# 枢轴点边界问题分析

## 问题描述

当前算法存在**边界盲区**问题：

### 枢轴点检测的范围限制

```python
for i in range(k, n - k):  # k=15时，从索引15到n-16
    if high[i] == np.max(high[i - k : i + k + 1]):
        ph.append(i)
```

**问题**：最近 `k` 天（k=15，即最近15天）的数据**无法被识别为枢轴点**！

---

## 图解说明

### 检测窗口（假设window=120, k=15）

```
索引:  0   ...  14  15  ...  104 105 ...  119 (窗口末端=当前点)
       ↓        ↓   ↓        ↓   ↓        ↓
       |--------|---|---------|---|--------|
       无法检测  可以检测枢轴点    无法检测
       (前15天) (中间90天)         (后15天)
       
枢轴点检测范围: [15, 104]  ← 只有这90天可以被识别
边界盲区: [0, 14] 和 [105, 119]  ← 这30天无法识别！
```

### 实际影响

#### 场景1：当前点就是最高点（突破中）

```
价格
 │              ○ (枢轴高点)
50│           /   \
 │         /       \
45│       /           \
 │     /               \            ★ (当前点=最高点)
40│   /                   \      /
 │  ○                       \  /   ← 无法识别为枢轴！
35│                           ○
 │                            ← 这是枢轴低点
 └──────────────────────────────────→ 时间
    ←─── 120天窗口 ───→   ↑
                         当前点
                         (索引119)
                         
枢轴点检测:
- ○ 可识别: 索引 < 105 的点
- ★ 不可识别: 索引 > 104 的点（最近15天）

问题: 当前上升突破的最高点无法被确认为枢轴点！
```

#### 场景2：三角形顶点在最近15天

```
价格
 │    ○ (枢轴高点1)
45│   /  \                    ★ (近期高点，但无法识别)
 │  /    \              /\  /
40│ /      \          /    ★
 │/        \      /
35│          \  /           ○ (枢轴低点)
 │           ○           /
30│                    /
 └────────────────────────────→ 时间
     ←── 120天 ───→  ↑
                   当前点
                   
问题: 三角形的后半部分高点/低点可能被忽略！
```

---

## 数值示例（k=15）

### 假设检测窗口

- 窗口大小: 120天
- 索引范围: [0, 119]
- 当前点: 索引119

### 枢轴点可检测范围

```python
for i in range(15, 120 - 15):  # range(15, 105)
    # 可检测范围: 索引 15~104
    # 共90个位置
```

### 边界盲区

- **前15天**: 索引 0~14（需要左边的15天数据，不存在）
- **后15天**: 索引 105~119（需要右边的15天数据，不存在）
- **盲区大小**: 30天（占窗口的25%！）

---

## 实际案例分析

### 您的问题场景

```
当前是 2026-01-20
检测窗口: 2025-08-21 ~ 2026-01-20 (120天)

假设股票走势:
- 2025-12-20 (索引90): 高点 50元  ✓ 可识别为枢轴
- 2026-01-05 (索引105): 高点 48元  ✗ 无法识别！
- 2026-01-20 (索引119): 当前 52元  ✗ 无法识别！

结果: 算法可能遗漏最近的重要转折点
```

---

## 潜在影响

### 1. 遗漏近期突破点

如果当前点附近（最近15天内）有重要的高点/低点，无法被识别为枢轴点，
导致三角形边界线拟合不准确。

### 2. 检测滞后

三角形形态可能已经完整形成并突破，但因为最近的关键点无法确认，
检测结果会滞后15天左右。

### 3. 突破判断不准

当前点的突破判断依赖三角形边界线，如果边界线因遗漏近期枢轴点
而不准确，突破强度计算会有偏差。

---

## 解决方案选项

### 方案1：右边界放宽（推荐）

修改枢轴点检测，允许使用"不完整右窗口"：

```python
def pivots_fractal_flexible(
    high: np.ndarray, low: np.ndarray, k: int = 3
) -> Tuple[np.ndarray, np.ndarray]:
    """
    灵活枢轴点检测：
    - 中间部分：严格左右各k天
    - 右边界：放宽要求，只需要"已有的"右边数据
    """
    n = len(high)
    ph: List[int] = []
    pl: List[int] = []
    
    # 标准检测：中间部分（左右各k天）
    for i in range(k, n - k):
        if high[i] == np.max(high[i - k : i + k + 1]):
            ph.append(i)
        if low[i] == np.min(low[i - k : i + k + 1]):
            pl.append(i)
    
    # 右边界扩展：最后k天，使用"已有的"右边数据
    for i in range(n - k, n):
        # 右边窗口缩短到可用范围
        right_window = min(k, n - 1 - i)
        if high[i] == np.max(high[i - k : i + right_window + 1]):
            ph.append(i)
        if low[i] == np.min(low[i - k : i + right_window + 1]):
            pl.append(i)
    
    return np.array(ph, dtype=int), np.array(pl, dtype=int)
```

**优点**: 
- 可以捕获最近的高低点
- 适合实时检测场景

**缺点**: 
- 最近的枢轴点"确认度"较低（右边数据不完整）
- 可能引入噪音

---

### 方案2：减小k值

将 `pivot_k` 从15减小到5-8：

```python
DETECTION_PARAMS = ConvergingTriangleParams(
    pivot_k=8,  # 从15降到8，减少盲区
    ...
)
```

**优点**: 
- 盲区从30天减少到16天
- 更灵敏，适合短期形态

**缺点**: 
- 可能捕获更多噪音
- 三角形质量下降

---

### 方案3：使用"确认滞后"模式（当前方案）

保持现状，但明确告知用户：
- 检测结果有15天的"确认滞后"
- 适合历史复盘，不适合实时交易

**优点**: 
- 枢轴点质量高（充分确认）
- 结果稳定可靠

**缺点**: 
- 有滞后性
- 错过实时突破

---

### 方案4：混合策略（最佳）

分两类枢轴点：

```python
def pivots_fractal_hybrid(high, low, k=15, flexible_zone=5):
    """
    混合枢轴点检测：
    - 确认枢轴点：有完整左右k天数据（高质量）
    - 候选枢轴点：右边数据不完整（低置信度）
    """
    n = len(high)
    
    # 确认枢轴点（完整窗口）
    confirmed_ph = []
    confirmed_pl = []
    for i in range(k, n - k):
        if high[i] == np.max(high[i - k : i + k + 1]):
            confirmed_ph.append(i)
        if low[i] == np.min(low[i - k : i + k + 1]):
            confirmed_pl.append(i)
    
    # 候选枢轴点（最近flexible_zone天，降低要求）
    candidate_ph = []
    candidate_pl = []
    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]):
            candidate_ph.append(i)
        if low[i] == np.min(low[i - k : i + right_avail + 1]):
            candidate_pl.append(i)
    
    return (
        np.array(confirmed_ph + candidate_ph),
        np.array(confirmed_pl + candidate_pl)
    )
```

**优点**: 
- 兼顾质量和实时性
- 可以标记"待确认"的点

**缺点**: 
- 逻辑较复杂
- 需要额外的置信度管理

---

## 建议

### 对于当前项目

**场景**: "当前点往过去看"，用于历史回测和复盘

**推荐**: **保持方案3（当前模式）+ 文档说明**

理由：
1. 历史回测不需要实时性
2. 高质量枢轴点保证检测准确性
3. 滞后15天对回测影响不大

**改进措施**:
- 在文档中明确说明15天的"确认窗口"
- 建议用户查看 "T-15天" 的检测结果，作为当前参考

---

### 对于未来扩展

如果要支持**实时交易**场景，建议：
1. 实现方案4（混合策略）
2. 添加"置信度"字段区分确认枢轴和候选枢轴
3. 提供 `real_time_mode=True` 参数选项

---

## 验证脚本

创建测试用例，验证边界问题：

```python
def test_boundary_pivots():
    # 模拟一个在窗口末端有高点的情况
    high = np.zeros(120)
    high[50] = 45  # 中间高点（可识别）
    high[110] = 50  # 末端高点（k=15时无法识别）
    
    low = np.ones(120) * 30
    
    ph_idx, pl_idx = pivots_fractal(high, low, k=15)
    
    print(f"检测到的高点枢轴: {ph_idx}")
    print(f"是否检测到索引110的高点: {110 in ph_idx}")  # False!
```

---

## 总结

您的观察**完全正确**：

1. ✅ **问题确实存在**: 最近k天（k=15）的数据无法被识别为枢轴点
2. ✅ **影响场景**: 当前点附近的重要转折点可能被遗漏
3. ✅ **盲区大小**: 30天（前15+后15），占窗口的25%
4. ⚠️ **当前项目**: 保持现状可接受（历史回测场景）
5. 🔧 **未来改进**: 实时交易场景需要方案4（混合策略）

**建议**：
- 短期：在文档中说明这个限制
- 长期：如果要做实时选股，需要实现灵活枢轴点检测