221 lines
6.6 KiB
Markdown
221 lines
6.6 KiB
Markdown
# 分型强度检测功能文档
|
|
|
|
## 概述
|
|
|
|
本功能为缠论中的顶底分型添加了强度检测机制，通过多维度分析来量化分型的可靠性和重要性。强度分数范围为0-100分，数值越高表示分型越强、越可靠。
|
|
|
|
## 功能特性
|
|
|
|
### 1. 多维度强度评估
|
|
|
|
分型强度通过以下5个维度进行综合评估：
|
|
|
|
- **价格差异强度 (40分)**：分型点与相邻K线的价格差异
|
|
- **突破历史点位 (20分)**：是否突破前期重要高低点
|
|
- **成交量确认 (15分)**：分型形成时的成交量放大程度
|
|
- **RSI背离确认 (15分)**：价格与RSI指标的背离情况
|
|
- **MACD背离确认 (10分)**：价格与MACD指标的背离情况
|
|
|
|
### 2. 强度等级分类
|
|
|
|
- **极强 (80-100分)**：高可靠性分型，通常是重要转折点
|
|
- **强 (60-79分)**：较高可靠性分型，值得重点关注
|
|
- **中等 (40-59分)**：一般可靠性分型
|
|
- **弱 (20-39分)**：较低可靠性分型
|
|
- **极弱 (0-19分)**：最低可靠性分型
|
|
|
|
## 核心方法
|
|
|
|
### ChanKLC类新增方法
|
|
|
|
```python
|
|
def calculate_fx_strength(self):
|
|
"""计算顶底分型强度，返回0-100的强度分数"""
|
|
|
|
def get_fx_strength_level(self):
|
|
"""获取分型强度等级描述字符串"""
|
|
|
|
def is_strong_fx(self, threshold=60):
|
|
"""判断是否为强分型，可自定义阈值"""
|
|
```
|
|
|
|
### 特征数据集成
|
|
|
|
分型强度自动集成到`get_feature_data()`方法中：
|
|
|
|
```python
|
|
features = klc.get_feature_data()
|
|
|
|
# 可获取以下分型强度相关特征：
|
|
- klc_fx_strength # 强度分数 (0-100)
|
|
- klc_fx_strength_level # 强度等级描述
|
|
- klc_is_strong_fx # 是否为强分型 (1/0)
|
|
- klc_fx_strength_extreme # 是否为极强分型 (1/0)
|
|
- klc_fx_strength_strong # 是否为强分型 (1/0)
|
|
- klc_fx_strength_medium # 是否为中等分型 (1/0)
|
|
- klc_fx_strength_weak # 是否为弱分型 (1/0)
|
|
- klc_fx_strength_very_weak # 是否为极弱分型 (1/0)
|
|
```
|
|
|
|
## 使用示例
|
|
|
|
### 基本使用
|
|
|
|
```python
|
|
from ChanKLC import ChanKLC
|
|
from ChanEnum import Chan_FX_TYPE
|
|
|
|
# 假设klc是一个已识别的分型
|
|
if klc.fx != Chan_FX_TYPE.UNKNOWN:
|
|
strength = klc.calculate_fx_strength()
|
|
level = klc.get_fx_strength_level()
|
|
is_strong = klc.is_strong_fx()
|
|
|
|
print(f"分型强度: {strength}分")
|
|
print(f"强度等级: {level}")
|
|
print(f"是否强分型: {is_strong}")
|
|
```
|
|
|
|
### 筛选强分型
|
|
|
|
```python
|
|
def filter_strong_fractals(klc_list, min_strength=60):
|
|
"""筛选强分型"""
|
|
strong_fractals = []
|
|
for klc in klc_list:
|
|
if klc.fx != Chan_FX_TYPE.UNKNOWN and klc.is_strong_fx(min_strength):
|
|
strong_fractals.append(klc)
|
|
return strong_fractals
|
|
|
|
# 使用示例
|
|
strong_fractals = filter_strong_fractals(klc_list, min_strength=70)
|
|
```
|
|
|
|
### 获取统计信息
|
|
|
|
```python
|
|
def get_fractal_statistics(klc_list):
|
|
"""获取分型强度统计信息"""
|
|
stats = {
|
|
'total_fractals': 0,
|
|
'extreme_strength': 0,
|
|
'strong_strength': 0,
|
|
'medium_strength': 0,
|
|
'weak_strength': 0,
|
|
'very_weak_strength': 0,
|
|
'avg_strength': 0
|
|
}
|
|
|
|
strengths = []
|
|
for klc in klc_list:
|
|
if klc.fx != Chan_FX_TYPE.UNKNOWN:
|
|
stats['total_fractals'] += 1
|
|
strength = klc.calculate_fx_strength()
|
|
strengths.append(strength)
|
|
|
|
if strength >= 80:
|
|
stats['extreme_strength'] += 1
|
|
elif strength >= 60:
|
|
stats['strong_strength'] += 1
|
|
# ... 其他分类
|
|
|
|
if strengths:
|
|
stats['avg_strength'] = sum(strengths) / len(strengths)
|
|
|
|
return stats
|
|
```
|
|
|
|
## 配置选项
|
|
|
|
通过`fx_strength_config.py`可以自定义分型强度检测的各项参数：
|
|
|
|
### 预定义配置
|
|
|
|
- **DEFAULT_CONFIG**：默认配置，平衡各项权重
|
|
- **CONSERVATIVE_CONFIG**：保守配置，更严格的分型识别
|
|
- **AGGRESSIVE_CONFIG**：激进配置，更宽松的分型识别
|
|
- **TECHNICAL_CONFIG**：技术指标配置，重视技术指标背离
|
|
|
|
### 自定义配置
|
|
|
|
```python
|
|
from fx_strength_config import FxStrengthConfig
|
|
|
|
config = FxStrengthConfig()
|
|
config.price_difference_weight = 50 # 调整价格差异权重
|
|
config.strong_threshold = 70 # 调整强分型阈值
|
|
config.volume_lookback = 10 # 调整成交量回看期数
|
|
```
|
|
|
|
## 强度计算详情
|
|
|
|
### 1. 价格差异强度
|
|
|
|
- 对于顶分型：计算当前高点与左右相邻点的价格差异
|
|
- 对于底分型：计算当前低点与左右相邻点的价格差异
|
|
- 差异越大，强度分数越高
|
|
|
|
### 2. 突破历史点位强度
|
|
|
|
- 检查是否突破前N根K线的最高/最低价
|
|
- 突破幅度越大，强度分数越高
|
|
|
|
### 3. 成交量确认强度
|
|
|
|
- 比较当前K线成交量与前N根K线平均成交量
|
|
- 成交量放大越多，强度分数越高
|
|
|
|
### 4. RSI背离确认强度
|
|
|
|
- 检查价格新高/新低时RSI是否出现相反走势
|
|
- 背离程度越大，强度分数越高
|
|
|
|
### 5. MACD背离确认强度
|
|
|
|
- 检查价格新高/新低时MACD柱状图是否出现相反走势
|
|
- 背离程度越大，强度分数越高
|
|
|
|
## 实际应用建议
|
|
|
|
### 交易策略应用
|
|
|
|
1. **入场信号**：只关注强度>=60的分型作为入场信号
|
|
2. **重要转折**：极强分型(>=80分)通常预示重要转折点
|
|
3. **止损设置**：根据分型强度调整止损距离
|
|
4. **仓位管理**：强分型可以加大仓位，弱分型减小仓位
|
|
|
|
### 风险控制
|
|
|
|
1. **避免弱分型**：强度<40的分型建议谨慎对待
|
|
2. **确认机制**：结合其他技术指标确认分型有效性
|
|
3. **时间过滤**：高时间周期的强分型更可靠
|
|
4. **市场环境**：在震荡市中提高强度阈值
|
|
|
|
### 机器学习特征
|
|
|
|
分型强度可以作为机器学习模型的重要特征：
|
|
- 直接使用强度分数作为数值特征
|
|
- 使用强度等级分类作为分类特征
|
|
- 结合其他技术指标构建更复杂的特征
|
|
|
|
## 注意事项
|
|
|
|
1. **数据完整性**：确保KLC对象包含完整的价格和技术指标数据
|
|
2. **时间序列**：确保KLC之间的pre/next关系正确建立
|
|
3. **参数调优**：根据不同市场和时间周期调整配置参数
|
|
4. **回测验证**：在实际使用前进行充分的历史数据回测
|
|
5. **实时更新**：分型强度会随着后续K线的变化而更新
|
|
|
|
## 文件说明
|
|
|
|
- `ChanKLC.py`：主要实现文件，包含分型强度计算逻辑
|
|
- `fx_strength_example.py`：使用示例和功能演示
|
|
- `fx_strength_config.py`：配置文件，支持自定义参数
|
|
- `README_FX_STRENGTH.md`：本文档，详细说明功能特性
|
|
|
|
## 版本更新
|
|
|
|
- **v1.0**：基础分型强度检测功能
|
|
- 支持多维度强度评估
|
|
- 集成到特征数据系统
|
|
- 提供配置化参数调整 |