![](images/2026-01-27-11-32-39.png)

拟合线不好，需要使用 "凸优化经典算法"。
最终是希望 上沿线或下沿线，包含大部分的 枢轴点。

---

## 已实现：凸优化拟合方法（2026-01-27）

### 新增参数

```python
fitting_method: str = "iterative"  # "iterative" | "lp" | "quantile" | "anchor"
```

### 拟合方法对比

| 方法 | 说明 | 优点 | 缺点 |
|------|------|------|------|
| **iterative** | 迭代离群点移除 + 最小二乘法 | 稳定保守，已有调参经验 | 线"穿过"数据而非"包住" |
| **lp** | 线性规划凸优化 | 数学严谨，保证边界包络 | 对极端值敏感 |
| **quantile** | 分位数回归 (上95%/下5%) | 统计稳健，抗异常值 | 计算稍慢 |
| **anchor** | 绝对极值锚点 + 斜率优化 | 锚点明确，线更贴近主趋势 | 对枢轴点数量较敏感 |

### LP 方法数学原理

**上沿问题 (找"天花板"，最紧的包络)**:
```
minimize    Σ(a*x_i + b - y_i)    线与点的总距离
subject to  y_i ≤ a * x_i + b     所有点在线下方
            -0.5 ≤ a ≤ 0.5        斜率限制
```

**下沿问题 (找"地板"，最紧的包络)**:
```
minimize    Σ(y_i - a*x_i - b)    线与点的总距离
subject to  y_i ≥ a * x_i + b     所有点在线上方
            -0.5 ≤ a ≤ 0.5        斜率限制
```

这确保拟合线严格"包住"所有枢轴点，且尽量贴近数据，符合技术分析中"压力线/支撑线"的语义。

### Anchor 方法思路

**核心目标**：固定锚点，优化斜率，使大部分枢轴点在边界线正确一侧。

- 锚点：检测窗口内的绝对最高/最低点（排除最后1天用于突破判断）
- 上沿：找最“平缓”的下倾线，使 >=95% 枢轴高点在上沿线下方
- 下沿：找最“平缓”的上倾线，使 >=95% 枢轴低点在下沿线上方
- 实现：对斜率做二分搜索，满足覆盖率约束后取最贴近的一条线

### 测试验证

```
上沿 LP: slope=-0.006667, intercept=10.5333
  验证(线-点): [0.033, 0.000, 0.067, 0.033, 0.000]  (全>=0，线在点上方)
下沿 LP: slope=0.005000, intercept=8.0000
  验证(点-线): [0.00, 0.05, 0.00, 0.05, 0.00]  (全>=0，线在点下方)
```

### 使用方法

```python
from src.converging_triangle import ConvergingTriangleParams, detect_converging_triangle

# 使用凸优化/统计方法
params = ConvergingTriangleParams(
    fitting_method="lp",  # 或 "quantile" / "anchor"
    # ... 其他参数
)

result = detect_converging_triangle(high, low, close, volume, params)
```

### 实现位置

- 参数类: `ConvergingTriangleParams.fitting_method`
- LP拟合: `fit_boundary_lp()`
- 分位数回归: `fit_boundary_quantile()`
- 锚点拟合: `fit_boundary_anchor()`
- 分发函数: `fit_pivot_line_dispatch()`