technical-patterns-lab/scripts/archive/demo_segmentation.py

"""
演示分段选择枢轴点的逻辑

展示如何将枢轴点按时间分为3段，并在每段中选择最具代表性的点
"""

import numpy as np
import sys
import os

sys.path.append(os.path.join(os.path.dirname(__file__), "..", "src"))

def demo_segmentation(pivot_indices, pivot_values, mode="upper"):
    """
    演示分段选择逻辑
    
    Args:
        pivot_indices: 枢轴点的时间索引 (X坐标)
        pivot_values: 枢轴点的价格值 (Y坐标)
        mode: "upper" 或 "lower"
    """
    print("\n" + "="*70)
    print(f"分段选择演示 - {mode.upper()} 模式")
    print("="*70)
    
    # 按时间排序
    sort_idx = np.argsort(pivot_indices)
    x_sorted = pivot_indices[sort_idx]
    y_sorted = pivot_values[sort_idx]
    n = len(x_sorted)
    
    print(f"\n[步骤1] 按时间排序所有枢轴点")
    print(f"  枢轴点总数: {n}")
    print(f"  时间索引 (X): {x_sorted}")
    print(f"  价格值 (Y):   {y_sorted}")
    
    # 判断是否需要分段
    if n <= 4:
        print(f"\n[步骤2] 点数 <= 4，直接使用所有点（不分段）")
        selected_mask = np.ones(n, dtype=bool)
        selected_x = x_sorted
        selected_y = y_sorted
        print(f"  选中索引: {list(range(n))}")
        print(f"  选中点数: {n}")
        return selected_x, selected_y
    
    # 分段逻辑
    print(f"\n[步骤2] 点数 > 4，进行分段选择")
    segment_size = n // 3
    print(f"  每段大小: {n} // 3 = {segment_size}")
    
    segments = [
        range(0, min(segment_size, n)),
        range(segment_size, min(2 * segment_size, n)),
        range(2 * segment_size, n),
    ]
    
    print(f"\n[步骤3] 分3段，并在每段中选择代表性点")
    print(f"  选择规则: {mode.upper()} 模式 -> 每段选{'最高点' if mode == 'upper' else '最低点'}")
    
    selected_mask = np.zeros(n, dtype=bool)
    selected_details = []
    
    for seg_num, seg in enumerate(segments, 1):
        if len(seg) == 0:
            continue
        
        seg_list = list(seg)
        seg_x = x_sorted[seg_list]
        seg_y = y_sorted[seg_list]
        
        print(f"\n  第{seg_num}段:")
        print(f"    索引范围: [{seg.start}, {seg.stop})")
        print(f"    包含点数: {len(seg_list)}")
        print(f"    时间索引: {seg_x}")
        print(f"    价格值:   {seg_y}")
        
        if mode == "upper":
            best_idx_in_seg = np.argmax(seg_y)
            print(f"    最高价格: {seg_y[best_idx_in_seg]:.2f}")
        else:
            best_idx_in_seg = np.argmin(seg_y)
            print(f"    最低价格: {seg_y[best_idx_in_seg]:.2f}")
        
        selected_global_idx = seg_list[best_idx_in_seg]
        selected_mask[selected_global_idx] = True
        
        print(f"    → 选中: 索引{selected_global_idx} (时间={x_sorted[selected_global_idx]}, 价格={y_sorted[selected_global_idx]:.2f})")
        selected_details.append({
            'seg': seg_num,
            'idx': selected_global_idx,
            'x': x_sorted[selected_global_idx],
            'y': y_sorted[selected_global_idx]
        })
    
    selected_x = x_sorted[selected_mask]
    selected_y = y_sorted[selected_mask]
    
    print(f"\n[步骤4] 选中的枢轴点总结")
    print(f"  选中点数: {len(selected_x)}/{n}")
    print(f"  选中时间: {selected_x}")
    print(f"  选中价格: {selected_y}")
    
    print(f"\n[步骤5] 线性回归拟合")
    if len(selected_x) >= 2:
        a, b = np.polyfit(selected_x, selected_y, deg=1)
        print(f"  拟合直线: y = {a:.6f} * x + {b:.2f}")
        print(f"  斜率: {a:.6f} ({'下降' if a < 0 else '上升' if a > 0 else '水平'})")
    else:
        print(f"  点数不足，无法拟合")
    
    return selected_x, selected_y


def main():
    print("\n" + "="*70)
    print("分段选择枢轴点 - 原理演示")
    print("="*70)
    
    # 示例1: 6个高点枢轴点 (模拟SZ002343的情况)
    print("\n" + "█"*70)
    print("示例1: 6个高点枢轴点 - 上沿拟合")
    print("█"*70)
    
    # 假设的6个高点枢轴点 (时间索引, 价格)
    ph_indices = np.array([40, 80, 120, 160, 200, 230])
    ph_values = np.array([9.8, 9.5, 10.0, 9.7, 9.2, 8.9])
    
    demo_segmentation(ph_indices, ph_values, mode="upper")
    
    # 示例2: 4个低点枢轴点
    print("\n\n" + "█"*70)
    print("示例2: 4个低点枢轴点 - 下沿拟合")
    print("█"*70)
    
    pl_indices = np.array([60, 140, 200, 235])
    pl_values = np.array([5.2, 6.5, 7.4, 6.8])
    
    demo_segmentation(pl_indices, pl_values, mode="lower")
    
    # 示例3: 8个高点枢轴点（更多点的情况）
    print("\n\n" + "█"*70)
    print("示例3: 8个高点枢轴点 - 上沿拟合")
    print("█"*70)
    
    ph_indices_large = np.array([20, 50, 80, 110, 140, 170, 200, 230])
    ph_values_large = np.array([42.5, 41.8, 42.0, 41.2, 40.5, 40.0, 39.5, 39.0])
    
    demo_segmentation(ph_indices_large, ph_values_large, mode="upper")
    
    print("\n" + "="*70)
    print("总结")
    print("="*70)
    print("""
分段选择的核心思想：
1. 将时间轴均匀分为3段 (前1/3、中1/3、后1/3)
2. 在每段中选择最具代表性的点：
   - 上沿：选该段的最高点（形成下边界）
   - 下沿：选该段的最低点（形成上边界）
3. 用选中的3个点进行线性回归，拟合趋势线

优点：
✓ 时间均衡：确保前、中、后都有点参与拟合
✓ 代表性强：每段选最极值点，确保线是真正的边界
✓ 稳定性好：多点回归比两点连线更稳健
✓ 覆盖性好：确保趋势线能包络所有枢轴点
    """)


if __name__ == "__main__":
    main()