jackyu66gitandCursor
30592889aa
用户提出把 B4 的研究思路搬到第一/第二类买卖点，并指定 5m/15m 测。 滞后先于收益测，结论是用户判断正确：B1/B2/B3 滞后中位都是 8~9 根， 三类共用 find_all_bsp 的「中枢 is_sure + 笔 is_sure + sure_time」， 滞后不是区分它们的变量。 收益全负，一类最差：5m 上 B1 PF 0.24 / 胜率 18.6% / t −17.3， S1 PF 0.20 / 胜率 14.8% / t −22.3，15m 同量级。B3 跑出 0.64/0.76、 HANDOFF §4 记的是 0.66，口径校验通过，所以 B1/B2 的数可信。 一类烂得彻底是几何决定的：等 8 根后价格已朝上跑 1.68 ATR，新入场价往下 2 ATR 的止损落在比原始低点还低 0.3 ATR 处，几乎贴着极值。同样的滞后在 顺势突破上只是追高，在逆势反转上是加倍惩罚。 探针里修掉两个会静默出错的地方：cdf.date 是 datetime64[ms] 而 Timestamp.value 是纳秒，手工转 int64 比较会让 searchsorted 全部落到末尾 且不报错（这是之前跑出 0 条的原因）；速率对照未按币归一，拿 5 币的数去 比 10 币的 B4 基线等于凭空打对折。 Co-authored-by: Cursor <cursoragent@cursor.com>
309 lines
14 KiB
Python
309 lines
14 KiB
Python
"""Step 55：一/二类买卖点的可行性探针——先量滞后，不急着跑收益。
|
||
|
||
用户提出把 B4 那套研究思路搬到一二类上。搬之前必须先过一道闸，理由写在
|
||
`Chan_BSP_TYPE` 的枚举注释里：**B4 存在的全部意义就是"几何位置同 B3/S3，
|
||
但不等笔确认"**。也就是说这个项目早就付过"等笔确认"的学费。
|
||
|
||
而一类买卖点是最滞后的一种构造：它要中枢 `is_sure`、要离开笔 `is_sure`、
|
||
还要背驰判定（`check_bi_div` 读 `macd_hist`）。二类更靠后，要在一类之后再走
|
||
两笔。所以真正的问题不是"一二类赚不赚钱"，而是：
|
||
|
||
你能在什么时候知道它，那时候价格还在不在。
|
||
|
||
`ChanBSP` 给了两个时刻，差值就是答案：
|
||
klc.end_time = leave_bi.end_klc 的收盘时刻，**极值所在**，理想入场点
|
||
sure_time = 笔被确认的时刻，**你最早能动手的时刻**
|
||
|
||
本步只回答三件事，跑得快、结论硬：
|
||
1. 一二类各有多少笔（对比 B4 的 5.3 笔/天 / 10 币）
|
||
2. 滞后多少根
|
||
3. 这段等待里价格跑掉多少个 ATR —— 这是"入场价漂移"，直接从余量里扣
|
||
|
||
⚠️ 不在本步做收益回测。滞后若不可接受，收益怎么算都是假的：`walk_exits`
|
||
用的是信号根的次根开盘价，而那个价在一二类上根本拿不到。
|
||
"""
|
||
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)
|
||
|
||
OUT = HERE / "out" / "step55_bsp12.feather"
|
||
# B4 的对照基线，来自 §3.31 / step48：10 币 1m 实盘口径
|
||
B4_PER_DAY_10SYM = 5.3
|
||
# 出场结构与实盘完全一致，见 live/exit_params.py
|
||
SL, SCALE_AT, RUNNER, RSTOP, MAXB = 2.0, 3.0, 8.0, 2.0, 48
|
||
|
||
|
||
def collect(sym: str, rows: int, tf: str = "1m") -> 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.core.ChanEnum import Chan_BSP_TYPE
|
||
from lib.data import fetch_ohlcv
|
||
from lib.exit_model import cfg_name, walk_exits
|
||
|
||
try:
|
||
df = fetch_ohlcv(f"{sym}/USDT:USDT", tf, rows)
|
||
if df is None or len(df) < 5_000:
|
||
return None
|
||
# 必须走 full：check_bi_div 读 macd_hist，那只在 full 下算。
|
||
# 而 TF_DF 自己**不填** bsp_list——web 的 analyze.py 是显式调
|
||
# find_all_bsp 的，这里照抄那条链，口径才对得上
|
||
chan = TF_DF(df, 1, tf, lean=False)
|
||
cdf = chan.dataframe
|
||
bi_zs = chan.cal_bi_zs_list_pure(chan.bi_list)
|
||
if not bi_zs:
|
||
return None
|
||
bsp = chan.find_all_bsp(chan.bi_list, bi_zs)
|
||
if not bsp:
|
||
return None
|
||
|
||
# 索引映射有两个坑，都会静默给出错的下标：
|
||
# ① cdf.date 带时区（Asia/Shanghai），而 KLC 上的时间是**字符串**且
|
||
# 不带时区。它们本就是同一个时钟的墙上时间，所以去 tz 而不是硬贴。
|
||
# ② cdf.date 的单位是 datetime64[ms]，`astype("int64")` 给的是毫秒，
|
||
# 而 `Timestamp.value` 是纳秒，差 1e6 倍——手工转整数会让
|
||
# searchsorted 全部落到末尾，且不报错。交给 DatetimeIndex 自己比。
|
||
dser = pd.to_datetime(cdf["date"])
|
||
if dser.dt.tz is not None:
|
||
dser = dser.dt.tz_localize(None)
|
||
didx = pd.DatetimeIndex(dser)
|
||
|
||
def to_i(ts) -> int:
|
||
t = pd.Timestamp(ts)
|
||
if t.tz is not None:
|
||
t = t.tz_localize(None)
|
||
return int(didx.searchsorted(t))
|
||
|
||
op = cdf["open"].to_numpy(float)
|
||
cl = cdf["close"].to_numpy(float)
|
||
atr = cdf["atr"].to_numpy(float)
|
||
n = len(cdf)
|
||
|
||
want = {Chan_BSP_TYPE.B1: ("B1", 1), Chan_BSP_TYPE.S1: ("S1", -1),
|
||
Chan_BSP_TYPE.B2: ("B2", 1), Chan_BSP_TYPE.S2: ("S2", -1),
|
||
Chan_BSP_TYPE.B3: ("B3", 1), Chan_BSP_TYPE.S3: ("S3", -1)}
|
||
rec = []
|
||
for b in bsp:
|
||
tag = want.get(b.type)
|
||
if tag is None or b.sure_time is None:
|
||
continue
|
||
name, d = tag
|
||
# 极值根：笔末 KLC 的收盘时刻。KLC 是合并后的，取它覆盖的最后一根
|
||
i_ext, i_sure = to_i(b.klc.end_time), to_i(b.sure_time)
|
||
if not (0 <= i_ext < n and 0 <= i_sure < n):
|
||
continue
|
||
a = atr[i_ext]
|
||
if not np.isfinite(a) or a <= 0:
|
||
continue
|
||
# 理想价：极值根收盘。可执行价：确认根的**次根开盘**——与
|
||
# walk_exits / 实盘的口径一致（信号根收盘后才下单）
|
||
px_ideal = cl[i_ext]
|
||
j = min(i_sure + 1, n - 1)
|
||
px_real = op[j]
|
||
rec.append({
|
||
"sym": sym, "tf": tf, "type": name, "dir": d,
|
||
"date_ext": dser.iloc[i_ext], "date_sure": dser.iloc[i_sure],
|
||
"i_ext": i_ext, "i_sure": i_sure,
|
||
"lag_bars": i_sure - i_ext,
|
||
"atr_bp": a / px_ideal * 1e4,
|
||
# 等待期间价格顺着信号方向跑掉了多少（正 = 你追高/追空，吃亏）
|
||
"drift_atr": (px_real - px_ideal) * d / a,
|
||
"drift_bp": (px_real - px_ideal) * d / px_ideal * 1e4,
|
||
})
|
||
if not rec:
|
||
return None
|
||
r = pd.DataFrame(rec)
|
||
# 入场口径与实盘一致：确认根收盘后下单，walk_exits 用 entry_idx+1 的
|
||
# 开盘价，ATR 取 entry_idx 那根。所以 entry_idx = i_sure，**不是**
|
||
# i_ext——用极值根等于假设你能买在笔的低点，那是未来函数
|
||
r = r[(r.i_sure < len(cdf) - 2) & np.isfinite(atr[r.i_sure.values])
|
||
& (atr[r.i_sure.values] > 0)].reset_index(drop=True)
|
||
if r.empty:
|
||
return None
|
||
sig = pd.DataFrame({"entry_idx": r.i_sure.values,
|
||
"direction": r.dir.values})
|
||
res = walk_exits(cdf, sig, [SL], [RUNNER], [MAXB], scale_at=SCALE_AT,
|
||
runners=(RUNNER,), runner_stops=(RSTOP,))
|
||
cfg = cfg_name(SL, RUNNER, MAXB, RSTOP)
|
||
if len(res) != len(r):
|
||
print(f" {sym} {tf} 长度不齐 {len(res)} vs {len(r)}，跳过",
|
||
flush=True)
|
||
return None
|
||
for k in ("g", "r", "c", "b"):
|
||
r[k] = res[f"{cfg}_{k}"].to_numpy()
|
||
r["atr_pct"] = atr[r.i_sure.values] / cl[r.i_sure.values]
|
||
return r
|
||
except Exception as e:
|
||
print(f" {sym} 失败: {e!r}", flush=True)
|
||
return None
|
||
|
||
|
||
def report(d: pd.DataFrame, span_days: float, n_sym: int) -> None:
|
||
print("\n" + "=" * 100)
|
||
print(f"########## 一、笔数：够不够做 ##########")
|
||
t = d.groupby("type").agg(笔数=("lag_bars", "size"))
|
||
t[f"{n_sym}币每天"] = (t["笔数"] / span_days).round(2)
|
||
# 必须按币归一再比。B4 那个 5.3 是 10 币的合计，直接拿 5 币的数去除
|
||
# 等于凭空把速率打对折
|
||
t["每币每天"] = (t["笔数"] / span_days / n_sym).round(3)
|
||
t["对B4倍数"] = (t["笔数"] / span_days / n_sym /
|
||
(B4_PER_DAY_10SYM / 10)).round(2)
|
||
print(t.to_string())
|
||
print(f"\n对照基线：B4 在 1m 上 10 币 {B4_PER_DAY_10SYM} 笔/天 = "
|
||
f"**{B4_PER_DAY_10SYM/10:.3f} 笔/币/天**。"
|
||
f"本表 {n_sym} 币 / 跨 {span_days:.0f} 天。")
|
||
|
||
print("\n" + "=" * 100)
|
||
print("########## 二、滞后：从极值到可动手，差多少根 ##########")
|
||
rows = []
|
||
for name, g in d.groupby("type"):
|
||
q = g.lag_bars.quantile([0.25, 0.5, 0.75, 0.9]).round(1)
|
||
rows.append({"类型": name, "笔数": len(g),
|
||
"滞后中位": q[0.5], "P25": q[0.25], "P75": q[0.75],
|
||
"P90": q[0.9], "均值": round(g.lag_bars.mean(), 1),
|
||
"最大": int(g.lag_bars.max())})
|
||
print(pd.DataFrame(rows).to_string(index=False))
|
||
print("\n1m 上 1 根 = 1 分钟。B4 的滞后是 0 根——它在信号根收盘即可下单。")
|
||
|
||
print("\n" + "=" * 100)
|
||
print("########## 三、等待的代价：价格跑掉了多少 ##########")
|
||
print("drift 为正 = 等待期间价格顺着信号方向走了，你只能追；这一段直接从"
|
||
"余量里扣")
|
||
print("⚠️ 「追不上占比」必然是 100%，那是定义决定的不是实测发现：笔之所以"
|
||
"在那里结束，\n 正是因为价格从那个极值反向走了——`bi.end_klc` 是极值"
|
||
"点，之后必然朝信号方向偏离。\n **有信息量的是幅度，不是符号。**")
|
||
rows = []
|
||
for name, g in d.groupby("type"):
|
||
q = g.drift_atr.quantile([0.25, 0.5, 0.75]).round(2)
|
||
rows.append({
|
||
"类型": name, "笔数": len(g),
|
||
"漂移中位(ATR)": q[0.5], "P25": q[0.25], "P75": q[0.75],
|
||
"漂移均值(ATR)": round(g.drift_atr.mean(), 2),
|
||
"漂移均值(bp)": round(g.drift_bp.mean(), 1),
|
||
"中位ATR(bp)": round(g.atr_bp.median(), 1),
|
||
"追不上占比": f"{(g.drift_atr > 0).mean()*100:.0f}%"})
|
||
print(pd.DataFrame(rows).to_string(index=False))
|
||
|
||
print("\n" + "=" * 100)
|
||
print("########## 四、和止损宽度比：漂移吃掉多少风险预算 ##########")
|
||
print("实盘止损是 2 ATR。若漂移中位已经是 1 ATR，等于你的止损只剩一半，"
|
||
"而目标位还在原处——盈亏比被腰斩。")
|
||
rows = []
|
||
for name, g in d.groupby("type"):
|
||
rows.append({
|
||
"类型": name,
|
||
"漂移/止损(2ATR)": f"{g.drift_atr.median()/2*100:.0f}%",
|
||
"漂移超过 1ATR 占比": f"{(g.drift_atr > 1).mean()*100:.0f}%",
|
||
"漂移超过 2ATR（已穿止损）": f"{(g.drift_atr > 2).mean()*100:.0f}%"})
|
||
print(pd.DataFrame(rows).to_string(index=False))
|
||
|
||
|
||
def profit(d: pd.DataFrame) -> None:
|
||
"""各类买卖点按实盘出场结构的实际表现。
|
||
|
||
B3 是校验锚：HANDOFF §4 已记引擎 `find_all_bsp` 的 B3/S3 是系统性亏损
|
||
（PF 0.66、胜率 27.4%、t −18.76）。若这里 B3 跑出个漂亮数字，说明口径接错了，
|
||
先别信 B1/B2 的结果。
|
||
"""
|
||
from lib.exit_model import fee_of, taker_notional
|
||
|
||
if "g" not in d.columns:
|
||
print("\n（本次数据无回测列，跳过收益段；删掉 out/step55_bsp12.feather "
|
||
"重跑可得）")
|
||
return
|
||
x = d.dropna(subset=["g"]).copy()
|
||
x["net"] = x.g.values - fee_of(x.r.values, x.c.values)
|
||
x["gR"] = x.g.values / (SL * x.atr_pct.values)
|
||
x["R"] = x.net.values / (SL * x.atr_pct.values)
|
||
x["tn"] = taker_notional(x.r.values, x.c.values)
|
||
|
||
print("\n" + "=" * 100)
|
||
print("########## 五、按实盘出场结构（2/3/8/2/48）的实际表现 ##########")
|
||
rows = []
|
||
for name, g in x.groupby("type"):
|
||
if len(g) < 40:
|
||
continue
|
||
w, o = g.net[g.net > 0].sum(), -g.net[g.net <= 0].sum()
|
||
rows.append({
|
||
"类型": name, "笔数": len(g),
|
||
"胜率": f"{(g.net > 0).mean()*100:.1f}%",
|
||
"毛R": round(g.gR.mean(), 3), "净均R": round(g.R.mean(), 3),
|
||
"PF": round(w / o, 2) if o > 0 else np.inf,
|
||
"R夏普": round(g.R.mean() / g.R.std(ddof=1), 3),
|
||
"余量bp": round(g.net.mean() / g.tn.mean() * 1e4, 2),
|
||
"中位持仓": int(g.b.median()),
|
||
"t值": round(g.gR.mean() / (g.gR.std(ddof=1) / np.sqrt(len(g))), 2),
|
||
})
|
||
print(pd.DataFrame(rows).to_string(index=False))
|
||
print("\n⚠️ B3 是口径校验锚：HANDOFF §4 记的是 PF 0.66 / 胜率 27.4%。"
|
||
"这里若明显更好，先怀疑接错了再信 B1/B2。")
|
||
|
||
|
||
def main() -> None:
|
||
ap = argparse.ArgumentParser()
|
||
ap.add_argument("--symbols", default="BTC,ETH,SOL,LINK,DOGE")
|
||
ap.add_argument("--tfs", default="5m,15m",
|
||
help="要测的周期。1m 上滞后的绝对根数与长周期相同，"
|
||
"但每根值的钱不同，所以周期是关键变量")
|
||
ap.add_argument("--rows", type=int, default=200_000)
|
||
ap.add_argument("--workers", type=int, default=3)
|
||
ap.add_argument("--reuse", action="store_true")
|
||
args = ap.parse_args()
|
||
|
||
if args.reuse and OUT.exists():
|
||
d = pd.read_feather(OUT)
|
||
else:
|
||
syms = [s.strip() for s in args.symbols.split(",")]
|
||
tfs = [t.strip() for t in args.tfs.split(",")]
|
||
print(f"[一二类可行性探针] {len(syms)} 币 × {tfs} × {args.rows} 根"
|
||
f"（full 模式，find_all_bsp 要 macd_hist）\n", flush=True)
|
||
parts = []
|
||
with ProcessPoolExecutor(max_workers=args.workers) as ex:
|
||
fut = {ex.submit(collect, s, args.rows, t): (s, t)
|
||
for s in syms for t in tfs}
|
||
for i, f in enumerate(as_completed(fut), 1):
|
||
r = f.result()
|
||
s, t = fut[f]
|
||
print(f" [{i}/{len(fut)}] {s} {t} "
|
||
f"{0 if r is None else len(r)}", flush=True)
|
||
if r is not None:
|
||
parts.append(r)
|
||
if not parts:
|
||
print("无结果")
|
||
return
|
||
d = pd.concat(parts, ignore_index=True)
|
||
d.to_feather(OUT)
|
||
|
||
d["date_ext"] = pd.to_datetime(d["date_ext"])
|
||
for tf, x in d.groupby("tf"):
|
||
span = (x.date_ext.max() - x.date_ext.min()).total_seconds() / 86400
|
||
print("\n" + "#" * 100)
|
||
print(f"########## {tf} —— {len(x)} 个买卖点 · "
|
||
f"{x.sym.nunique()} 币 · 跨 {span:.0f} 天 ##########")
|
||
report(x, span, x.sym.nunique())
|
||
profit(x)
|
||
|
||
|
||
if __name__ == "__main__":
|
||
main()
|