technical-patterns-lab/docs/突破强度计算方法.md

突破强度计算方法

最后更新：2026-01-27
版本：v3.0（四维度加权求和 + tanh 非线性归一化）

概述

突破强度是一个 0~1 的连续分数，用于衡量收敛三角形突破的有效性。
分数越高，表示突破越强势、越可信。

---

设计演进

v1.0 乘法组合（已弃用）

# 旧公式
strength = price_score × 5 × (1 + convergence_bonus × 0.5) × (1 + vol_bonus × 0.5)

问题：乘法组合 + 高乘数（×5）导致 73-76% 的突破都是满分 1.0，无法有效区分突破质量。

v2.0 加权求和 + tanh 归一化（已升级）

# v2.0 公式（三维度）
strength = 0.60 × tanh(突破幅度% × 15) +  # 价格分 (60%)
           0.25 × (1 - width_ratio) +        # 收敛分 (25%)
           0.15 × vol_bonus                   # 成交量分 (15%)

改进效果：

指标	v1.0	v2.0
满分比例(>0.9)	73-76%	0.9-6.0%
平均强度	~0.12	~0.59
最大强度	1.0000	0.9928
区分度	差（大量满分）	好（均匀分布）

v3.0 四维度评分（当前版本）

# v3.0 公式（四维度）
strength = 0.50 × tanh(突破幅度% × 15) +  # 价格分 (50%)
           0.20 × (1 - width_ratio) +        # 收敛分 (20%)
           0.15 × vol_bonus +                 # 成交量分 (15%)
           0.15 × fitting_adherence          # 拟合贴合度 (15%)

新增维度：拟合贴合度，衡量枢轴点到拟合线的距离，反映形态纯度和标准程度。

---

当前计算公式（v3.0）

公式结构

def calc_breakout_strength(close, upper_line, lower_line, volume_ratio, width_ratio, fitting_adherence):
    import math
    
    # 权重配置
    W_PRICE = 0.50       # 突破幅度权重
    W_CONVERGENCE = 0.20 # 收敛度权重
    W_VOLUME = 0.15      # 成交量权重
    W_FITTING = 0.15     # 拟合贴合度权重
    TANH_SCALE = 15.0    # tanh 缩放因子
    
    # 1. 价格突破分数（tanh 非线性归一化）
    pct_up = max(0, (close - upper_line) / upper_line)
    price_score_up = math.tanh(pct_up * TANH_SCALE)
    
    # 2. 收敛分数
    convergence_score = max(0, min(1, 1 - width_ratio))
    
    # 3. 成交量分数
    vol_score = min(1, max(0, volume_ratio - 1))
    
    # 4. 拟合贴合度分数
    fitting_score = max(0, min(1, fitting_adherence))
    
    # 5. 加权求和
    strength_up = (W_PRICE * price_score_up + 
                   W_CONVERGENCE * convergence_score + 
                   W_VOLUME * vol_score + 
                   W_FITTING * fitting_score)
    
    return min(1.0, strength_up)

---

四个分量详解

1. 价格突破分数（权重 50%）

使用 tanh 函数 进行非线性归一化，避免大幅突破导致的满分堆积。

price_score = tanh(突破幅度% × 15)

突破幅度映射表：

突破幅度	price_score	贡献分数 (×0.5)
0.5%	0.07	0.04
1%	0.15	0.08
2%	0.29	0.15
3%	0.42	0.21
5%	0.64	0.32
8%	0.83	0.42
10%	0.91	0.46
15%	0.97	0.49

设计考量：

• A股涨跌停限制 10%，常见突破在 1-5% 范围
• tanh 函数使小幅突破有区分，大幅突破趋于收敛
• 系数 15 使得 3% 突破 ≈ 0.42 分，5% 突破 ≈ 0.64 分

---

2. 收敛分数（权重 20%）

三角形收敛程度越高，突破越有效。

convergence_score = max(0, 1 - width_ratio)

width_ratio	收敛程度	convergence_score	贡献分数 (×0.20)
0.8	较弱	0.20	0.04
0.6	中等	0.40	0.08
0.4	较强	0.60	0.12
0.2	很强	0.80	0.16
0.1	极强	0.90	0.18
0.05	极度收敛	0.95	0.19

width_ratio = 三角形末端宽度 / 起始宽度

---

3. 成交量分数（权重 15%）

放量突破更可信。

vol_score = min(1, max(0, volume_ratio - 1))

volume_ratio	成交量状态	vol_score	贡献分数 (×0.15)
0.8	缩量	0	0
1.0	平量	0	0
1.5	放量 50%	0.5	0.075
2.0	放量 100%	1.0	0.15
3.0	放量 200%	1.0	0.15 (上限)

volume_ratio = 当日成交量 / 近 N 日均量

---

4. 拟合贴合度（权重 15%）

枢轴点到拟合线的贴合程度越高，说明形态越标准、越纯净。

# 计算单条线的贴合度
def calc_fitting_adherence(pivot_indices, pivot_values, slope, intercept):
    fitted_values = slope * pivot_indices + intercept
    rel_errors = abs(pivot_values - fitted_values) / abs(fitted_values)
    mean_rel_error = mean(rel_errors)
    adherence_score = exp(-mean_rel_error * 20)
    return adherence_score

# 综合上下沿贴合度
fitting_adherence = (adherence_upper + adherence_lower) / 2

贴合度映射表（scale_factor = 20）：

平均相对误差	adherence_score	贡献分数 (×0.15)	形态评价
0%	1.00	0.15	完美拟合
2%	0.67	0.10	良好拟合
3%	0.55	0.08	较好拟合
5%	0.37	0.06	一般拟合
8%	0.20	0.03	较差拟合
10%	0.14	0.02	差拟合

设计考量：

• 使用指数衰减函数 exp(-error * 20) 进行归一化
• 上下沿贴合度分别计算后取平均，综合评估形态质量
• 贴合度高表示枢轴点整齐排列在拟合线上，形态"纯净"
• 贴合度低表示枢轴点散乱分布，可能存在噪音或形态不标准

拟合贴合度 = (上沿贴合度 + 下沿贴合度) / 2

---

计算示例

示例 1：强势突破（领湃科技 2026-01-20）

输入:
  突破幅度 ≈ 8%     (close 大幅高于 upper_line)
  width_ratio = 0.0465  (极度收敛)
  volume_ratio > 1.5    (放量确认)
  fitting_adherence ≈ 0.85  (假设形态标准)

计算:
  price_score = tanh(0.08 × 15) = tanh(1.2) ≈ 0.83
  convergence_score = 1 - 0.0465 = 0.9535
  vol_score = min(1, 1.5 - 1) = 0.5
  fitting_score = 0.85

  strength = 0.50 × 0.83 + 0.20 × 0.9535 + 0.15 × 0.5 + 0.15 × 0.85
           = 0.415 + 0.191 + 0.075 + 0.128
           = 0.809

实际结果: 约 0.80-0.95 (取决于实际拟合贴合度)

示例 2：中等突破（五芳斋 2026-01-20）

输入:
  突破幅度 ≈ 3%
  width_ratio = 0.2090
  volume_ratio ≈ 1.0  (未放量)
  fitting_adherence ≈ 0.60  (假设形态一般)

计算:
  price_score = tanh(0.03 × 15) = tanh(0.45) ≈ 0.42
  convergence_score = 1 - 0.2090 = 0.791
  vol_score = 0
  fitting_score = 0.60

  strength = 0.50 × 0.42 + 0.20 × 0.791 + 0.15 × 0 + 0.15 × 0.60
           = 0.210 + 0.158 + 0 + 0.090
           = 0.458

实际结果: 约 0.45-0.55 (取决于实际拟合贴合度)

示例 3：弱势突破（康华生物 2026-01-20）

输入:
  突破幅度 ≈ 2%
  width_ratio = 0.1338
  volume_ratio ≈ 1.0  (未放量)
  fitting_adherence ≈ 0.70  (假设形态较好)

计算:
  price_score = tanh(0.02 × 15) = tanh(0.30) ≈ 0.29
  convergence_score = 1 - 0.1338 = 0.866
  vol_score = 0
  fitting_score = 0.70

  strength = 0.50 × 0.29 + 0.20 × 0.866 + 0.15 × 0 + 0.15 × 0.70
           = 0.145 + 0.173 + 0 + 0.105
           = 0.423

实际结果: 约 0.40-0.50 (取决于实际拟合贴合度)

---

强度等级参考

强度范围	等级	含义	占比参考
0 ~ 0.3	微弱	假突破风险高，需谨慎	~8%
0.3 ~ 0.5	轻度	有突破迹象，建议观察	~27%
0.5 ~ 0.7	中度	有效突破，可作为参考	~28%
0.7 ~ 0.9	强势	高置信度突破，值得关注	~31%
0.9 ~ 1.0	极强	顶级突破信号	~6%

---

权重选择理由

分量	权重	理由
价格突破	50%	突破幅度是最直接的信号，决定性因素
收敛程度	20%	收敛越强，蓄势越充分，突破有效性越高
成交量	15%	放量是确认信号，但非必要条件（有些有效突破不放量）
拟合贴合度	15%	形态纯度指标，贴合度高说明形态标准、噪音少

总和 = 100%，确保最终分数在合理范围内。

---

代码位置

src/converging_triangle.py
├── calc_fitting_adherence()     # 拟合贴合度计算函数 (第 375-428 行)
├── calc_breakout_strength()      # 突破强度计算函数 (第 430-518 行)
└── detect_converging_triangle()  # 调用位置 (第 700-727 行)

scripts/triangle_config.py        # 参数配置（严格模式/默认模式/宽松模式）

---

相关参数配置

参数	严格模式	默认模式	说明
window	120	120	检测窗口大小（交易日）
shrink_ratio	0.6	0.8	收敛比例阈值（越小越严格）
break_tol	0.005	0.001	突破判定容差（0.5% vs 0.1%）
vol_window	20	20	计算成交量均值的窗口
vol_k	1.5	1.3	成交量确认阈值

当前使用 严格模式，详见 scripts/triangle_config.py。

---

附录：归一化函数特性

tanh 函数（用于价格突破分数）

tanh(x) = (e^x - e^-x) / (e^x + e^-x)

• 输出范围：(-1, 1)
• 当 x=0 时，tanh(0) = 0
• 当 x→∞ 时，tanh(x) → 1
• 单调递增，处处可导
• 在 x=0 附近近似线性，大值时趋于饱和

选择 tanh 的原因：

1. 自然归一化到 (0, 1)
2. 小幅突破有区分度
3. 大幅突破不会无限增长
4. 平滑过渡，无跳变

指数衰减函数（用于拟合贴合度）

adherence(error) = exp(-error × scale_factor)

• 输出范围：(0, 1]
• 当 error=0 时，adherence=1（完美拟合）
• 当 error→∞ 时，adherence→0（完全不贴合）
• 单调递减，处处可导
• scale_factor 控制衰减速度

选择指数衰减的原因（scale_factor = 20）：

1. 自然归一化到 (0, 1)
2. 误差为 0 时得满分，符合直觉
3. 误差越大惩罚越重（指数级）
4. 2% 误差给 0.67 分，5% 误差给 0.37 分，梯度合理