
||||
无条件漂移 0.50~0.87bp，占预算 6%。见 §6 第 2 步
|
||||
- [ ] **实盘信号计算改用增量**（§5.5，已验证一致且快 12x：286ms → 24ms）。
|
||||
**配套必须做窗口裁剪**：每约 500 根用最近 2000 根重新 `init_stream`，
|
||||
否则 `append_bar` 的 O(n) 部分会让耗时持续爬升（1200 根后 +40%）
|
||||
- [ ] **`available_ts` 改用 `bis[2]`（中枢形成）而非 `bis[-1]`（中枢结束）的
|
||||
完整 A/B** —— ✅ **已完成，结论是不换**（step47，见 §5.42）。
|
||||
当时预判的「反向风险：会去做仍在形成中的中枢的突破，质量可能变差」
|
||||
**正是实际发生的事**，且比预期严重：毛 R 0.933 → −0.000，8/8 币全变差。
|
||||
**这条已关闭，不要重开。**
|
||||
- [ ] **查那 9.0% 的「中枢消失」是不是窗口左边界效应**（§5.41）。若是，则
|
||||
「回测用全量历史建中枢、实盘用 2000 根窗口」是比重画更根本的口径差。
|
||||
注意这条与 `bis[2]` 无关，**没有被 step47 否掉**，仍然要查
|
||||
- [ ] **深色信号大样本重画审计**，脚本已写：`research/step45_repaint.py`
|
||||
（逐根时点重建，替换掉 step39 那个随机抽点的无效测法）。
|
||||
§5.42 之后这条的意义变了：不再是为了「修掉重画」，而是为了**量化实盘
|
||||
会多开多少仓、那部分的质量如何**——重画本身已确认是必付代价
|
||||
- [ ] **写 V2 controller + 盘口缓冲，跑影子测量**（当前第一件事）。
|
||||
字段与统计口径见 §6 第 3 步，**三条硬要求别漏**：只统计过滤后的信号根、
|
||||
条件漂移与无条件漂移分开报、出场腿按 maker/taker 分开统计
|
||||
|
||||
@@ -0,0 +1,487 @@
|
||||
{
|
||||
"BTC_1m": {
|
||||
"n_rows": 20000,
|
||||
"n_klu": 20000,
|
||||
"n_klc": 12496,
|
||||
"n_bi": 913,
|
||||
"n_seg": 131,
|
||||
"n_bi_zs": 114,
|
||||
"n_zs": 16,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "986038d3e673336e",
|
||||
"klc_low": "ee349f689ebfe387",
|
||||
"klc_fx": "b323365a81e5e666",
|
||||
"bi_start": "f829c2ce6845f569",
|
||||
"bi_end": "f829c2ce6845f569",
|
||||
"bi_sure": "64458b0f3100544e",
|
||||
"n_zones": 114,
|
||||
"zone_zg": "00c54276171344e0",
|
||||
"zone_zd": "e0dcb978a1105305",
|
||||
"zone_avail": "06d947c90bbab2f7",
|
||||
"zone_ladder": "c6312a30d149c5b8",
|
||||
"n_sig": 31,
|
||||
"sig_entry_idx": "117daf6e8c55678c",
|
||||
"sig_direction": "82ee301abc35d11b",
|
||||
"sig_bo_idx": "37ffa946fad579ce",
|
||||
"sig_pb_idx": "8552ade1f84eb3d3",
|
||||
"sig_lag": "da1bcee041ab9685",
|
||||
"sig_depth": "e0e60c3d319358e3",
|
||||
"sig_zone_i": "434c25ef783c3d1d",
|
||||
"col_open": "3197bbad7b435c9f",
|
||||
"col_high": "41e4ad11f6f6d786",
|
||||
"col_low": "c309926c23dfa574",
|
||||
"col_close": "c48f76a626b629c6",
|
||||
"col_volume": "07f9f254f17399a0",
|
||||
"col_atr": "074464dfb5648113",
|
||||
"col_macd": "135a69f5aa1df7dc",
|
||||
"col_macdsignal": "62ce36e9da9f37ec",
|
||||
"col_macdhist": "61ddcf3bb139bb81",
|
||||
"col_ema5": "e0ea01077a59b84b",
|
||||
"col_ema13": "ab9a31bbf5de8b57",
|
||||
"col_ema24": "44e8e295560b85cf",
|
||||
"col_ema26": "a710c87eeec607ea",
|
||||
"col_ema52": "578454b2d9147d96",
|
||||
"col_ema104": "36649911c3df0136",
|
||||
"col_ema156": "bba5874bd409fa90",
|
||||
"col_ema208": "a0bc2fa3e690681c",
|
||||
"col_ema7": "e1e76d337b9139e4",
|
||||
"col_rsi": "cc09f5884225b37f",
|
||||
"col_volume_ratio": "2382df013004571f",
|
||||
"col_bb2633upper": "85839e5a7bb36dc7",
|
||||
"col_bb2633lower": "13861ca562994024",
|
||||
"col_bb2633middle": "bf3c9bd564c2e8d7",
|
||||
"col_bbp30": "d00623b2d18c6653",
|
||||
"col_bbp120": "36dd361b5c618dcc",
|
||||
"col_bbp365": "5cd3e7d640c7d5dd",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
},
|
||||
"BTC_5m": {
|
||||
"n_rows": 20000,
|
||||
"n_klu": 20000,
|
||||
"n_klc": 14323,
|
||||
"n_bi": 974,
|
||||
"n_seg": 149,
|
||||
"n_bi_zs": 115,
|
||||
"n_zs": 15,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "0d3d5dcb6be9d8cf",
|
||||
"klc_low": "2ae0ce7158f99ee5",
|
||||
"klc_fx": "db8c606c09803b39",
|
||||
"bi_start": "eb36252ef42df30d",
|
||||
"bi_end": "eb36252ef42df30d",
|
||||
"bi_sure": "a61c15678945f9e1",
|
||||
"n_zones": 115,
|
||||
"zone_zg": "5eaa2f8f738c8566",
|
||||
"zone_zd": "d48ee940dac1fdba",
|
||||
"zone_avail": "bfc273ac2c80a856",
|
||||
"zone_ladder": "822ab80c13164fcf",
|
||||
"n_sig": 48,
|
||||
"sig_entry_idx": "4ca6e0b3ad9650db",
|
||||
"sig_direction": "74de66c775f3159f",
|
||||
"sig_bo_idx": "020d83285f111211",
|
||||
"sig_pb_idx": "c9d29e0e1cf23857",
|
||||
"sig_lag": "630718fda8c18f8b",
|
||||
"sig_depth": "cbe22a059a935417",
|
||||
"sig_zone_i": "499d9a4ffc4e4fac",
|
||||
"col_open": "da5240f8ff94b7d3",
|
||||
"col_high": "c06a481db2faee01",
|
||||
"col_low": "07108f56862e97f8",
|
||||
"col_close": "878c50482e134764",
|
||||
"col_volume": "e57b8dbfb3589a2a",
|
||||
"col_atr": "2e57310f4bb4f259",
|
||||
"col_macd": "807220fb465a46f1",
|
||||
"col_macdsignal": "079fd0757f9a6040",
|
||||
"col_macdhist": "2372736ddaa73786",
|
||||
"col_ema5": "5f7cc824e469e468",
|
||||
"col_ema13": "be17db658716e40f",
|
||||
"col_ema24": "dae2098cf4b4a029",
|
||||
"col_ema26": "1d6e667de928a8b4",
|
||||
"col_ema52": "a9521436966fff79",
|
||||
"col_ema104": "1d1373a8c3e48cd9",
|
||||
"col_ema156": "679d2e502207f085",
|
||||
"col_ema208": "8790e0e5c50bfbc3",
|
||||
"col_ema7": "b631eeb99b06b174",
|
||||
"col_rsi": "f1b3f6541bcefdc9",
|
||||
"col_volume_ratio": "3db5f52fe7051017",
|
||||
"col_bb2633upper": "cbd0d954047104f5",
|
||||
"col_bb2633lower": "e1a83624de00b90c",
|
||||
"col_bb2633middle": "a2a24306ccdc04c4",
|
||||
"col_bbp30": "453235723fa5bc76",
|
||||
"col_bbp120": "f67bad6c333f35b7",
|
||||
"col_bbp365": "d68b613efed41cd6",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
},
|
||||
"ETH_5m": {
|
||||
"n_rows": 20000,
|
||||
"n_klu": 20000,
|
||||
"n_klc": 14342,
|
||||
"n_bi": 927,
|
||||
"n_seg": 142,
|
||||
"n_bi_zs": 100,
|
||||
"n_zs": 15,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "131ed2d2cc245008",
|
||||
"klc_low": "d53c72dc569bbd4f",
|
||||
"klc_fx": "ec3177b225143a7a",
|
||||
"bi_start": "fb708274964722c2",
|
||||
"bi_end": "fb708274964722c2",
|
||||
"bi_sure": "b7b4cb502f2a0d70",
|
||||
"n_zones": 100,
|
||||
"zone_zg": "dca84f6a299fd1aa",
|
||||
"zone_zd": "d462f78cc4b7538b",
|
||||
"zone_avail": "b92e97fc130e310d",
|
||||
"zone_ladder": "cfc5c84c6a6d90f2",
|
||||
"n_sig": 42,
|
||||
"sig_entry_idx": "82e50dda58170b06",
|
||||
"sig_direction": "c7e63a0158b14ef2",
|
||||
"sig_bo_idx": "d9c826c620ff6bf2",
|
||||
"sig_pb_idx": "25340fc752a8143c",
|
||||
"sig_lag": "a6fa56f9f5b5f367",
|
||||
"sig_depth": "71d0776582fad395",
|
||||
"sig_zone_i": "f87a3a29b6b26adb",
|
||||
"col_open": "4875825277eb22d2",
|
||||
"col_high": "efc10b5252481a18",
|
||||
"col_low": "c2978c8eb3cdf78c",
|
||||
"col_close": "e0bc2b374fa5b33d",
|
||||
"col_volume": "f97c30ec4bb0ecf8",
|
||||
"col_atr": "8d6f2061d285ad98",
|
||||
"col_macd": "c8fc7f49467985ee",
|
||||
"col_macdsignal": "b6af44d80ea485c1",
|
||||
"col_macdhist": "fa854fe5a2055930",
|
||||
"col_ema5": "c6f2736ca8f67a11",
|
||||
"col_ema13": "2103d16e3db9dff7",
|
||||
"col_ema24": "e72b6c1ac9118ebd",
|
||||
"col_ema26": "a83023c8930a807d",
|
||||
"col_ema52": "ce2971fa029ee7b7",
|
||||
"col_ema104": "3cbe3efc7b6d8457",
|
||||
"col_ema156": "84e140907ef54b4c",
|
||||
"col_ema208": "e28316d21c6d29e7",
|
||||
"col_ema7": "5bbf9ce6610e1574",
|
||||
"col_rsi": "c4c6ff1145c88981",
|
||||
"col_volume_ratio": "bfb7636b8d92fca1",
|
||||
"col_bb2633upper": "f0068bec633e28d4",
|
||||
"col_bb2633lower": "78936103ef228327",
|
||||
"col_bb2633middle": "3b4a8fd306318760",
|
||||
"col_bbp30": "225773d67ca05c7e",
|
||||
"col_bbp120": "1084331d91660254",
|
||||
"col_bbp365": "ea71e0285f2801ba",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
},
|
||||
"SOL_15m": {
|
||||
"n_rows": 20000,
|
||||
"n_klu": 20000,
|
||||
"n_klc": 14051,
|
||||
"n_bi": 894,
|
||||
"n_seg": 131,
|
||||
"n_bi_zs": 115,
|
||||
"n_zs": 7,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "6514126fb15a2495",
|
||||
"klc_low": "1a95961cd8510b61",
|
||||
"klc_fx": "39a6f1e8cbe15296",
|
||||
"bi_start": "93d17db2c0726ad2",
|
||||
"bi_end": "93d17db2c0726ad2",
|
||||
"bi_sure": "72a7eeed9f203249",
|
||||
"n_zones": 115,
|
||||
"zone_zg": "bdddd8960357e2c2",
|
||||
"zone_zd": "a72a80f2ec747fa9",
|
||||
"zone_avail": "d6bec0bead4ca986",
|
||||
"zone_ladder": "4bbd1a9e4080a3d4",
|
||||
"n_sig": 33,
|
||||
"sig_entry_idx": "57154349f7256bd5",
|
||||
"sig_direction": "3456806b7f3f915a",
|
||||
"sig_bo_idx": "d3a1e9433c85a1d0",
|
||||
"sig_pb_idx": "7584cbbe94a65ea5",
|
||||
"sig_lag": "0d9429413d5a72ba",
|
||||
"sig_depth": "5fefacd49949cd9f",
|
||||
"sig_zone_i": "99844be679dbc613",
|
||||
"col_open": "0c38967f4d88ca2f",
|
||||
"col_high": "9d506e4c74c1d73c",
|
||||
"col_low": "416ac69aa8a7a5c4",
|
||||
"col_close": "27579fe4a877d720",
|
||||
"col_volume": "a8c30f4f5a732e91",
|
||||
"col_atr": "366c4ec27cd52632",
|
||||
"col_macd": "449587b2c37e8df2",
|
||||
"col_macdsignal": "83de7bfbe9224c61",
|
||||
"col_macdhist": "e94458f1558bd910",
|
||||
"col_ema5": "cd13382ef7069033",
|
||||
"col_ema13": "6a9429bffb033b9a",
|
||||
"col_ema24": "41a037d614e701ba",
|
||||
"col_ema26": "c46e3a74f471bbb0",
|
||||
"col_ema52": "bf8d0b1208647291",
|
||||
"col_ema104": "4f229c578d7998e4",
|
||||
"col_ema156": "1fd8a8c38d11f081",
|
||||
"col_ema208": "3e2704d5c53ee9f8",
|
||||
"col_ema7": "21281407046b4322",
|
||||
"col_rsi": "a800c451254f433e",
|
||||
"col_volume_ratio": "ec05ddc04f54b31b",
|
||||
"col_bb2633upper": "9c0bb9a91102bcd9",
|
||||
"col_bb2633lower": "b55705f39cdb0c63",
|
||||
"col_bb2633middle": "365c7763ddad555c",
|
||||
"col_bbp30": "8ab505323d0cb0a9",
|
||||
"col_bbp120": "8a16100ed6fe37b6",
|
||||
"col_bbp365": "437b91a2cdde91eb",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
},
|
||||
"XRP_30m": {
|
||||
"n_rows": 20000,
|
||||
"n_klu": 20000,
|
||||
"n_klc": 14763,
|
||||
"n_bi": 849,
|
||||
"n_seg": 125,
|
||||
"n_bi_zs": 108,
|
||||
"n_zs": 11,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "567e7651c968c00c",
|
||||
"klc_low": "c1b8189a9d447452",
|
||||
"klc_fx": "67b72deec2a5593b",
|
||||
"bi_start": "04f30102940f974d",
|
||||
"bi_end": "04f30102940f974d",
|
||||
"bi_sure": "da571f5278b770e1",
|
||||
"n_zones": 108,
|
||||
"zone_zg": "1eefb80dd6c76a53",
|
||||
"zone_zd": "8fa0d96149ddc204",
|
||||
"zone_avail": "7e652fb397da32da",
|
||||
"zone_ladder": "4177c4b5a40b6247",
|
||||
"n_sig": 40,
|
||||
"sig_entry_idx": "d550aee46e46c917",
|
||||
"sig_direction": "81f88af0167a498c",
|
||||
"sig_bo_idx": "f704a273ed48013f",
|
||||
"sig_pb_idx": "2e030812f5243076",
|
||||
"sig_lag": "1c1eebf161a0ff83",
|
||||
"sig_depth": "c671af2668c0cc78",
|
||||
"sig_zone_i": "49971affbaf93434",
|
||||
"col_open": "e064238e9f5e7baa",
|
||||
"col_high": "a28e55a860c236ce",
|
||||
"col_low": "7585fe470cd2ecfd",
|
||||
"col_close": "3470d49402aa5a5e",
|
||||
"col_volume": "0b473a543b78cd89",
|
||||
"col_atr": "967be1c16f118183",
|
||||
"col_macd": "cf3b1cc2d9f3ca98",
|
||||
"col_macdsignal": "993858809b2f3a2e",
|
||||
"col_macdhist": "469650fc16672829",
|
||||
"col_ema5": "0c7e735c6abfc0b5",
|
||||
"col_ema13": "bc9799632b2232f5",
|
||||
"col_ema24": "9397472a7982e2e4",
|
||||
"col_ema26": "59ec2e87acb64341",
|
||||
"col_ema52": "f61f6de2169678b8",
|
||||
"col_ema104": "fe786b2dc9436f25",
|
||||
"col_ema156": "1291ef40a77682d5",
|
||||
"col_ema208": "7e63bf51454a5dfb",
|
||||
"col_ema7": "25983717dea0f463",
|
||||
"col_rsi": "b992c428c2643962",
|
||||
"col_volume_ratio": "4d70f107c08380cc",
|
||||
"col_bb2633upper": "cbe0b203046d7377",
|
||||
"col_bb2633lower": "166c968182153faf",
|
||||
"col_bb2633middle": "7ba495bfe685d0eb",
|
||||
"col_bbp30": "598150e822aac882",
|
||||
"col_bbp120": "36778d36238896c4",
|
||||
"col_bbp365": "a1f88436a790dc2a",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
}
|
||||
}
|
||||
@@ -0,0 +1,487 @@
|
||||
{
|
||||
"BTC_1m": {
|
||||
"n_rows": 200000,
|
||||
"n_klu": 200000,
|
||||
"n_klc": 131701,
|
||||
"n_bi": 9504,
|
||||
"n_seg": 1406,
|
||||
"n_bi_zs": 1073,
|
||||
"n_zs": 155,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "992af879db2e8e43",
|
||||
"klc_low": "8ba4f68b829b552c",
|
||||
"klc_fx": "03870041e7b334e7",
|
||||
"bi_start": "3d8fbede022d751d",
|
||||
"bi_end": "3d8fbede022d751d",
|
||||
"bi_sure": "bd74890c6552b345",
|
||||
"n_zones": 1073,
|
||||
"zone_zg": "0436269233f63984",
|
||||
"zone_zd": "5b3cc3b0b0eafd20",
|
||||
"zone_avail": "b45174f22f908d5b",
|
||||
"zone_ladder": "1342f5e104d399fa",
|
||||
"n_sig": 396,
|
||||
"sig_entry_idx": "c9728ba1d4a739c5",
|
||||
"sig_direction": "8bc66cd2f6c0ffa8",
|
||||
"sig_bo_idx": "2981b0d3134b99cc",
|
||||
"sig_pb_idx": "21ec7c5b1f85cca4",
|
||||
"sig_lag": "2f5640376a99c4ae",
|
||||
"sig_depth": "cf3f0bf3d239c2f9",
|
||||
"sig_zone_i": "8654e213e0faaa5f",
|
||||
"col_open": "32e16cc827550cce",
|
||||
"col_high": "9c9cb56b72814b2b",
|
||||
"col_low": "4db855614f0f3254",
|
||||
"col_close": "3707a170acb64306",
|
||||
"col_volume": "4e3eb344a25eeec2",
|
||||
"col_atr": "c6e1a3b27bfaec47",
|
||||
"col_macd": "94a485845cf30bea",
|
||||
"col_macdsignal": "87ec0074d9bc8cbc",
|
||||
"col_macdhist": "5127835e6b590aff",
|
||||
"col_ema5": "5f4851ec918152d5",
|
||||
"col_ema13": "5ede020d68cde473",
|
||||
"col_ema24": "dc45445e03565a7d",
|
||||
"col_ema26": "7ffc3a0799531172",
|
||||
"col_ema52": "dafc5dbfdac7ec7d",
|
||||
"col_ema104": "6a5911c3a9daead3",
|
||||
"col_ema156": "f7aa34a1c04ecd66",
|
||||
"col_ema208": "773341a5170f61ee",
|
||||
"col_ema7": "25b47f9884bc7eff",
|
||||
"col_rsi": "d07bc07917c51b98",
|
||||
"col_volume_ratio": "2b3cbd8c2fd4a0c7",
|
||||
"col_bb2633upper": "8abeb464d97ed502",
|
||||
"col_bb2633lower": "54f96c202ecd17c2",
|
||||
"col_bb2633middle": "bf7a068c7592c379",
|
||||
"col_bbp30": "e6b3f087308509bd",
|
||||
"col_bbp120": "eb53451f0dadd779",
|
||||
"col_bbp365": "c32489b1e8216c96",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
},
|
||||
"BTC_5m": {
|
||||
"n_rows": 200000,
|
||||
"n_klu": 200000,
|
||||
"n_klc": 146735,
|
||||
"n_bi": 9670,
|
||||
"n_seg": 1485,
|
||||
"n_bi_zs": 1093,
|
||||
"n_zs": 160,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "dc921e6668a807e9",
|
||||
"klc_low": "47a5508f3736f23b",
|
||||
"klc_fx": "4a459666e121fee2",
|
||||
"bi_start": "12144ccb870d12a1",
|
||||
"bi_end": "12144ccb870d12a1",
|
||||
"bi_sure": "0ee81c335c3c858e",
|
||||
"n_zones": 1093,
|
||||
"zone_zg": "54918583a2371b0f",
|
||||
"zone_zd": "cb698e8570e2b3fc",
|
||||
"zone_avail": "70a78276ce8d81e8",
|
||||
"zone_ladder": "4eaf9f4810737d9b",
|
||||
"n_sig": 396,
|
||||
"sig_entry_idx": "c166fe6bbec08d80",
|
||||
"sig_direction": "d376c8684119da87",
|
||||
"sig_bo_idx": "1963ec7608066cf6",
|
||||
"sig_pb_idx": "c7db54ba1103fe3b",
|
||||
"sig_lag": "8cfbb30f7e26bcff",
|
||||
"sig_depth": "fbc0589ca7908cee",
|
||||
"sig_zone_i": "aa0a7f54921bfdb2",
|
||||
"col_open": "b0ef7c7ed1122a9b",
|
||||
"col_high": "c036264627035105",
|
||||
"col_low": "aad6caaa73079e29",
|
||||
"col_close": "00ccedeb197fd137",
|
||||
"col_volume": "11686a1bed642a1f",
|
||||
"col_atr": "1fa43f86914c4a8e",
|
||||
"col_macd": "ad66e34357a586c7",
|
||||
"col_macdsignal": "3b9a127b992897b3",
|
||||
"col_macdhist": "c564a280ef8eb0f1",
|
||||
"col_ema5": "74e476c0269798a9",
|
||||
"col_ema13": "f6968ae7f127ebe2",
|
||||
"col_ema24": "db3ae3b801d846f5",
|
||||
"col_ema26": "adda6c2af103a6ed",
|
||||
"col_ema52": "4d663556702cd4df",
|
||||
"col_ema104": "c14c8d69fa4be179",
|
||||
"col_ema156": "9e5df963de200c54",
|
||||
"col_ema208": "30e0eabc1ef6e4fb",
|
||||
"col_ema7": "a78d7798f10638fc",
|
||||
"col_rsi": "c4dc1ca7d74b64f9",
|
||||
"col_volume_ratio": "62694ace333f324a",
|
||||
"col_bb2633upper": "35149f0ee32941d5",
|
||||
"col_bb2633lower": "ce61849352496a88",
|
||||
"col_bb2633middle": "62cf973be0c1d775",
|
||||
"col_bbp30": "d8dc8265680ed17c",
|
||||
"col_bbp120": "d951e014ae714540",
|
||||
"col_bbp365": "a4f5700a169eed20",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
},
|
||||
"ETH_5m": {
|
||||
"n_rows": 200000,
|
||||
"n_klu": 200000,
|
||||
"n_klc": 147071,
|
||||
"n_bi": 9668,
|
||||
"n_seg": 1447,
|
||||
"n_bi_zs": 1064,
|
||||
"n_zs": 151,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "b474c10434b7d1be",
|
||||
"klc_low": "16c8b368522eff67",
|
||||
"klc_fx": "454f30149c5437e9",
|
||||
"bi_start": "e962ff5f90072953",
|
||||
"bi_end": "e962ff5f90072953",
|
||||
"bi_sure": "6702ee0ec3ba05b7",
|
||||
"n_zones": 1064,
|
||||
"zone_zg": "4f8fdc5ce3699a83",
|
||||
"zone_zd": "55f8826e3850bbbb",
|
||||
"zone_avail": "b4af5d59909c20de",
|
||||
"zone_ladder": "7718718df232fbb6",
|
||||
"n_sig": 357,
|
||||
"sig_entry_idx": "6de39296c88fcbb5",
|
||||
"sig_direction": "62e7be93232d7c6d",
|
||||
"sig_bo_idx": "6ec163434edaf6e9",
|
||||
"sig_pb_idx": "ca9b4000a3d8b167",
|
||||
"sig_lag": "16e524f721f0a3aa",
|
||||
"sig_depth": "bd78d76d5ac56d18",
|
||||
"sig_zone_i": "ec18317accf8f34f",
|
||||
"col_open": "6f693fe747fe72ea",
|
||||
"col_high": "e5cf5f170c1b74c5",
|
||||
"col_low": "9a21e97b26b281ee",
|
||||
"col_close": "c65c480ea3acb4cf",
|
||||
"col_volume": "deca090b35e34611",
|
||||
"col_atr": "5c598706876091c4",
|
||||
"col_macd": "3f38452148fbb5db",
|
||||
"col_macdsignal": "848e9ea874b125cb",
|
||||
"col_macdhist": "3e2301728b8c73ae",
|
||||
"col_ema5": "e66614435995ca8c",
|
||||
"col_ema13": "5b90f189ecb9dbde",
|
||||
"col_ema24": "dc98f535eb5b9a14",
|
||||
"col_ema26": "98ce247c33012910",
|
||||
"col_ema52": "ce2d49aa246f7d1b",
|
||||
"col_ema104": "37a07762a9d5bfe1",
|
||||
"col_ema156": "1040f54fb1f1a28c",
|
||||
"col_ema208": "2430fa3290e62444",
|
||||
"col_ema7": "e85e8582b2dd352a",
|
||||
"col_rsi": "f3d09ac8721406bd",
|
||||
"col_volume_ratio": "5842f57c75a5c5a8",
|
||||
"col_bb2633upper": "1e1622aad5a3dc46",
|
||||
"col_bb2633lower": "58392bfb6e652321",
|
||||
"col_bb2633middle": "72376e41d5a46393",
|
||||
"col_bbp30": "1b99ed1cb7132665",
|
||||
"col_bbp120": "b11c01bd8702106e",
|
||||
"col_bbp365": "9613ed3ed332a0e2",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
},
|
||||
"SOL_15m": {
|
||||
"n_rows": 200000,
|
||||
"n_klu": 200000,
|
||||
"n_klc": 147387,
|
||||
"n_bi": 9221,
|
||||
"n_seg": 1443,
|
||||
"n_bi_zs": 1097,
|
||||
"n_zs": 153,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "9873e17761a5f439",
|
||||
"klc_low": "c26a95692a503700",
|
||||
"klc_fx": "e9da3d4ecae9b7d6",
|
||||
"bi_start": "7ae8f7ca13826214",
|
||||
"bi_end": "7ae8f7ca13826214",
|
||||
"bi_sure": "4dc74bb88bebe27b",
|
||||
"n_zones": 1097,
|
||||
"zone_zg": "4ac63d81a0c7f518",
|
||||
"zone_zd": "38d5b7afd33e2e15",
|
||||
"zone_avail": "532fd21eed5584f7",
|
||||
"zone_ladder": "6139c6b7503d0c44",
|
||||
"n_sig": 371,
|
||||
"sig_entry_idx": "d74faae30a9c9d49",
|
||||
"sig_direction": "038ed1f04dbe7141",
|
||||
"sig_bo_idx": "9c2251f45e7b31f6",
|
||||
"sig_pb_idx": "ac324f507086aec8",
|
||||
"sig_lag": "b429021aa0a4d4da",
|
||||
"sig_depth": "654d5249825e9903",
|
||||
"sig_zone_i": "f070e3f31075cb19",
|
||||
"col_open": "1c9998e987e16a5f",
|
||||
"col_high": "80ed4bf62274de03",
|
||||
"col_low": "09b8b6c12e4e3f06",
|
||||
"col_close": "223ae3e7e1b7d05a",
|
||||
"col_volume": "f311c91d123a55b5",
|
||||
"col_atr": "ed2d754bd3b15f77",
|
||||
"col_macd": "290ea71faef859e4",
|
||||
"col_macdsignal": "70008a039281deb8",
|
||||
"col_macdhist": "16535492810b17e8",
|
||||
"col_ema5": "c2b75b157fee520a",
|
||||
"col_ema13": "a38553a7296f8c14",
|
||||
"col_ema24": "aa12c0c0fc8b839f",
|
||||
"col_ema26": "2e04f45e2f2067fb",
|
||||
"col_ema52": "361bd4886eaf510d",
|
||||
"col_ema104": "beca8cd07bb88835",
|
||||
"col_ema156": "941a4949be08fcbd",
|
||||
"col_ema208": "82f3b64ae8e6c97c",
|
||||
"col_ema7": "466b0319cd174bb2",
|
||||
"col_rsi": "cd3eb3fa8896a0e6",
|
||||
"col_volume_ratio": "c4d3a5bf0a821829",
|
||||
"col_bb2633upper": "3599736cc0c8ed31",
|
||||
"col_bb2633lower": "4afcdb806d790258",
|
||||
"col_bb2633middle": "fea10757ba7fdeb6",
|
||||
"col_bbp30": "64222d075acd186e",
|
||||
"col_bbp120": "d17f37169b2a5966",
|
||||
"col_bbp365": "943089e90d9da3ba",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
},
|
||||
"XRP_30m": {
|
||||
"n_rows": 116374,
|
||||
"n_klu": 116374,
|
||||
"n_klc": 82461,
|
||||
"n_bi": 5109,
|
||||
"n_seg": 784,
|
||||
"n_bi_zs": 572,
|
||||
"n_zs": 74,
|
||||
"n_bsp": 0,
|
||||
"klc_high": "2f214dccb66c2acb",
|
||||
"klc_low": "11763813065965dc",
|
||||
"klc_fx": "16a8abb38cc08276",
|
||||
"bi_start": "ddb3716c5603fc9f",
|
||||
"bi_end": "ddb3716c5603fc9f",
|
||||
"bi_sure": "45d38e2edf89a78e",
|
||||
"n_zones": 572,
|
||||
"zone_zg": "6301d2ba0529348a",
|
||||
"zone_zd": "02798be778a12b3c",
|
||||
"zone_avail": "f7627b9e187434f8",
|
||||
"zone_ladder": "79b4eba53b7f16b4",
|
||||
"n_sig": 185,
|
||||
"sig_entry_idx": "3fd118bcca9c0318",
|
||||
"sig_direction": "4e5c8a66c981612e",
|
||||
"sig_bo_idx": "359749625e049f17",
|
||||
"sig_pb_idx": "30d938988a47152e",
|
||||
"sig_lag": "6ecaeb56a6377c02",
|
||||
"sig_depth": "b472e1cc5387f001",
|
||||
"sig_zone_i": "beb04af56f37bf08",
|
||||
"col_open": "d8eb9bfb0cb6375a",
|
||||
"col_high": "c8305b04a6736acf",
|
||||
"col_low": "b00124fab8245af3",
|
||||
"col_close": "69e3cdd2e55f4809",
|
||||
"col_volume": "839836338744c27c",
|
||||
"col_atr": "5900706833e9edba",
|
||||
"col_macd": "88f65443d79c489f",
|
||||
"col_macdsignal": "f1fd2dcea6c73575",
|
||||
"col_macdhist": "fce95fc9ccb6b57e",
|
||||
"col_ema5": "5c6b418babd70b93",
|
||||
"col_ema13": "4775865a25779b16",
|
||||
"col_ema24": "f24136710438fa4e",
|
||||
"col_ema26": "c8a14eab58bc38dc",
|
||||
"col_ema52": "602f9cd13a369f59",
|
||||
"col_ema104": "aefabaf6c26d4977",
|
||||
"col_ema156": "a09b1eb8b3435f96",
|
||||
"col_ema208": "861be94bc86d83b8",
|
||||
"col_ema7": "7e605fb6cd8fa03f",
|
||||
"col_rsi": "ab9617b826fb1cf1",
|
||||
"col_volume_ratio": "adeab54de59ff72c",
|
||||
"col_bb2633upper": "a4e7709df8bebb48",
|
||||
"col_bb2633lower": "e62b8f228e730261",
|
||||
"col_bb2633middle": "5799755b2c60e9fe",
|
||||
"col_bbp30": "a404273b177e495e",
|
||||
"col_bbp120": "46c63a30348ad94e",
|
||||
"col_bbp365": "f974d0696160d78d",
|
||||
"_all_columns": [
|
||||
"atr",
|
||||
"bb2633lower",
|
||||
"bb2633middle",
|
||||
"bb2633upper",
|
||||
"bblow120",
|
||||
"bblow30",
|
||||
"bblow302",
|
||||
"bblow365",
|
||||
"bbmiddle30",
|
||||
"bbp120",
|
||||
"bbp2633",
|
||||
"bbp30",
|
||||
"bbp302",
|
||||
"bbp365",
|
||||
"bbup120",
|
||||
"bbup30",
|
||||
"bbup302",
|
||||
"bbup365",
|
||||
"close",
|
||||
"date",
|
||||
"ema10",
|
||||
"ema104",
|
||||
"ema13",
|
||||
"ema156",
|
||||
"ema208",
|
||||
"ema24",
|
||||
"ema26",
|
||||
"ema5",
|
||||
"ema52",
|
||||
"ema7",
|
||||
"high",
|
||||
"low",
|
||||
"macd",
|
||||
"macdhist",
|
||||
"macdsignal",
|
||||
"open",
|
||||
"rsi",
|
||||
"timestamp",
|
||||
"volume",
|
||||
"volume_ratio"
|
||||
]
|
||||
}
|
||||
}
|
||||
@@ -0,0 +1,188 @@
|
||||
"""Step 44：1m 上「浅色信号（未过双过滤）到底能不能做」。
|
||||
|
||||
用户观察：图上很多浅色 b4/s4 的入场价看着也很有优势。这在 1m 上必须实测——
|
||||
入场点「看着漂亮」和「扣完成本还剩正收益」之间隔着很大距离，而 1m 的固定成本
|
||||
相对 ATR 特别重，正是最容易把视觉上的优势吃干净的级别。
|
||||
|
||||
step40 做过同类消融，但只覆盖 15m/30m，且用旧口径（5bp 平摊成本、SL/TP/超时
|
||||
1.5/3.0/48）。1m 的成本压力与之完全不是一个量级，结论不能外推。
|
||||
|
||||
本步按当前最优 1m 口径复核：
|
||||
出场 SL 2.0 / 3 ATR 减半 / runner 目标 8 ATR / runner 止损留在原位 / 48 根超时
|
||||
成本 taker 2bp、maker 0.8bp，滑点只加在 taker 腿（见 lib/exit_model）
|
||||
门控 ATR >= 8bp
|
||||
|
||||
把信号按两个过滤标志切成四桶，看浅色那三桶扣费后是正是负。
|
||||
"""
|
||||
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)
|
||||
|
||||
LTF, HTF = "1m", "5m"
|
||||
SL, SCALE_AT, RUNNER, RSTOP, MAXB = 2.0, 3.0, 8.0, 2.0, 48
|
||||
GATE_BP = 8.0
|
||||
|
||||
|
||||
def collect(sym: str, rows: int) -> pd.DataFrame | None:
|
||||
import warnings as _w
|
||||
_w.filterwarnings("ignore")
|
||||
sys.path.insert(0, str(HERE))
|
||||
sys.path.insert(0, str(HERE.parent))
|
||||
|
||||
from chanlun import TF_DF
|
||||
from chanlun.analysis.fast_bsp import (
|
||||
add_zone_ladder, attach_htf_agree, attach_zone_ladder,
|
||||
build_htf_zones, find_fast_bsp3, htf_fx_timeline,
|
||||
)
|
||||
from lib.data import fetch_ohlcv
|
||||
from lib.exit_model import cfg_name, walk_exits
|
||||
|
||||
try:
|
||||
df = fetch_ohlcv(f"{sym}/USDT:USDT", LTF, rows)
|
||||
if df is None or len(df) < 50_000:
|
||||
return None
|
||||
chan = TF_DF(df, 1, LTF)
|
||||
cdf = chan.dataframe
|
||||
zones = add_zone_ladder(build_htf_zones(cdf, LTF, chan=chan).reset_index(drop=True))
|
||||
if zones.empty:
|
||||
return None
|
||||
sig = find_fast_bsp3(cdf, zones)
|
||||
if sig.empty:
|
||||
return None
|
||||
|
||||
df_h = fetch_ohlcv(f"{sym}/USDT:USDT", HTF, 10 ** 9)
|
||||
chan_h = TF_DF(df_h, 1, HTF)
|
||||
tl = htf_fx_timeline(chan_h, chan_h.dataframe)
|
||||
|
||||
sig = attach_htf_agree(sig, cdf, tl)
|
||||
sig = attach_zone_ladder(sig, zones)
|
||||
|
||||
res = walk_exits(cdf, sig, [SL], [RUNNER], [MAXB],
|
||||
scale_at=SCALE_AT, runners=(RUNNER,), runner_stops=(RSTOP,))
|
||||
cfg = cfg_name(SL, RUNNER, MAXB, RSTOP)
|
||||
need = [f"{cfg}_g", f"{cfg}_r", f"{cfg}_c", f"{cfg}_b"]
|
||||
if any(c not in res.columns for c in need):
|
||||
return None
|
||||
|
||||
idx = sig["entry_idx"].to_numpy().astype(int)
|
||||
atr = cdf["atr"].to_numpy(float)[idx]
|
||||
close = cdf["close"].to_numpy(float)[idx]
|
||||
out = res[need].copy()
|
||||
out.columns = ["g", "r", "c", "b"]
|
||||
out["sym"] = sym
|
||||
out["atr_pct"] = atr / close
|
||||
out["htf_agree"] = sig["htf_agree"].to_numpy()
|
||||
out["ladder_ok"] = sig["ladder_ok"].to_numpy()
|
||||
out["date"] = cdf["date"].to_numpy()[idx]
|
||||
return out
|
||||
except Exception as e:
|
||||
print(f" {sym} 失败: {e!r}", flush=True)
|
||||
return None
|
||||
|
||||
|
||||
def describe(g: pd.DataFrame, label: str) -> dict:
|
||||
from lib.exit_model import FEE_MAKER, FEE_TAKER, TP, fee_of, taker_notional
|
||||
|
||||
if len(g) < 40:
|
||||
return {"口径": label, "笔数": len(g), "备注": "样本不足"}
|
||||
gross = g["g"].to_numpy()
|
||||
reason, scaled = g["r"].to_numpy(), g["c"].to_numpy()
|
||||
fee = fee_of(reason, scaled)
|
||||
net = gross - fee # 未扣滑点：留出的就是滑点余量
|
||||
R = net / (SL * g["atr_pct"].to_numpy())
|
||||
gR = gross / (SL * g["atr_pct"].to_numpy())
|
||||
w, o = net[net > 0], -net[net <= 0].sum()
|
||||
q = np.quantile(net[net > 0], 0.90) if (net > 0).any() else 0.0
|
||||
t10 = net[(net > 0) & (net <= q)].sum()
|
||||
tn = taker_notional(reason, scaled)
|
||||
return {
|
||||
"口径": label, "笔数": len(g),
|
||||
"胜率": f"{(net > 0).mean() * 100:.1f}%",
|
||||
"毛R": round(gR.mean(), 3),
|
||||
"净均R": round(R.mean(), 3),
|
||||
"R夏普": round(R.mean() / R.std(ddof=1), 3),
|
||||
"PF": round(w.sum() / o, 2) if o > 0 else np.inf,
|
||||
"剔10%PF": round(t10 / o, 2) if o > 0 else np.inf,
|
||||
"滑点余量bp": round(net.mean() / tn.mean() * 1e4, 2),
|
||||
}
|
||||
|
||||
|
||||
def main() -> None:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--symbols", default="BTC,ETH,SOL,XRP,DOGE,LINK,ADA,LTC")
|
||||
ap.add_argument("--rows", type=int, default=300_000)
|
||||
ap.add_argument("--workers", type=int, default=4)
|
||||
args = ap.parse_args()
|
||||
|
||||
syms = [s.strip() for s in args.symbols.split(",")]
|
||||
print(f"[1m 过滤器消融] {len(syms)} 币 × {args.rows} 根，"
|
||||
f"出场 SL{SL}/减半{SCALE_AT}/runner{RUNNER}/rstop{RSTOP}/{MAXB}根\n", flush=True)
|
||||
|
||||
parts = []
|
||||
with ProcessPoolExecutor(max_workers=args.workers) as ex:
|
||||
futs = {ex.submit(collect, s, args.rows): s for s in syms}
|
||||
for i, f in enumerate(as_completed(futs), 1):
|
||||
r = f.result()
|
||||
if r is None:
|
||||
print(f" [{i}/{len(syms)}] {futs[f]} 跳过", flush=True)
|
||||
continue
|
||||
parts.append(r)
|
||||
print(f" [{i}/{len(syms)}] {futs[f]} 信号 {len(r)}", flush=True)
|
||||
if not parts:
|
||||
print("无结果")
|
||||
return
|
||||
|
||||
d = pd.concat(parts, ignore_index=True)
|
||||
d["a_bp"] = d["atr_pct"] * 1e4
|
||||
d.to_feather(HERE / "out" / "step44_ablation_1m.feather")
|
||||
|
||||
for gate_lab, dd in (("未加门控", d), (f"ATR >= {GATE_BP:g}bp", d[d.a_bp >= GATE_BP])):
|
||||
print("\n" + "=" * 118)
|
||||
print(f"########## {gate_lab}（共 {len(dd)} 笔）##########")
|
||||
dark = (dd["htf_agree"] == 1.0) & dd["ladder_ok"]
|
||||
rows = [
|
||||
describe(dd, "全部信号"),
|
||||
describe(dd[dark], "深色：同向 ∧ 阶梯"),
|
||||
describe(dd[~dark], "浅色：任一不过"),
|
||||
describe(dd[(dd["htf_agree"] == 1.0) & ~dd["ladder_ok"]], " 只过同向"),
|
||||
describe(dd[(dd["htf_agree"] != 1.0) & dd["ladder_ok"]], " 只过阶梯"),
|
||||
describe(dd[(dd["htf_agree"] != 1.0) & ~dd["ladder_ok"]], " 两个都不过"),
|
||||
]
|
||||
print(pd.DataFrame([r for r in rows if r]).to_string(index=False))
|
||||
|
||||
print("\n########## 逐币：浅色是正是负（ATR 门控后）##########")
|
||||
dd = d[d.a_bp >= GATE_BP]
|
||||
rows = []
|
||||
for s, g in dd.groupby("sym"):
|
||||
dark = (g["htf_agree"] == 1.0) & g["ladder_ok"]
|
||||
a, b = describe(g[dark], "深"), describe(g[~dark], "浅")
|
||||
rows.append({"币": s,
|
||||
"深色笔数": a.get("笔数"), "深色净均R": a.get("净均R"),
|
||||
"深色余量bp": a.get("滑点余量bp"),
|
||||
"浅色笔数": b.get("笔数"), "浅色净均R": b.get("净均R"),
|
||||
"浅色余量bp": b.get("滑点余量bp")})
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
|
||||
print("\n注：余量为「扣手续费后、可用于吸收滑点的 bp」。"
|
||||
"低于实测滑点即为亏损，不是「小赚」。")
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
@@ -0,0 +1,262 @@
|
||||
"""Step 43：重画率——实时看到过的信号，有多少后来消失了。
|
||||
|
||||
step39 也报过「假阳性」，但那个测法是无效的：它从全序列随机抽非信号点，
|
||||
看时点重建会不会凭空冒信号。1m 上信号密度约 474 根 1 个，180 个随机点里
|
||||
本来就只期望撞上 0.38 个，测出 0% 几乎不含信息量。
|
||||
|
||||
重画不发生在随机点上，只发生在「差一点就成型」的结构附近。所以要
|
||||
**逐根**做时点重建，把「当根确实出现了信号」的位置全收集起来，
|
||||
再看它们在全量视角里还在不在。
|
||||
|
||||
实时信号 窗口只喂到第 T 根，重建后信号恰好落在第 T 根（实盘会下单的那些）
|
||||
重画 该信号在全量重建里不存在（图上后来消失，但实盘已经开了仓）
|
||||
漏看 全量有、实时当根没有（step39 已验证 ~0，这里顺带复核）
|
||||
|
||||
只有**深色信号**（h1_agree ∧ ladder_ok）才会真下单，所以分层报告：
|
||||
浅色重画无所谓，深色重画才影响实盘。
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
import time
|
||||
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", 320)
|
||||
|
||||
LTF, HTF = "1m", "5m"
|
||||
WINDOW = 2000 # step39 证明 1m 在 2000 根就饱和，实盘也用这个
|
||||
HTF_WINDOW = 800 # 5m 侧窗口，同 step39
|
||||
MAX_ROWS = 1_200_000
|
||||
|
||||
|
||||
def _load(sym: str):
|
||||
from chanlun import TF_DF
|
||||
from lib.data import fetch_ohlcv
|
||||
from lib.fx_signal import extract_fx_signals, signals_to_frame
|
||||
from lib.nested_bsp import htf_fx_timeline
|
||||
|
||||
pair = f"{sym}/USDT:USDT"
|
||||
df_l = fetch_ohlcv(pair, LTF, MAX_ROWS)
|
||||
df_h = fetch_ohlcv(pair, HTF, 10 ** 9)
|
||||
chan_l = TF_DF(df_l, 1, LTF)
|
||||
cdf = chan_l.dataframe
|
||||
chan_h = TF_DF(df_h, 1, HTF)
|
||||
hdf = chan_h.dataframe
|
||||
tl = htf_fx_timeline(signals_to_frame(extract_fx_signals(chan_h, hdf)), hdf)
|
||||
return chan_l, cdf, hdf, tl
|
||||
|
||||
|
||||
def _full_signals(chan_l, cdf, tl):
|
||||
"""全量视角的信号集（带两个过滤器）。"""
|
||||
from chanlun.analysis.fast_bsp import attach_zone_ladder
|
||||
from lib.fast_bsp3 import find_fast_bsp3
|
||||
from lib.nested_bsp import attach_htf_context
|
||||
from lib.nested_level import build_htf_zones
|
||||
|
||||
zones = build_htf_zones(cdf, LTF, chan=chan_l).reset_index(drop=True)
|
||||
if zones.empty:
|
||||
return pd.DataFrame()
|
||||
sig = find_fast_bsp3(cdf, zones)
|
||||
if sig.empty:
|
||||
return pd.DataFrame()
|
||||
sig = attach_htf_context(sig, cdf, tl, "h1")
|
||||
sig = attach_zone_ladder(sig, zones)
|
||||
sig["ts"] = cdf["timestamp"].to_numpy()[sig["entry_idx"].astype(int)]
|
||||
return sig
|
||||
|
||||
|
||||
def scan_chunk(task: tuple) -> dict:
|
||||
"""逐根时点重建，只记录信号恰好落在当根的位置。"""
|
||||
import warnings as _w
|
||||
_w.filterwarnings("ignore")
|
||||
sys.path.insert(0, str(HERE))
|
||||
sys.path.insert(0, str(HERE.parent))
|
||||
|
||||
from chanlun import TF_DF
|
||||
from chanlun.analysis.fast_bsp import attach_zone_ladder
|
||||
from lib.fast_bsp3 import find_fast_bsp3
|
||||
from lib.fx_signal import extract_fx_signals, signals_to_frame
|
||||
from lib.nested_bsp import attach_htf_context, htf_fx_timeline
|
||||
from lib.nested_level import build_htf_zones
|
||||
|
||||
sym, lo, hi = task
|
||||
try:
|
||||
chan_l, cdf, hdf, _tl_full = _load(sym)
|
||||
ltf_ts = cdf["timestamp"].to_numpy()
|
||||
htf_ts = hdf["timestamp"].to_numpy()
|
||||
hi = min(hi, len(cdf))
|
||||
lo = max(lo, WINDOW)
|
||||
|
||||
hits, t0 = [], time.perf_counter()
|
||||
for T in range(lo, hi):
|
||||
sl = cdf.iloc[T - WINDOW + 1: T + 1].reset_index(drop=True)
|
||||
z = build_htf_zones(sl, LTF)
|
||||
if z.empty:
|
||||
continue
|
||||
z = z.reset_index(drop=True)
|
||||
sig = find_fast_bsp3(sl, z)
|
||||
if sig.empty:
|
||||
continue
|
||||
last = len(sl) - 1
|
||||
row = sig[sig["entry_idx"].astype(int) == last]
|
||||
if row.empty:
|
||||
continue
|
||||
|
||||
# 只在真的出信号时才算过滤器——信号稀疏，这部分开销可忽略
|
||||
h_end = int(np.searchsorted(htf_ts, ltf_ts[T], side="right"))
|
||||
agree = np.nan
|
||||
if h_end >= HTF_WINDOW:
|
||||
hsl = hdf.iloc[h_end - HTF_WINDOW: h_end].reset_index(drop=True)
|
||||
ch = TF_DF(hsl, 1, HTF)
|
||||
tl_p = htf_fx_timeline(
|
||||
signals_to_frame(extract_fx_signals(ch, ch.dataframe)), ch.dataframe)
|
||||
got = attach_htf_context(row.copy(), sl, tl_p, "h1")
|
||||
agree = float(got["h1_agree"].iloc[0] == 1)
|
||||
lad = attach_zone_ladder(row.copy(), z)
|
||||
hits.append({
|
||||
"sym": sym, "T": int(T), "ts": int(ltf_ts[T]),
|
||||
"direction": int(row["direction"].iloc[0]),
|
||||
"h1_agree": agree,
|
||||
"ladder_ok": bool(lad["ladder_ok"].iloc[0]),
|
||||
})
|
||||
return {"sym": sym, "lo": lo, "hi": hi, "n_bars": hi - lo,
|
||||
"hits": pd.DataFrame(hits), "secs": time.perf_counter() - t0}
|
||||
except Exception as e:
|
||||
return {"sym": sym, "error": repr(e)[:300]}
|
||||
|
||||
|
||||
def main() -> None:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--symbols", default="BTC,ETH,SOL,DOGE,XRP,LINK")
|
||||
ap.add_argument("--bars", type=int, default=30000, help="每币逐根扫描的根数")
|
||||
ap.add_argument("--workers", type=int, default=10)
|
||||
ap.add_argument("--chunk", type=int, default=2500)
|
||||
args = ap.parse_args()
|
||||
|
||||
syms = [s.strip() for s in args.symbols.split(",")]
|
||||
out_dir = HERE / "out"
|
||||
out_dir.mkdir(exist_ok=True)
|
||||
|
||||
# 先拿各币全量信号做基准，同时确定扫描区间
|
||||
print(f"[重画审计] {len(syms)} 币 × 每币 {args.bars} 根逐根重建，"
|
||||
f"窗口 {WINDOW}\n", flush=True)
|
||||
full_map, tasks = {}, []
|
||||
for s in syms:
|
||||
try:
|
||||
chan_l, cdf, hdf, tl = _load(s)
|
||||
full = _full_signals(chan_l, cdf, tl)
|
||||
full_map[s] = full
|
||||
hi = len(cdf) - 1
|
||||
lo = max(WINDOW, hi - args.bars)
|
||||
for a in range(lo, hi, args.chunk):
|
||||
tasks.append((s, a, min(a + args.chunk, hi)))
|
||||
print(f" {s}: 全量 {len(cdf)} 根，全量信号 {len(full)}，"
|
||||
f"扫描 [{lo}, {hi})", flush=True)
|
||||
except Exception as e:
|
||||
print(f" {s}: 载入失败 {e!r}", flush=True)
|
||||
|
||||
est = sum(t[2] - t[1] for t in tasks) * 0.202 / args.workers
|
||||
print(f"\n共 {len(tasks)} 个分块，预计 {est / 60:.0f} 分钟\n", flush=True)
|
||||
|
||||
res, done = [], 0
|
||||
with ProcessPoolExecutor(max_workers=args.workers) as ex:
|
||||
futs = {ex.submit(scan_chunk, t): t for t in tasks}
|
||||
for f in as_completed(futs):
|
||||
r = f.result()
|
||||
done += 1
|
||||
if "error" in r:
|
||||
print(f" [{done}/{len(tasks)}] {r['sym']} 出错 {r['error']}", flush=True)
|
||||
continue
|
||||
res.append(r)
|
||||
print(f" [{done}/{len(tasks)}] {r['sym']} [{r['lo']},{r['hi']}) "
|
||||
f"实时信号 {len(r['hits'])} 个，{r['secs']:.0f}s", flush=True)
|
||||
|
||||
if not res:
|
||||
print("无结果")
|
||||
return
|
||||
|
||||
live = pd.concat([r["hits"] for r in res if len(r["hits"])], ignore_index=True)
|
||||
live.to_feather(out_dir / "step43_live_signals.feather")
|
||||
n_bars = sum(r["n_bars"] for r in res)
|
||||
|
||||
# 对齐：实时信号的时间戳是否出现在全量信号集里
|
||||
rows = []
|
||||
for s, g in live.groupby("sym"):
|
||||
full = full_map.get(s)
|
||||
fts = set(full["ts"].astype(int).tolist()) if full is not None and len(full) else set()
|
||||
g = g.copy()
|
||||
g["survived"] = g["ts"].isin(fts)
|
||||
rows.append(g)
|
||||
live = pd.concat(rows, ignore_index=True)
|
||||
live["dark"] = (live["h1_agree"] == 1.0) & live["ladder_ok"]
|
||||
|
||||
print("\n" + "=" * 100)
|
||||
print(f"########## 1. 总体（扫描 {n_bars} 根）##########")
|
||||
n, sv = len(live), int(live["survived"].sum())
|
||||
print(f" 实时出现过的信号 {n} 个，全量视角仍在 {sv} 个，"
|
||||
f"重画 {n - sv} 个 = {(n - sv) / max(n, 1) * 100:.2f}%")
|
||||
|
||||
print("\n########## 2. 按过滤器分层（只有深色会真下单）##########")
|
||||
rows = []
|
||||
for lab, m in (("深色（双过滤通过）", live["dark"]),
|
||||
("浅色（未通过）", ~live["dark"])):
|
||||
gg = live[m]
|
||||
if not len(gg):
|
||||
continue
|
||||
k = int((~gg["survived"]).sum())
|
||||
# Wilson 95% 上界，样本小的时候点估计没意义
|
||||
from math import sqrt
|
||||
nn, p = len(gg), k / len(gg)
|
||||
z = 1.96
|
||||
hi_b = (p + z * z / (2 * nn) + z * sqrt(p * (1 - p) / nn + z * z / (4 * nn * nn))) / (1 + z * z / nn)
|
||||
rows.append({"分层": lab, "实时信号": nn, "重画": k,
|
||||
"重画率": f"{p * 100:.2f}%", "95%上界": f"{hi_b * 100:.2f}%"})
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
|
||||
print("\n########## 3. 分币种 ##########")
|
||||
rows = []
|
||||
for s, g in live.groupby("sym"):
|
||||
d = g[g["dark"]]
|
||||
rows.append({"币": s, "实时信号": len(g), "其中深色": len(d),
|
||||
"深色重画": int((~d["survived"]).sum()) if len(d) else 0,
|
||||
"全部重画": int((~g["survived"]).sum())})
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
|
||||
print("\n########## 4. 漏看（全量有、实时当根没有）复核 ##########")
|
||||
for s, g in live.groupby("sym"):
|
||||
full = full_map.get(s)
|
||||
if full is None or not len(full):
|
||||
continue
|
||||
lo = min(r["lo"] for r in res if r["sym"] == s)
|
||||
hi = max(r["hi"] for r in res if r["sym"] == s)
|
||||
inrange = full[(full["entry_idx"] >= lo) & (full["entry_idx"] < hi)]
|
||||
seen = set(g["ts"].astype(int).tolist())
|
||||
miss = int((~inrange["ts"].astype(int).isin(seen)).sum())
|
||||
print(f" {s}: 扫描区间内全量信号 {len(inrange)}，实时当根未出现 {miss} 个"
|
||||
f"（{miss / max(len(inrange), 1) * 100:.1f}%）")
|
||||
|
||||
print("\n########## 结论 ##########")
|
||||
d = live[live["dark"]]
|
||||
if len(d):
|
||||
k = int((~d["survived"]).sum())
|
||||
print(f" 深色信号 {len(d)} 个，重画 {k} 个。")
|
||||
print(" 重画的仓位是真实成交的，但出场（止损/止盈/超时）不依赖信号是否还在图上，")
|
||||
print(" 所以不会卡仓；影响仅限于「实盘比回测多开的这部分，质量不在回测统计里」。")
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
@@ -0,0 +1,200 @@
|
||||
"""Step 46：缠论引擎的逐位对拍基线。
|
||||
|
||||
重构引擎前先固化一份指纹，改完再对一次。没有它，任何"精简"都无法证明
|
||||
没有改变行为——而 HANDOFF 里所有回测数字都绑定当前实现，**行为变化是静默的**：
|
||||
不报错、不崩溃，只是信号悄悄变了一批。
|
||||
|
||||
指纹覆盖三条链路各自依赖的东西：
|
||||
|
||||
结构 klu / klc / bi / bi_zs / seg 的数量与关键端点
|
||||
信号 中枢表(zg/zd/available_ts) 与 fast_bsp3 的全部输出列
|
||||
数值 dataframe 上被下游真正消费的列（逐位比较）
|
||||
|
||||
用法：
|
||||
python step46_engine_parity.py --save # 改动前，存基线
|
||||
python step46_engine_parity.py --check # 改动后，对比
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import hashlib
|
||||
import json
|
||||
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))
|
||||
pd.set_option("display.width", 300)
|
||||
|
||||
BASELINE = HERE / "out" / "step46_baseline.json"
|
||||
|
||||
# 覆盖面：多币多级别，1m 用较短窗口以免跑太久
|
||||
CASES = [
|
||||
("BTC/USDT:USDT", "1m", 20_000),
|
||||
("BTC/USDT:USDT", "5m", 20_000),
|
||||
("ETH/USDT:USDT", "5m", 20_000),
|
||||
("SOL/USDT:USDT", "15m", 20_000),
|
||||
("XRP/USDT:USDT", "30m", 20_000),
|
||||
]
|
||||
|
||||
# 下游真正消费的列（见 §5.5 的列使用扫描）。精简若动到这些，必须体现在指纹里。
|
||||
CONSUMED = ["open", "high", "low", "close", "volume", "atr",
|
||||
"macd", "macdsignal", "macdhist",
|
||||
"ema5", "ema13", "ema24", "ema26", "ema52", "ema104", "ema156", "ema208", "ema7",
|
||||
"rsi", "volume_ratio",
|
||||
"bb2633upper", "bb2633lower", "bb2633middle",
|
||||
"bbp30", "bbp120", "bbp365"]
|
||||
|
||||
|
||||
def _h(arr) -> str:
|
||||
a = np.asarray(arr, dtype=np.float64)
|
||||
a = np.nan_to_num(a, nan=-9.87654321e30, posinf=1e300, neginf=-1e300)
|
||||
return hashlib.sha256(a.tobytes()).hexdigest()[:16]
|
||||
|
||||
|
||||
def fingerprint(pair: str, tf: str, rows: int) -> dict:
|
||||
from chanlun import TF_DF
|
||||
from chanlun.analysis.fast_bsp import (
|
||||
add_zone_ladder, build_htf_zones, find_fast_bsp3,
|
||||
)
|
||||
from lib.data import fetch_ohlcv
|
||||
|
||||
df = fetch_ohlcv(pair, tf, rows)
|
||||
chan = TF_DF(df, 1, tf)
|
||||
cdf = chan.dataframe
|
||||
|
||||
fp: dict = {"n_rows": int(len(cdf))}
|
||||
|
||||
# --- 结构 ---
|
||||
fp["n_klu"] = len(getattr(chan, "klu_list", []) or [])
|
||||
fp["n_klc"] = len(getattr(chan, "klc_list", []) or [])
|
||||
fp["n_bi"] = len(getattr(chan, "bi_list", []) or [])
|
||||
fp["n_seg"] = len(getattr(chan, "seg_list", []) or [])
|
||||
fp["n_bi_zs"] = len(getattr(chan, "bi_zs_list", []) or [])
|
||||
fp["n_zs"] = len(getattr(chan, "zs_list", []) or [])
|
||||
fp["n_bsp"] = len(getattr(chan, "bsp_list", []) or [])
|
||||
|
||||
# KLC 端点（包含关系的结果，最容易被指标改动影响）
|
||||
klc = getattr(chan, "klc_list", []) or []
|
||||
fp["klc_high"] = _h([k.high for k in klc])
|
||||
fp["klc_low"] = _h([k.low for k in klc])
|
||||
fp["klc_fx"] = _h([float(getattr(k.fx, "value", 0) or 0) for k in klc])
|
||||
|
||||
# 笔端点
|
||||
bi = getattr(chan, "bi_list", []) or []
|
||||
fp["bi_start"] = _h([float(getattr(b, "start_price", 0) or 0) for b in bi])
|
||||
fp["bi_end"] = _h([float(getattr(b, "end_price", 0) or 0) for b in bi])
|
||||
fp["bi_sure"] = _h([1.0 if getattr(b, "is_sure", False) else 0.0 for b in bi])
|
||||
|
||||
# --- 信号 ---
|
||||
zones = build_htf_zones(cdf, tf, chan=chan)
|
||||
fp["n_zones"] = int(len(zones))
|
||||
if len(zones):
|
||||
zl = add_zone_ladder(zones.reset_index(drop=True))
|
||||
fp["zone_zg"] = _h(zl["zg"])
|
||||
fp["zone_zd"] = _h(zl["zd"])
|
||||
fp["zone_avail"] = _h(zl["available_ts"])
|
||||
fp["zone_ladder"] = _h(zl["z_above"].astype(float) * 2 + zl["z_below"].astype(float))
|
||||
sig = find_fast_bsp3(cdf, zl)
|
||||
fp["n_sig"] = int(len(sig))
|
||||
for c in ("entry_idx", "direction", "bo_idx", "pb_idx", "lag", "depth", "zone_i"):
|
||||
if c in sig.columns:
|
||||
fp[f"sig_{c}"] = _h(sig[c])
|
||||
else:
|
||||
fp["n_sig"] = 0
|
||||
|
||||
# --- 数值列（只对下游消费的列逐位比较）---
|
||||
for c in CONSUMED:
|
||||
fp[f"col_{c}"] = _h(cdf[c]) if c in cdf.columns else "MISSING"
|
||||
fp["_all_columns"] = sorted(map(str, cdf.columns))
|
||||
return fp
|
||||
|
||||
|
||||
def collect() -> dict:
|
||||
out = {}
|
||||
for pair, tf, rows in CASES:
|
||||
key = f"{pair.split('/')[0]}_{tf}"
|
||||
print(f" 计算 {key} ...", flush=True)
|
||||
try:
|
||||
out[key] = fingerprint(pair, tf, rows)
|
||||
except Exception as e:
|
||||
out[key] = {"error": repr(e)[:200]}
|
||||
print(f" 失败: {e!r}", flush=True)
|
||||
return out
|
||||
|
||||
|
||||
def main() -> None:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--save", action="store_true", help="存为基线")
|
||||
ap.add_argument("--check", action="store_true", help="与基线对比")
|
||||
ap.add_argument("--rows", type=int, default=0, help="覆盖各用例根数（验证大样本时用）")
|
||||
ap.add_argument("--out", default="", help="基线文件名，便于大小样本各存一份")
|
||||
args = ap.parse_args()
|
||||
|
||||
global BASELINE, CASES
|
||||
if args.out:
|
||||
BASELINE = HERE / "out" / args.out
|
||||
if args.rows:
|
||||
CASES = [(p, tf, args.rows) for p, tf, _ in CASES]
|
||||
if not (args.save or args.check):
|
||||
ap.error("需要 --save 或 --check")
|
||||
|
||||
BASELINE.parent.mkdir(exist_ok=True)
|
||||
print(f"[引擎对拍] {len(CASES)} 个用例\n")
|
||||
cur = collect()
|
||||
|
||||
if args.save:
|
||||
BASELINE.write_text(json.dumps(cur, ensure_ascii=False, indent=1))
|
||||
print(f"\n基线已存：{BASELINE}")
|
||||
for k, v in cur.items():
|
||||
if "error" in v:
|
||||
continue
|
||||
print(f" {k}: klu {v['n_klu']} klc {v['n_klc']} bi {v['n_bi']} "
|
||||
f"中枢 {v['n_zones']} 信号 {v['n_sig']} 列数 {len(v['_all_columns'])}")
|
||||
return
|
||||
|
||||
if not BASELINE.exists():
|
||||
print(f"基线不存在：{BASELINE}，先跑 --save")
|
||||
return
|
||||
old = json.loads(BASELINE.read_text())
|
||||
|
||||
print("\n" + "=" * 90)
|
||||
bad = 0
|
||||
for key in sorted(set(old) | set(cur)):
|
||||
o, n = old.get(key), cur.get(key)
|
||||
if o is None or n is None:
|
||||
print(f"❌ {key}: 用例缺失")
|
||||
bad += 1
|
||||
continue
|
||||
# 列集合单独看：删列是预期内的，不算行为变化
|
||||
o_cols, n_cols = set(o.get("_all_columns", [])), set(n.get("_all_columns", []))
|
||||
diffs = [k for k in o if k != "_all_columns" and o.get(k) != n.get(k)]
|
||||
dropped, added = sorted(o_cols - n_cols), sorted(n_cols - o_cols)
|
||||
# 被删列在指纹里会变成 MISSING，若该列本就不被消费则无害
|
||||
harmful = [d for d in diffs if not (d.startswith("col_") and n.get(d) == "MISSING"
|
||||
and d[4:] not in CONSUMED)]
|
||||
if not harmful:
|
||||
print(f"✅ {key}: 行为一致"
|
||||
+ (f"（删列 {len(dropped)} 个）" if dropped else ""))
|
||||
else:
|
||||
bad += 1
|
||||
print(f"❌ {key}: {len(harmful)} 项不一致")
|
||||
for d in harmful[:12]:
|
||||
print(f" {d}: {o.get(d)} → {n.get(d)}")
|
||||
if dropped:
|
||||
print(f" 删掉的列: {dropped}")
|
||||
if added:
|
||||
print(f" 新增的列: {added}")
|
||||
|
||||
print("\n" + ("✅ 全部用例行为一致，可以放心继续" if not bad
|
||||
else f"❌ {bad} 个用例有行为变化——**回测数字已失效，不要继续**"))
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
@@ -0,0 +1,195 @@
|
||||
"""Step 47：中枢可用时刻取 bis[-1] 还是 bis[2] —— 按收益判，不按重画率判。
|
||||
|
||||
§5.41 发现 available_ts 取「中枢最后一笔」是右边缘重画的根因，改取「第三笔」
|
||||
（中枢成立即固定）能把重画率从 6.5% 压到 1.2%。但那只测了稳定性。
|
||||
|
||||
小样本预检（60k 根 × 5 个币/周期）显示这不是一次「稳定性修补」：
|
||||
信号数 +17% ~ +44%，而两组的**重合度只有约 30%**。
|
||||
即 bis[2] 丢掉了原信号的多数，又换进来一批新的。
|
||||
换句话说它是另一个策略，不是同一个策略的低延迟版。所以判据必须是扣费后的
|
||||
净 R / PF / 滑点预算，重画率只能作为次要参考。
|
||||
|
||||
口径与 step44 一致（当前 1m 最优）：
|
||||
出场 SL 2.0 / 3 ATR 减半 / runner 目标 8 ATR / runner 止损留原位 / 48 根超时
|
||||
成本 taker 2bp、maker 0.8bp，滑点只加在 taker 腿
|
||||
门控 ATR >= 8bp
|
||||
过滤 深色（同向 ∧ 阶梯）——实盘只做这一档，见 §3.38
|
||||
|
||||
两组共用同一个 TF_DF，只切 available_ts 的取法，确保差异只来自这一处。
|
||||
"""
|
||||
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)
|
||||
|
||||
LTF, HTF = "1m", "5m"
|
||||
SL, SCALE_AT, RUNNER, RSTOP, MAXB = 2.0, 3.0, 8.0, 2.0, 48
|
||||
GATE_BP = 8.0
|
||||
VARIANTS = (("bis[-1] 现行", -1), ("bis[2] 中枢成立", 2))
|
||||
|
||||
|
||||
def collect(sym: str, rows: int) -> pd.DataFrame | None:
|
||||
import warnings as _w
|
||||
_w.filterwarnings("ignore")
|
||||
sys.path.insert(0, str(HERE))
|
||||
sys.path.insert(0, str(HERE.parent))
|
||||
|
||||
from chanlun import TF_DF
|
||||
from chanlun.analysis.fast_bsp import (
|
||||
add_zone_ladder, attach_htf_agree, attach_zone_ladder,
|
||||
build_htf_zones, find_fast_bsp3, htf_fx_timeline,
|
||||
)
|
||||
from lib.data import fetch_ohlcv
|
||||
from lib.exit_model import cfg_name, walk_exits
|
||||
|
||||
try:
|
||||
df = fetch_ohlcv(f"{sym}/USDT:USDT", LTF, rows)
|
||||
if df is None or len(df) < 50_000:
|
||||
return None
|
||||
# lean：只需要笔/中枢/信号，跳过线段与 MACD 状态机（见 §5.6，已验证等价）
|
||||
chan = TF_DF(df, 1, LTF, lean=True)
|
||||
cdf = chan.dataframe
|
||||
|
||||
df_h = fetch_ohlcv(f"{sym}/USDT:USDT", HTF, 10 ** 9)
|
||||
chan_h = TF_DF(df_h, 1, HTF, lean=True)
|
||||
tl = htf_fx_timeline(chan_h, chan_h.dataframe)
|
||||
|
||||
idx_all, parts = None, []
|
||||
for label, avail_bi in VARIANTS:
|
||||
zones = build_htf_zones(cdf, LTF, chan=chan, avail_bi=avail_bi)
|
||||
if zones.empty:
|
||||
continue
|
||||
zl = add_zone_ladder(zones.reset_index(drop=True))
|
||||
sig = find_fast_bsp3(cdf, zl)
|
||||
if sig.empty:
|
||||
continue
|
||||
sig = attach_zone_ladder(attach_htf_agree(sig, cdf, tl), zl)
|
||||
|
||||
res = walk_exits(cdf, sig, [SL], [RUNNER], [MAXB],
|
||||
scale_at=SCALE_AT, runners=(RUNNER,), runner_stops=(RSTOP,))
|
||||
cfg = cfg_name(SL, RUNNER, MAXB, RSTOP)
|
||||
need = [f"{cfg}_g", f"{cfg}_r", f"{cfg}_c", f"{cfg}_b"]
|
||||
if any(c not in res.columns for c in need):
|
||||
continue
|
||||
|
||||
idx = sig["entry_idx"].to_numpy().astype(int)
|
||||
atr = cdf["atr"].to_numpy(float)[idx]
|
||||
close = cdf["close"].to_numpy(float)[idx]
|
||||
out = res[need].copy()
|
||||
out.columns = ["g", "r", "c", "b"]
|
||||
out["sym"] = sym
|
||||
out["variant"] = label
|
||||
out["atr_pct"] = atr / close
|
||||
out["lag"] = sig["lag"].to_numpy()
|
||||
out["entry_idx"] = idx
|
||||
out["htf_agree"] = sig["htf_agree"].to_numpy()
|
||||
out["ladder_ok"] = sig["ladder_ok"].to_numpy()
|
||||
parts.append(out)
|
||||
return pd.concat(parts, ignore_index=True) if parts else None
|
||||
except Exception as e:
|
||||
print(f" {sym} 失败: {e!r}", flush=True)
|
||||
return None
|
||||
|
||||
|
||||
def describe(g: pd.DataFrame, label: str) -> dict:
|
||||
from lib.exit_model import fee_of, taker_notional
|
||||
|
||||
if len(g) < 40:
|
||||
return {"口径": label, "笔数": len(g), "备注": "样本不足"}
|
||||
gross = g["g"].to_numpy()
|
||||
reason, scaled = g["r"].to_numpy(), g["c"].to_numpy()
|
||||
net = gross - fee_of(reason, scaled) # 未扣滑点：剩下的就是滑点余量
|
||||
denom = SL * g["atr_pct"].to_numpy()
|
||||
R, gR = net / denom, gross / denom
|
||||
w, o = net[net > 0], -net[net <= 0].sum()
|
||||
q = np.quantile(net[net > 0], 0.90) if (net > 0).any() else 0.0
|
||||
t10 = net[(net > 0) & (net <= q)].sum()
|
||||
tn = taker_notional(reason, scaled)
|
||||
return {
|
||||
"口径": label, "笔数": len(g),
|
||||
"滞后": round(float(g["lag"].mean()), 2),
|
||||
"胜率": f"{(net > 0).mean() * 100:.1f}%",
|
||||
"毛R": round(gR.mean(), 3),
|
||||
"净均R": round(R.mean(), 3),
|
||||
"R夏普": round(R.mean() / R.std(ddof=1), 3),
|
||||
"PF": round(w.sum() / o, 2) if o > 0 else np.inf,
|
||||
"剔10%PF": round(t10 / o, 2) if o > 0 else np.inf,
|
||||
"滑点余量bp": round(net.mean() / tn.mean() * 1e4, 2),
|
||||
}
|
||||
|
||||
|
||||
def main() -> None:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--symbols", default="BTC,ETH,SOL,XRP,DOGE,LINK,ADA,LTC")
|
||||
ap.add_argument("--rows", type=int, default=300_000)
|
||||
ap.add_argument("--workers", type=int, default=3)
|
||||
args = ap.parse_args()
|
||||
|
||||
syms = [s.strip() for s in args.symbols.split(",")]
|
||||
print(f"[available_ts A/B] {len(syms)} 币 × {args.rows} 根 {LTF}\n"
|
||||
f"出场 SL{SL}/减半{SCALE_AT}/runner{RUNNER}/rstop{RSTOP}/{MAXB}根，"
|
||||
f"ATR 门控 {GATE_BP:g}bp\n", flush=True)
|
||||
|
||||
parts = []
|
||||
with ProcessPoolExecutor(max_workers=args.workers) as ex:
|
||||
futs = {ex.submit(collect, s, args.rows): s for s in syms}
|
||||
for i, f in enumerate(as_completed(futs), 1):
|
||||
r = f.result()
|
||||
if r is None:
|
||||
print(f" [{i}/{len(syms)}] {futs[f]} 跳过", flush=True)
|
||||
continue
|
||||
parts.append(r)
|
||||
n = r.groupby("variant").size().to_dict()
|
||||
print(f" [{i}/{len(syms)}] {futs[f]} {n}", flush=True)
|
||||
if not parts:
|
||||
print("无结果")
|
||||
return
|
||||
|
||||
d = pd.concat(parts, ignore_index=True)
|
||||
d["a_bp"] = d["atr_pct"] * 1e4
|
||||
d.to_feather(HERE / "out" / "step47_avail_bi.feather")
|
||||
|
||||
dark = (d["htf_agree"] == 1.0) & d["ladder_ok"]
|
||||
for lab, dd in (("全部信号", d), ("深色（实盘口径）", d[dark])):
|
||||
for gate_lab, ddd in (("未门控", dd), (f"ATR>={GATE_BP:g}bp", dd[dd.a_bp >= GATE_BP])):
|
||||
print("\n" + "=" * 118)
|
||||
print(f"########## {lab} / {gate_lab} ##########")
|
||||
print(pd.DataFrame([describe(ddd[ddd.variant == v], v)
|
||||
for v, _ in [(a, b) for a, b in VARIANTS]]).to_string(index=False))
|
||||
|
||||
print("\n########## 逐币（深色 + 门控）##########")
|
||||
dd = d[dark & (d.a_bp >= GATE_BP)]
|
||||
rows = []
|
||||
for s, g in dd.groupby("sym"):
|
||||
r = {"币": s}
|
||||
for v, _ in VARIANTS:
|
||||
x = describe(g[g.variant == v], v)
|
||||
tag = "现行" if "-1" in v else "新"
|
||||
r[f"{tag}_笔数"] = x.get("笔数")
|
||||
r[f"{tag}_净均R"] = x.get("净均R")
|
||||
r[f"{tag}_余量bp"] = x.get("滑点余量bp")
|
||||
rows.append(r)
|
||||
print(pd.DataFrame(rows).to_string(index=False))
|
||||
|
||||
print("\n判据：净均R 与滑点余量bp 同时不劣于现行，才值得换。"
|
||||
"\n信号数变多本身不是好处——重合度只有约 30%，换的是另一批交易。")
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
Reference in New Issue
Block a user