# 方案4：混合策略（推荐的实时方案）

## 核心思想

将枢轴点分为两类，兼顾**质量**和**实时性**：

1. **确认枢轴点（Confirmed Pivots）**：有完整左右k天数据，高置信度
2. **候选枢轴点（Candidate Pivots）**：右边数据不完整，低置信度（待确认）

---

## 算法设计

### 1. 检测逻辑

```python
def pivots_fractal_hybrid(
    high: np.ndarray, 
    low: np.ndarray, 
    k: int = 15,           # 标准窗口大小
    flexible_zone: int = 5  # 灵活区域（最近几天使用降低标准）
) -> Tuple[np.ndarray, np.ndarray, np.ndarray, np.ndarray]:
    """
    混合枢轴点检测：区分确认点和候选点
    
    Returns:
        (confirmed_ph, confirmed_pl, candidate_ph, candidate_pl)
        - confirmed: 完整窗口确认的高质量枢轴点
        - candidate: 右边窗口不完整的待确认枢轴点
    """
    n = len(high)
    
    # ========================================
    # 第1步：确认枢轴点（完整窗口，高质量）
    # ========================================
    confirmed_ph = []
    confirmed_pl = []
    
    # 中间部分：严格要求左右各k天
    for i in range(k, n - k):
        # 高点枢轴：左右各k天的最高点
        if high[i] == np.max(high[i - k : i + k + 1]):
            confirmed_ph.append(i)
        
        # 低点枢轴：左右各k天的最低点
        if low[i] == np.min(low[i - k : i + k + 1]):
            confirmed_pl.append(i)
    
    # ========================================
    # 第2步：候选枢轴点（灵活窗口，低置信度）
    # ========================================
    candidate_ph = []
    candidate_pl = []
    
    # 最近 flexible_zone 天：降低右边窗口要求
    for i in range(n - flexible_zone, n):
        # 右边可用天数（可能不足k天）
        right_avail = n - 1 - i
        
        # 高点候选：左k天 + 右边所有可用天数
        if high[i] == np.max(high[i - k : i + right_avail + 1]):
            candidate_ph.append(i)
        
        # 低点候选：左k天 + 右边所有可用天数
        if low[i] == np.min(low[i - k : i + right_avail + 1]):
            candidate_pl.append(i)
    
    return (
        np.array(confirmed_ph, dtype=int),
        np.array(confirmed_pl, dtype=int),
        np.array(candidate_ph, dtype=int),
        np.array(candidate_pl, dtype=int)
    )
```

---

## 工作原理图解

### 检测窗口划分（window=120, k=15, flexible_zone=5）

```
索引:  0   ...  14  15  ...  104 105 ...  114 115 ...  119
       ↓        ↓   ↓        ↓   ↓        ↓   ↓        ↓
       |--------|---|---------|---|--------|---|--------|
       无法检测  确认枢轴点     候选枢轴点   (当前点)
       (前15天) (90天)        (灵活区5天)
       
确认枢轴点: [15, 104]  ← 完整窗口，高质量
候选枢轴点: [115, 119] ← 右边窗口不完整，待确认
灵活区外:   [105, 114] ← 既不是确认，也不是候选（过渡区）
```

### 检测标准对比

#### 确认枢轴点（索引 i ∈ [15, 104]）

```
检查窗口: [i-15, i+15]  ← 完整的31天窗口

示例（i=50）:
  窗口范围: [35, 65]
  判断条件: high[50] == max(high[35:66])
  置信度:   高 ★★★★★
```

#### 候选枢轴点（索引 i ∈ [115, 119]）

```
检查窗口: [i-15, i+实际可用]  ← 右边窗口缩短

示例（i=118）:
  左边窗口: [103, 118]  ← 完整的15天
  右边窗口: [118, 119]  ← 只有1天！
  判断条件: high[118] == max(high[103:120])
  置信度:   低 ★★☆☆☆ (待确认)
```

---

## 置信度管理

### 增加置信度字段

修改返回结果，为每个枢轴点添加置信度标记：

```python
@dataclass
class PivotPoint:
    """枢轴点数据结构"""
    index: int           # 索引位置
    value: float         # 价格值
    confidence: str      # 置信度："confirmed" 或 "candidate"
    right_window: int    # 右边实际窗口大小（用于评估质量）


def pivots_fractal_hybrid_v2(
    high: np.ndarray, 
    low: np.ndarray, 
    k: int = 15,
    flexible_zone: int = 5
) -> Tuple[List[PivotPoint], List[PivotPoint]]:
    """
    返回带置信度的枢轴点列表
    
    Returns:
        (pivot_highs, pivot_lows)
        每个点包含：索引、价格、置信度、右窗口大小
    """
    n = len(high)
    pivot_highs = []
    pivot_lows = []
    
    # 确认枢轴点（完整窗口）
    for i in range(k, n - k):
        if high[i] == np.max(high[i - k : i + k + 1]):
            pivot_highs.append(PivotPoint(
                index=i,
                value=high[i],
                confidence="confirmed",
                right_window=k  # 完整的右窗口
            ))
        
        if low[i] == np.min(low[i - k : i + k + 1]):
            pivot_lows.append(PivotPoint(
                index=i,
                value=low[i],
                confidence="confirmed",
                right_window=k
            ))
    
    # 候选枢轴点（灵活窗口）
    for i in range(n - flexible_zone, n):
        right_avail = n - 1 - i
        
        if high[i] == np.max(high[i - k : i + right_avail + 1]):
            pivot_highs.append(PivotPoint(
                index=i,
                value=high[i],
                confidence="candidate",
                right_window=right_avail  # 不完整的右窗口
            ))
        
        if low[i] == np.min(low[i - k : i + right_avail + 1]):
            pivot_lows.append(PivotPoint(
                index=i,
                value=low[i],
                confidence="candidate",
                right_window=right_avail
            ))
    
    return pivot_highs, pivot_lows
```

---

## 在三角形检测中的应用

### 1. 修改检测函数

```python
def detect_converging_triangle_realtime(
    high: np.ndarray,
    low: np.ndarray,
    close: np.ndarray,
    volume: Optional[np.ndarray],
    params: ConvergingTriangleParams,
    real_time_mode: bool = False,  # 新增：实时模式开关
    flexible_zone: int = 5,        # 新增：灵活区域大小
) -> ConvergingTriangleResult:
    """
    支持实时模式的三角形检测
    
    Args:
        real_time_mode: 是否启用实时模式
            - False: 使用原始方法（仅确认枢轴点）
            - True: 使用混合策略（确认+候选枢轴点）
    """
    
    if real_time_mode:
        # 使用混合策略检测枢轴点
        ph_confirmed, pl_confirmed, ph_candidate, pl_candidate = \
            pivots_fractal_hybrid(high, low, k=params.pivot_k, 
                                 flexible_zone=flexible_zone)
        
        # 合并确认和候选枢轴点
        ph_idx = np.concatenate([ph_confirmed, ph_candidate])
        pl_idx = np.concatenate([pl_confirmed, pl_candidate])
        
    else:
        # 原始方法：仅使用确认枢轴点
        ph_idx, pl_idx = pivots_fractal(high, low, k=params.pivot_k)
    
    # 后续检测逻辑保持不变...
    # （筛选窗口内枢轴点、拟合边界线等）
```

### 2. 结果标注

在检测结果中添加置信度信息：

```python
@dataclass
class ConvergingTriangleResult:
    """收敛三角形检测结果"""
    
    # ... 原有字段 ...
    
    # 新增字段
    detection_mode: str = "standard"     # "standard" 或 "realtime"
    pivot_confidence: str = "high"       # 枢轴点置信度
    has_candidate_pivots: bool = False   # 是否包含候选枢轴点
    candidate_count: int = 0             # 候选枢轴点数量
```

---

## 参数配置建议

### flexible_zone 的选择

```python
# 保守配置（推荐）
flexible_zone = 5  # 最近5天使用灵活标准
# - 捕获最近的突破点
# - 置信度相对较高（右边至少有0-4天数据）

# 平衡配置
flexible_zone = 10  # 最近10天
# - 更早发现形态
# - 置信度中等

# 激进配置（不推荐）
flexible_zone = 15  # 完全覆盖盲区
# - 最大实时性
# - 置信度低，噪音多
```

### 配置示例

```python
# 在 triangle_config.py 中添加

# 实时模式参数
REALTIME_PARAMS = ConvergingTriangleParams(
    window=120,
    pivot_k=15,
    # ... 其他参数与严格模式相同 ...
)

FLEXIBLE_ZONE = 5  # 灵活区域大小
REALTIME_MODE = False  # 默认关闭实时模式
```

---

## 使用场景对比

### 场景1：历史回测（使用标准模式）

```python
result = detect_converging_triangle(
    high=high_win,
    low=low_win,
    close=close_win,
    volume=volume_win,
    params=params,
    real_time_mode=False  # 标准模式
)

# 优点：高质量，无误报
# 缺点：有15天滞后
```

### 场景2：实时选股（使用实时模式）

```python
result = detect_converging_triangle_realtime(
    high=high_win,
    low=low_win,
    close=close_win,
    volume=volume_win,
    params=params,
    real_time_mode=True,  # 实时模式
    flexible_zone=5
)

# 优点：无滞后，捕获当前突破
# 缺点：可能有误报，需要后续确认
```

---

## 优势与限制

### 优势

1. **兼顾质量和实时性**
   - 确认枢轴点保证准确性
   - 候选枢轴点提供实时信号

2. **可控的风险**
   - 通过 `flexible_zone` 调整激进程度
   - 通过置信度字段区分信号强度

3. **向后兼容**
   - 标准模式保持原有逻辑
   - 实时模式作为可选增强

4. **灵活应用**
   - 回测：使用标准模式
   - 实盘：使用实时模式 + 人工确认

### 限制

1. **候选枢轴点不稳定**
   - 右边数据不完整，可能随后续数据变化
   - 需要后续确认机制

2. **逻辑复杂度增加**
   - 需要管理两类枢轴点
   - 需要处理置信度逻辑

3. **参数敏感**
   - `flexible_zone` 需要根据市场调优
   - 不同股票可能需要不同配置

---

## 实施步骤

### 第1步：实现混合检测函数

在 `src/converging_triangle.py` 中添加 `pivots_fractal_hybrid()`

### 第2步：修改检测函数

在 `detect_converging_triangle()` 中添加 `real_time_mode` 参数

### 第3步：更新配置文件

在 `triangle_config.py` 中添加实时模式配置

### 第4步：修改调用脚本

在 `run_converging_triangle.py` 中支持实时模式参数

### 第5步：测试验证

创建测试用例，对比标准模式和实时模式的结果

---

## 测试示例

```python
def test_realtime_vs_standard():
    """对比实时模式和标准模式"""
    
    # 模拟一个当前正在突破的场景
    high = create_triangle_with_breakout()
    low = create_triangle_with_breakout()
    
    # 标准模式
    result_std = detect_converging_triangle(
        high, low, close, volume, params,
        real_time_mode=False
    )
    
    # 实时模式
    result_rt = detect_converging_triangle(
        high, low, close, volume, params,
        real_time_mode=True,
        flexible_zone=5
    )
    
    print("标准模式:")
    print(f"  检测到三角形: {result_std.is_valid}")
    print(f"  突破强度: {result_std.breakout_strength_up:.3f}")
    
    print("实时模式:")
    print(f"  检测到三角形: {result_rt.is_valid}")
    print(f"  突破强度: {result_rt.breakout_strength_up:.3f}")
    print(f"  候选枢轴点数: {result_rt.candidate_count}")
```

---

## 总结

方案4（混合策略）是**最佳平衡方案**，适合需要实时性的场景：

| 特性 | 标准模式 | 混合策略（方案4） |
|------|---------|-----------------|
| 枢轴点质量 | 高 ★★★★★ | 高（确认）+ 中（候选） ★★★★☆ |
| 实时性 | 低（15天滞后） | 高（无滞后） ★★★★★ |
| 适用场景 | 历史回测 | 实时选股 |
| 误报风险 | 低 | 中（候选点需确认） |
| 实施复杂度 | 简单 | 中等 |

**推荐应用**：
- 当前项目（回测）：保持标准模式
- 未来扩展（实盘）：实施方案4

**关键参数**：
- `k=15`：标准窗口大小
- `flexible_zone=5`：灵活区域（建议3-7天）
- `real_time_mode=True/False`：模式开关