褚宏光
bf6baa5483
- Add scripts/scoring/ module with normalizer, sensitivity analysis, and config - Enhance stock_viewer.html with standardized scoring display - Add integration tests and normalization verification scripts - Add documentation for standardization implementation and usage guides - Add data distribution analysis reports for strength scoring dimensions - Update discussion documents with algorithm optimization plans
861 lines
24 KiB
Markdown
861 lines
24 KiB
Markdown
# 强度分系统优化方案 - 深度分析
|
||
|
||
**分析日期**: 2026-01-29
|
||
**基于**: 18,004个收敛三角形样本的分布分析结果
|
||
**视角**: 量化研究 + 基金经理实战
|
||
|
||
---
|
||
|
||
## 一、当前系统问题诊断
|
||
|
||
### 1.1 分布分析揭示的核心问题
|
||
|
||
基于18,004个样本的统计分析，发现以下关键问题：
|
||
|
||
| 维度 | 均值 | 中位数 | 超额峰度 | 核心问题 |
|
||
|-----|------|--------|---------|---------|
|
||
| 突破幅度分(up) | 0.056 | **0.000** | 13.38 | ❌ 中位数=0，50%数据无信息量 |
|
||
| 突破幅度分(down) | 0.019 | **0.000** | 45.72 | ❌ 更极端的零膨胀 |
|
||
| 成交量分 | 0.151 | **0.000** | 2.77 | ❌ 中位数=0，区分度极低 |
|
||
| 形态规则度 | 0.052 | 0.005 | 4.56 | ⚠️ 普遍极低，区分度差 |
|
||
| 倾斜度分 | 0.497 | **0.500** | 46.33 | ⚠️ 75%数据=0.5，无区分度 |
|
||
| 收敛度分 | 0.798 | 0.803 | -1.05 | ✅ 相对稳定 |
|
||
| 价格活跃度 | 0.069 | 0.071 | -0.25 | ✅ 近正态，最稳定 |
|
||
|
||
### 1.2 问题本质：**维度间不可比性**
|
||
|
||
**当前等权相加会产生什么后果？**
|
||
|
||
假设等权(各16.67%)后的计算：
|
||
|
||
```
|
||
强度分 = 1/6 × (0.00 + 0.80 + 0.00 + 0.05 + 0.07 + 0.50)
|
||
= 1/6 × 1.42
|
||
= 0.237
|
||
|
||
其中:
|
||
突破幅度分(up) = 0.00 (中位数情况)
|
||
收敛度分 = 0.80 (中位数情况)
|
||
成交量分 = 0.00 (中位数情况)
|
||
形态规则度 = 0.05 (中位数情况)
|
||
价格活跃度 = 0.07 (中位数情况)
|
||
倾斜度分 = 0.50 (中位数情况)
|
||
```
|
||
|
||
**问题**：收敛度分和倾斜度分"吃掉"了大部分强度分，即使没有任何突破！
|
||
|
||
### 1.3 问题根源
|
||
|
||
1. **零膨胀分布 (Zero-Inflated)**：突破幅度分、成交量分的中位数=0
|
||
2. **点质量分布 (Point Mass)**：倾斜度分75%恰好=0.5
|
||
3. **尺度不一致**：各维度的有效取值范围差异巨大
|
||
4. **语义不同步**：未突破时，突破幅度分=0是合理的，但收敛度分=0.8也是合理的
|
||
|
||
---
|
||
|
||
## 二、SOTA方法论调研
|
||
|
||
### 2.1 多因子量化领域的标准化方法
|
||
|
||
#### (1) 截面分位数标准化 (Cross-Sectional Quantile Normalization)
|
||
|
||
**原理**: 将每个因子在截面上(同一时点的所有股票)转换为分位数排名
|
||
|
||
```python
|
||
def quantile_normalize(scores):
|
||
"""将原始分数转换为百分位排名"""
|
||
ranks = scores.rank(pct=True) # 百分位排名 [0, 1]
|
||
return ranks
|
||
```
|
||
|
||
**优点**:
|
||
- ✅ 消除尺度差异
|
||
- ✅ 消除偏度和厚尾的影响
|
||
- ✅ 各因子变为均匀分布，可直接等权相加
|
||
|
||
**缺点**:
|
||
- ❌ 丢失绝对信息（强突破10%和1%可能排名相同）
|
||
- ❌ 对零膨胀分布效果差（50%的0会被平分排名）
|
||
|
||
#### (2) 截面Z-Score标准化
|
||
|
||
**原理**: 减去截面均值，除以截面标准差
|
||
|
||
```python
|
||
def zscore_normalize(scores):
|
||
"""截面Z-Score标准化"""
|
||
return (scores - scores.mean()) / scores.std()
|
||
```
|
||
|
||
**优点**:
|
||
- ✅ 保留相对强度信息
|
||
- ✅ 简单直观
|
||
|
||
**缺点**:
|
||
- ❌ 对非正态分布效果差
|
||
- ❌ 对极端值敏感
|
||
- ❌ 零膨胀分布会导致大量负值
|
||
|
||
#### (3) Power Sorting (2023年新方法)
|
||
|
||
**原理**: 利用因子-收益关系的非线性特征，通过幂变换捕获不对称性
|
||
|
||
```python
|
||
def power_transform(scores, power=2):
|
||
"""非线性幂变换，捕获尾部效应"""
|
||
return np.sign(scores) * np.abs(scores) ** power
|
||
```
|
||
|
||
**优点**:
|
||
- ✅ 专门处理厚尾分布
|
||
- ✅ 保留极端值信息
|
||
- ✅ 在多因子策略中表现优于传统方法
|
||
|
||
**参考**: Hübner et al. (2023) "Power Sorting", SSRN 4552208
|
||
|
||
#### (4) 自适应分组标准化 (Class-Specific Normalization)
|
||
|
||
**原理**: 根据数据特性选择不同的标准化策略
|
||
|
||
```python
|
||
def adaptive_normalize(scores, data_type):
|
||
if data_type == 'zero_inflated':
|
||
# 零膨胀: 对非零部分单独标准化
|
||
non_zero = scores[scores > 0]
|
||
return conditional_rank(scores, non_zero)
|
||
elif data_type == 'point_mass':
|
||
# 点质量: 转换为离散分类
|
||
return categorize(scores)
|
||
else:
|
||
# 正常: 标准分位数
|
||
return quantile_normalize(scores)
|
||
```
|
||
|
||
### 2.2 控制论视角：PID自适应权重
|
||
|
||
**参考**: Mehra & Patel (2011) "PID Control for Portfolio Optimization"
|
||
|
||
将强度分系统视为**反馈控制系统**:
|
||
|
||
```
|
||
目标: 最大化风险调整收益
|
||
输入: 6个维度的原始得分
|
||
控制器: 自适应权重调整
|
||
输出: 综合强度分
|
||
反馈: 实际交易结果
|
||
```
|
||
|
||
**PID权重调整公式**:
|
||
|
||
```python
|
||
def pid_weight_update(w, error, error_integral, error_derivative):
|
||
"""
|
||
w: 当前权重
|
||
error: 当前收益偏差
|
||
error_integral: 累积偏差
|
||
error_derivative: 偏差变化率
|
||
"""
|
||
Kp, Ki, Kd = 0.1, 0.01, 0.05 # 需要调优
|
||
w_new = w + Kp * error + Ki * error_integral + Kd * error_derivative
|
||
return normalize(w_new) # 确保权重和为1
|
||
```
|
||
|
||
**优点**:
|
||
- ✅ 自动适应市场变化
|
||
- ✅ 基于实际反馈优化
|
||
- ✅ 可解释性强
|
||
|
||
**缺点**:
|
||
- ❌ 需要足够的历史交易数据
|
||
- ❌ 参数调优复杂
|
||
|
||
### 2.3 机器学习视角：端到端优化
|
||
|
||
**参考**: Chen et al. (2025) "ML Enhanced Multi-Factor Quantitative Trading", arXiv 2507.07107
|
||
|
||
将"因子得分 → 组合权重 → 交易决策"作为**端到端优化**问题:
|
||
|
||
```python
|
||
class FactorScoreOptimizer(nn.Module):
|
||
def __init__(self, n_factors=6):
|
||
self.factor_transform = nn.Sequential(
|
||
nn.Linear(n_factors, 32),
|
||
nn.ReLU(),
|
||
nn.Linear(32, n_factors),
|
||
nn.Sigmoid() # 输出[0,1]
|
||
)
|
||
self.weight_layer = nn.Linear(n_factors, n_factors)
|
||
self.softmax = nn.Softmax(dim=-1)
|
||
|
||
def forward(self, raw_scores):
|
||
transformed = self.factor_transform(raw_scores)
|
||
weights = self.softmax(self.weight_layer(transformed))
|
||
return (transformed * weights).sum(dim=-1)
|
||
```
|
||
|
||
**优点**:
|
||
- ✅ 自动学习最优变换和权重
|
||
- ✅ 可处理复杂非线性关系
|
||
|
||
**缺点**:
|
||
- ❌ 黑箱，可解释性差
|
||
- ❌ 需要大量标注数据
|
||
- ❌ 容易过拟合
|
||
|
||
---
|
||
|
||
## 三、平滑性优化方案
|
||
|
||
### 3.1 推荐方案：分层标准化
|
||
|
||
针对不同类型的分布，采用不同的标准化策略：
|
||
|
||
#### 第一层：零膨胀分布处理
|
||
|
||
**适用维度**: 突破幅度分、成交量分
|
||
|
||
```python
|
||
def normalize_zero_inflated(scores, name):
|
||
"""
|
||
零膨胀分布标准化:
|
||
1. 分离零值和非零值
|
||
2. 非零值进行分位数标准化
|
||
3. 零值赋予基准分0.5（中性）
|
||
"""
|
||
is_zero = scores == 0
|
||
is_nonzero = scores > 0
|
||
|
||
result = pd.Series(index=scores.index, dtype=float)
|
||
|
||
# 零值 -> 0.5 (中性基准)
|
||
result[is_zero] = 0.5
|
||
|
||
# 非零值 -> 在0.5~1.0之间排名
|
||
if is_nonzero.sum() > 0:
|
||
nonzero_rank = scores[is_nonzero].rank(pct=True) # [0, 1]
|
||
result[is_nonzero] = 0.5 + 0.5 * nonzero_rank # [0.5, 1.0]
|
||
|
||
return result
|
||
```
|
||
|
||
**效果**:
|
||
- 未突破(score=0) → 标准化后=0.5 (中性)
|
||
- 弱突破(score=0.05) → 标准化后≈0.6
|
||
- 强突破(score=0.30) → 标准化后≈0.95
|
||
|
||
#### 第二层：点质量分布处理
|
||
|
||
**适用维度**: 倾斜度分
|
||
|
||
```python
|
||
def normalize_point_mass(scores, center=0.5):
|
||
"""
|
||
点质量分布标准化:
|
||
1. 中心值(0.5)保持不变
|
||
2. 偏离中心的值进行拉伸
|
||
"""
|
||
deviation = scores - center
|
||
|
||
# 正偏离和负偏离分别处理
|
||
pos_dev = deviation[deviation > 0]
|
||
neg_dev = deviation[deviation < 0]
|
||
|
||
result = pd.Series(center, index=scores.index)
|
||
|
||
if len(pos_dev) > 0:
|
||
# 正偏离 -> 在0.5~1.0之间排名
|
||
result[deviation > 0] = center + 0.5 * pos_dev.rank(pct=True)
|
||
|
||
if len(neg_dev) > 0:
|
||
# 负偏离 -> 在0.0~0.5之间排名
|
||
result[deviation < 0] = center * neg_dev.rank(pct=True, ascending=False)
|
||
|
||
return result
|
||
```
|
||
|
||
#### 第三层：正常分布处理
|
||
|
||
**适用维度**: 收敛度分、价格活跃度
|
||
|
||
```python
|
||
def normalize_standard(scores):
|
||
"""
|
||
标准分位数标准化:
|
||
直接转换为百分位排名
|
||
"""
|
||
return scores.rank(pct=True)
|
||
```
|
||
|
||
#### 第四层：低区分度分布处理
|
||
|
||
**适用维度**: 形态规则度
|
||
|
||
```python
|
||
def normalize_low_variance(scores, expansion_factor=3):
|
||
"""
|
||
低区分度分布处理:
|
||
1. 对数变换扩大区分度
|
||
2. 分位数标准化
|
||
"""
|
||
# 对数变换扩大小值区间的区分度
|
||
log_scores = np.log1p(scores * expansion_factor)
|
||
return log_scores.rank(pct=True)
|
||
```
|
||
|
||
### 3.2 综合标准化流程
|
||
|
||
```python
|
||
def normalize_all_dimensions(df):
|
||
"""
|
||
综合标准化流程
|
||
"""
|
||
normalized = pd.DataFrame(index=df.index)
|
||
|
||
# 突破幅度分 - 零膨胀处理
|
||
normalized['price_score_up'] = normalize_zero_inflated(
|
||
df['price_score_up'], 'price_up'
|
||
)
|
||
normalized['price_score_down'] = normalize_zero_inflated(
|
||
df['price_score_down'], 'price_down'
|
||
)
|
||
|
||
# 成交量分 - 零膨胀处理
|
||
normalized['volume_score'] = normalize_zero_inflated(
|
||
df['volume_score'], 'volume'
|
||
)
|
||
|
||
# 倾斜度分 - 点质量处理
|
||
normalized['tilt_score'] = normalize_point_mass(
|
||
df['tilt_score'], center=0.5
|
||
)
|
||
|
||
# 收敛度分 - 标准处理
|
||
normalized['convergence_score'] = normalize_standard(
|
||
df['convergence_score']
|
||
)
|
||
|
||
# 价格活跃度 - 标准处理
|
||
normalized['activity_score'] = normalize_standard(
|
||
df['activity_score']
|
||
)
|
||
|
||
# 形态规则度 - 低区分度处理
|
||
normalized['geometry_score'] = normalize_low_variance(
|
||
df['geometry_score']
|
||
)
|
||
|
||
return normalized
|
||
```
|
||
|
||
### 3.3 标准化后的等权计算
|
||
|
||
```python
|
||
def calculate_strength_equal_weight(normalized_df, direction='up'):
|
||
"""
|
||
等权强度分计算 (标准化后)
|
||
|
||
参数:
|
||
direction: 'up' 或 'down'，决定使用哪个突破幅度分
|
||
"""
|
||
if direction == 'up':
|
||
price_score = normalized_df['price_score_up']
|
||
else:
|
||
price_score = normalized_df['price_score_down']
|
||
|
||
# 等权: 各1/6
|
||
strength = (
|
||
price_score / 6 +
|
||
normalized_df['convergence_score'] / 6 +
|
||
normalized_df['volume_score'] / 6 +
|
||
normalized_df['geometry_score'] / 6 +
|
||
normalized_df['activity_score'] / 6 +
|
||
normalized_df['tilt_score'] / 6
|
||
)
|
||
|
||
return strength
|
||
```
|
||
|
||
---
|
||
|
||
## 四、参数可调性设计
|
||
|
||
### 4.1 应用层接口设计
|
||
|
||
为基金经理提供**可解释、可调节**的参数接口：
|
||
|
||
```python
|
||
class StrengthScoreConfig:
|
||
"""强度分配置 - 应用层接口"""
|
||
|
||
def __init__(self):
|
||
# 权重参数 (默认等权)
|
||
self.weight_price = 1/6
|
||
self.weight_convergence = 1/6
|
||
self.weight_volume = 1/6
|
||
self.weight_geometry = 1/6
|
||
self.weight_activity = 1/6
|
||
self.weight_tilt = 1/6
|
||
|
||
# 阈值参数
|
||
self.price_threshold = 0.6 # 突破幅度分阈值(标准化后)
|
||
self.convergence_threshold = 0.7 # 收敛度分阈值
|
||
self.volume_threshold = 0.5 # 成交量分阈值(设为中性)
|
||
|
||
# 筛选模式
|
||
self.filter_mode = 'and' # 'and' 或 'or'
|
||
|
||
# 方向偏好
|
||
self.direction_preference = 'both' # 'up', 'down', 'both'
|
||
|
||
def set_aggressive(self):
|
||
"""激进模式: 重视突破"""
|
||
self.weight_price = 0.35
|
||
self.weight_volume = 0.25
|
||
self.weight_convergence = 0.15
|
||
self.weight_geometry = 0.10
|
||
self.weight_activity = 0.10
|
||
self.weight_tilt = 0.05
|
||
|
||
def set_conservative(self):
|
||
"""保守模式: 重视形态质量"""
|
||
self.weight_price = 0.15
|
||
self.weight_convergence = 0.30
|
||
self.weight_volume = 0.10
|
||
self.weight_geometry = 0.20
|
||
self.weight_activity = 0.20
|
||
self.weight_tilt = 0.05
|
||
|
||
def set_volume_focus(self):
|
||
"""放量模式: 重视成交量确认"""
|
||
self.weight_price = 0.25
|
||
self.weight_volume = 0.35
|
||
self.weight_convergence = 0.15
|
||
self.weight_geometry = 0.10
|
||
self.weight_activity = 0.10
|
||
self.weight_tilt = 0.05
|
||
```
|
||
|
||
### 4.2 多维度筛选器
|
||
|
||
```python
|
||
class MultiDimensionFilter:
|
||
"""多维度筛选器"""
|
||
|
||
def __init__(self, config: StrengthScoreConfig):
|
||
self.config = config
|
||
|
||
def filter(self, df):
|
||
"""
|
||
根据配置筛选信号
|
||
|
||
返回:
|
||
满足条件的行索引
|
||
"""
|
||
conditions = []
|
||
|
||
# 突破幅度条件
|
||
if self.config.direction_preference in ['up', 'both']:
|
||
conditions.append(
|
||
df['price_score_up_normalized'] >= self.config.price_threshold
|
||
)
|
||
if self.config.direction_preference in ['down', 'both']:
|
||
conditions.append(
|
||
df['price_score_down_normalized'] >= self.config.price_threshold
|
||
)
|
||
|
||
# 收敛度条件
|
||
conditions.append(
|
||
df['convergence_score_normalized'] >= self.config.convergence_threshold
|
||
)
|
||
|
||
# 成交量条件 (可选)
|
||
if self.config.volume_threshold > 0.5: # 只有设置高于中性时才过滤
|
||
conditions.append(
|
||
df['volume_score_normalized'] >= self.config.volume_threshold
|
||
)
|
||
|
||
# 组合条件
|
||
if self.config.filter_mode == 'and':
|
||
final_condition = conditions[0]
|
||
for cond in conditions[1:]:
|
||
final_condition = final_condition & cond
|
||
else: # 'or'
|
||
final_condition = conditions[0]
|
||
for cond in conditions[1:]:
|
||
final_condition = final_condition | cond
|
||
|
||
return df[final_condition].index
|
||
```
|
||
|
||
### 4.3 敏感性分析工具
|
||
|
||
```python
|
||
def sensitivity_analysis(df, config, param_name, param_range):
|
||
"""
|
||
参数敏感性分析
|
||
|
||
示例: 分析 price_threshold 从 0.5 到 0.9 的影响
|
||
"""
|
||
results = []
|
||
|
||
for value in param_range:
|
||
# 设置参数
|
||
setattr(config, param_name, value)
|
||
|
||
# 筛选
|
||
filter = MultiDimensionFilter(config)
|
||
selected = filter.filter(df)
|
||
|
||
# 统计
|
||
results.append({
|
||
'param_value': value,
|
||
'n_signals': len(selected),
|
||
'pct_selected': len(selected) / len(df) * 100,
|
||
# 可添加更多指标: 平均收益、胜率等
|
||
})
|
||
|
||
return pd.DataFrame(results)
|
||
```
|
||
|
||
---
|
||
|
||
## 五、基金经理视角：各维度量化意义
|
||
|
||
### 5.1 突破幅度分 - 信号强度
|
||
|
||
**量化意义**:
|
||
- 衡量**价格动能**的核心指标
|
||
- 反映市场对突破的认可程度
|
||
- 是最直接的交易信号
|
||
|
||
**实战应用**:
|
||
- **>P90**: 强信号，可考虑立即入场
|
||
- **P75-P90**: 中等信号，需配合其他确认
|
||
- **<P75**: 弱信号，观望为主
|
||
|
||
**当前问题**:
|
||
- 中位数=0导致大量信号被"埋没"
|
||
- 建议：标准化后使用，而非原始值
|
||
|
||
**基金经理关注点**:
|
||
> "突破幅度多大才值得交易？我需要一个可量化的入场标准。"
|
||
|
||
**建议阈值**:
|
||
- 激进策略: 标准化后 > 0.60
|
||
- 稳健策略: 标准化后 > 0.75
|
||
- 保守策略: 标准化后 > 0.85
|
||
|
||
### 5.2 收敛度分 - 蓄势程度
|
||
|
||
**量化意义**:
|
||
- 衡量**多空博弈**的激烈程度
|
||
- 收敛越紧，突破后动能越大
|
||
- 反映市场分歧逐渐收窄的过程
|
||
|
||
**实战应用**:
|
||
- **高收敛(>0.85)**: 能量积蓄充分，突破概率高
|
||
- **中收敛(0.70-0.85)**: 标准形态
|
||
- **低收敛(<0.70)**: 形态不成熟，信号可靠性低
|
||
|
||
**当前评价**:
|
||
- ✅ 分布稳定，是最可靠的维度
|
||
- ✅ 区分度好，有实际筛选价值
|
||
- 建议：可适当提高权重
|
||
|
||
**基金经理关注点**:
|
||
> "收敛程度是否与后续涨幅相关？越收敛越好吗？"
|
||
|
||
**实证建议**: 收敛度与突破成功率正相关，但与突破幅度的关系需进一步回测验证
|
||
|
||
### 5.3 成交量分 - 资金确认
|
||
|
||
**量化意义**:
|
||
- 衡量**资金介入**的强度
|
||
- 放量突破更具可持续性
|
||
- 是区分真突破和假突破的关键
|
||
|
||
**实战应用**:
|
||
- **高放量(>P80)**: 资金确认，信号可信度高
|
||
- **中等放量(P50-P80)**: 一般确认
|
||
- **无放量(<P50)**: 存疑，可能是假突破
|
||
|
||
**当前问题**:
|
||
- ❌ 中位数=0，50%三角形无放量信息
|
||
- ❌ 作为必要条件会过滤太多信号
|
||
- 建议：降权或作为"加分项"而非"扣分项"
|
||
|
||
**基金经理关注点**:
|
||
> "没有放量的突破能信吗？放量标准应该是多少倍？"
|
||
|
||
**建议策略**:
|
||
- 不作为必要条件（会丢失50%潜在机会）
|
||
- 作为信号评级的加分项
|
||
- 放量突破 → 加仓或延长持有期
|
||
|
||
### 5.4 形态规则度 - 形态质量
|
||
|
||
**量化意义**:
|
||
- 衡量形态的**几何标准性**
|
||
- 高规则度意味着市场对关键价位有共识
|
||
- 反映形态是否"教科书级别"
|
||
|
||
**实战应用**:
|
||
- **高规则度(>P80)**: 教科书形态，交易员容易识别
|
||
- **中规则度(P50-P80)**: 标准形态
|
||
- **低规则度(<P50)**: 非典型，不易被市场认可
|
||
|
||
**当前问题**:
|
||
- ⚠️ 普遍极低（中位数0.005），区分度差
|
||
- ⚠️ 可能是算法对"规则度"的定义过于严格
|
||
- 建议：对数变换扩大区分度，或重新定义计算方式
|
||
|
||
**基金经理关注点**:
|
||
> "形态越标准越好吗？非标准形态是否也有交易价值？"
|
||
|
||
**思考**: 过于"完美"的形态可能是市场共识过高，反而需要警惕。建议：
|
||
- 规则度作为辅助参考，权重不宜过高
|
||
- 非标准形态不应直接排除
|
||
|
||
### 5.5 价格活跃度 - 真实博弈
|
||
|
||
**量化意义**:
|
||
- 衡量价格**振荡充分性**
|
||
- 区分真实博弈 vs 僵尸形态
|
||
- 反映市场参与度
|
||
|
||
**实战应用**:
|
||
- **高活跃度(>P75)**: 市场参与充分，形态有效
|
||
- **中活跃度(P25-P75)**: 正常情况
|
||
- **低活跃度(<P25)**: 僵尸形态，可能是流动性问题
|
||
|
||
**当前评价**:
|
||
- ✅ 近正态分布，最稳定的维度
|
||
- ✅ 有实际区分价值
|
||
- 建议：可适当提高权重
|
||
|
||
**基金经理关注点**:
|
||
> "如何区分'健康的收敛'和'无人问津的死股'？"
|
||
|
||
**价格活跃度正是解决这个问题的关键指标**
|
||
|
||
### 5.6 倾斜度分 - 趋势一致性
|
||
|
||
**量化意义**:
|
||
- 衡量突破方向与形态趋势的**一致性**
|
||
- 顺势突破更可靠，逆势突破需谨慎
|
||
- 区分上升/下降/对称三角形
|
||
|
||
**实战应用**:
|
||
- **高倾斜度(>0.6)**: 强趋势一致，高置信度
|
||
- **中性(≈0.5)**: 对称三角形，方向不明确
|
||
- **低倾斜度(<0.4)**: 逆势突破，需额外确认
|
||
|
||
**当前问题**:
|
||
- ❌ 75%的值=0.5，几乎无区分度
|
||
- ❌ 算法强烈偏好对称三角形
|
||
- 建议：重新标准化或调整算法参数
|
||
|
||
**基金经理关注点**:
|
||
> "上升三角形向上突破 vs 下降三角形向上突破，胜率有差异吗？"
|
||
|
||
**实证建议**: 需要回测验证，但直觉上顺势突破应该更可靠
|
||
|
||
---
|
||
|
||
## 六、整体刻画准确性评估
|
||
|
||
### 6.1 当前系统的优点
|
||
|
||
1. **覆盖维度全面**:
|
||
- ✅ 价格维度: 突破幅度、收敛度
|
||
- ✅ 量能维度: 成交量
|
||
- ✅ 形态维度: 几何规则度、倾斜度
|
||
- ✅ 行为维度: 价格活跃度
|
||
|
||
2. **归一化方式合理**:
|
||
- ✅ 所有维度输出在[0, 1]区间
|
||
- ✅ 使用tanh、exp等非线性变换
|
||
|
||
3. **权重可配置**:
|
||
- ✅ 代码支持权重参数调整
|
||
- ✅ 突破幅度作为主要权重是合理的
|
||
|
||
### 6.2 当前系统的不足
|
||
|
||
1. **维度间不可比**:
|
||
- ❌ 原始得分直接加权，未考虑分布差异
|
||
- ❌ 中位数差异巨大(0 vs 0.8)
|
||
|
||
2. **零膨胀问题未处理**:
|
||
- ❌ 突破幅度分、成交量分50%为0
|
||
- ❌ 这些0值参与加权计算会稀释信号
|
||
|
||
3. **点质量问题未处理**:
|
||
- ❌ 倾斜度分75%为0.5
|
||
- ❌ 无法区分真正的对称三角形和算法偏好
|
||
|
||
4. **缺乏截面标准化**:
|
||
- ❌ 未考虑同一时点不同股票的相对排名
|
||
- ❌ 强度分的绝对值缺乏参照系
|
||
|
||
### 6.3 刻画准确性评分
|
||
|
||
| 评估维度 | 当前评分 | 优化后预期 |
|
||
|---------|---------|----------|
|
||
| 维度完整性 | ⭐⭐⭐⭐⭐ (5/5) | 5/5 |
|
||
| 归一化合理性 | ⭐⭐⭐☆☆ (3/5) | 4/5 |
|
||
| 维度可比性 | ⭐⭐☆☆☆ (2/5) | 4/5 |
|
||
| 分布平滑性 | ⭐⭐☆☆☆ (2/5) | 4/5 |
|
||
| 参数可调性 | ⭐⭐⭐☆☆ (3/5) | 5/5 |
|
||
| 实战可用性 | ⭐⭐⭐☆☆ (3/5) | 4/5 |
|
||
| **综合评分** | **2.8/5** | **4.3/5** |
|
||
|
||
---
|
||
|
||
## 七、优化建议总结
|
||
|
||
### 7.1 短期优化（立即可做）
|
||
|
||
1. **实施分层标准化**
|
||
- 对突破幅度分、成交量分使用零膨胀处理
|
||
- 对倾斜度分使用点质量处理
|
||
- 对其他维度使用分位数标准化
|
||
|
||
2. **调整权重分配**
|
||
```
|
||
当前 → 建议(等权基础):
|
||
突破幅度分: 45% → 16.67% (标准化后等权)
|
||
收敛度分: 15% → 16.67%
|
||
成交量分: 10% → 16.67%
|
||
形态规则度: 10% → 16.67%
|
||
价格活跃度: 15% → 16.67%
|
||
倾斜度分: 5% → 16.67%
|
||
```
|
||
|
||
3. **提供预设配置**
|
||
- 激进模式、保守模式、放量模式等
|
||
- 让用户可以快速切换
|
||
|
||
### 7.2 中期优化（需要开发）
|
||
|
||
1. **截面标准化**
|
||
- 在每个时间点对所有股票排名
|
||
- 提供"相对强度"而非"绝对强度"
|
||
|
||
2. **敏感性分析工具**
|
||
- 参数变化对信号数量的影响
|
||
- 参数变化对回测收益的影响
|
||
|
||
3. **动态权重调整**
|
||
- 基于市场状态自动调整权重
|
||
- 牛市/熊市/震荡市不同配置
|
||
|
||
### 7.3 长期优化（研究方向）
|
||
|
||
1. **机器学习优化**
|
||
- 端到端学习最优变换和权重
|
||
- 需要构建完整的回测框架
|
||
|
||
2. **控制论框架**
|
||
- PID自适应权重调整
|
||
- 基于实际交易反馈优化
|
||
|
||
3. **因子有效性验证**
|
||
- 各维度与未来收益的IC分析
|
||
- 剔除无效因子，保留有效因子
|
||
|
||
---
|
||
|
||
## 八、代码实现建议
|
||
|
||
### 8.1 目录结构
|
||
|
||
```
|
||
technical-patterns-lab/
|
||
├── src/
|
||
│ ├── scoring/
|
||
│ │ ├── normalizer.py # 标准化模块
|
||
│ │ ├── strength_score.py # 强度分计算
|
||
│ │ ├── config.py # 配置管理
|
||
│ │ └── filter.py # 多维度筛选
|
||
│ └── analysis/
|
||
│ ├── sensitivity.py # 敏感性分析
|
||
│ └── backtest.py # 回测框架
|
||
└── configs/
|
||
├── aggressive.yaml # 激进配置
|
||
├── conservative.yaml # 保守配置
|
||
└── volume_focus.yaml # 放量配置
|
||
```
|
||
|
||
### 8.2 核心类设计
|
||
|
||
```python
|
||
# scoring/normalizer.py
|
||
class FactorNormalizer:
|
||
"""因子标准化器"""
|
||
|
||
def normalize_zero_inflated(self, series): ...
|
||
def normalize_point_mass(self, series): ...
|
||
def normalize_standard(self, series): ...
|
||
def normalize_low_variance(self, series): ...
|
||
|
||
def normalize_all(self, df) -> pd.DataFrame: ...
|
||
|
||
# scoring/strength_score.py
|
||
class StrengthScoreCalculator:
|
||
"""强度分计算器"""
|
||
|
||
def __init__(self, config: Config):
|
||
self.config = config
|
||
self.normalizer = FactorNormalizer()
|
||
|
||
def calculate(self, raw_df) -> pd.Series: ...
|
||
def calculate_with_details(self, raw_df) -> pd.DataFrame: ...
|
||
|
||
# scoring/filter.py
|
||
class MultiDimensionFilter:
|
||
"""多维度筛选器"""
|
||
|
||
def filter(self, df, config) -> pd.Index: ...
|
||
def filter_top_n(self, df, n, config) -> pd.Index: ...
|
||
```
|
||
|
||
---
|
||
|
||
## 九、下一步行动计划
|
||
|
||
### 立即行动
|
||
1. ✅ 实现分层标准化函数
|
||
2. ✅ 创建等权强度分计算
|
||
3. ✅ 提供3种预设配置
|
||
|
||
### 短期计划
|
||
4. 📝 实现敏感性分析工具
|
||
5. 📝 对标准化后的数据重新进行分布分析
|
||
6. 📝 验证标准化效果
|
||
|
||
### 中期计划
|
||
7. 🔬 实现截面标准化
|
||
8. 🔬 构建简单回测框架
|
||
9. 🔬 验证各维度的预测能力
|
||
|
||
### 长期研究
|
||
10. 🔮 探索机器学习优化
|
||
11. 🔮 探索控制论框架
|
||
12. 🔮 发表研究报告
|
||
|
||
---
|
||
|
||
## 参考文献
|
||
|
||
1. Hübner et al. (2023). "Power Sorting". SSRN 4552208.
|
||
2. Chen et al. (2025). "Machine Learning Enhanced Multi-Factor Quantitative Trading". arXiv 2507.07107.
|
||
3. Mehra & Patel (2011). "PID Control for Portfolio Optimization". InTech.
|
||
4. Lo et al. (2000). "Foundations of Technical Analysis". SSRN 228099.
|
||
|
||
---
|
||
|
||
**报告创建时间**: 2026-01-29
|
||
**作者**: AI量化研究助手
|
||
**版本**: v1.0
|