<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>量化炼金</title><link>http://localhost:1313/</link><description>量化炼金 (CodeAlchemy)：交易策略、量化研究、数据工程</description><generator>Hugo 0.169.0 &amp; FixIt v1.0.0-rc.2</generator><language>zh-CN</language><managingEditor>scofieldchen0011@gmail.com (量化炼金)</managingEditor><webMaster>scofieldchen0011@gmail.com (量化炼金)</webMaster><copyright>量化炼金 (CodeAlchemy)</copyright><lastBuildDate>Tue, 17 Nov 2026 15:57:37 +0800</lastBuildDate><atom:link href="http://localhost:1313/index.xml" rel="self" type="application/rss+xml"/><item><title>标普500市场状态滤波器优化：波动率与信用指标的天然缺陷</title><link>http://localhost:1313/posts/sp500-filter-optimization/</link><pubDate>Mon, 09 Nov 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/sp500-filter-optimization/</guid><category domain="http://localhost:1313/categories/%E9%87%8F%E5%8C%96%E7%A0%94%E7%A9%B6/">量化研究</category><description>&lt;img src="http://localhost:1313/posts/sp500-filter-optimization/image.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;h2 class="heading-element" id="背景"&gt;&lt;span&gt;背景&lt;/span&gt;&#10; &lt;a href="#%e8%83%8c%e6%99%af" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;上周我们创建了一个美股趋势跟随策略：&lt;/p&gt;&#10;&lt;p&gt;&lt;a href="http://localhost:1313/posts/sp500-market-filter/"&gt;避开四次熔断的标普500择时模型&lt;/a&gt;&lt;/p&gt;&#10;&lt;p&gt;策略的核心理念：基于趋势、波动率期限结构和信用利差构建三指标趋势滤波器，将市场状态划分为三种——风险偏好、谨慎、风险规避。风险偏好阶段全仓做多，谨慎阶段半仓，风险规避阶段全部平仓。这是一个仅做多策略。&lt;/p&gt;&#10;&lt;p&gt;初步测试显示，趋势滤波器能够有效规避快速且深度的下跌，并在价格重新上涨后再次做多。但当市场处于长期熊市时，策略会持续亏损，典型案例是 2022 年。&lt;/p&gt;&#10;&lt;p&gt;待解决的问题：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;与买入持有和其他趋势滤波器相比，三指标趋势滤波器是否有显著优势？&lt;/li&gt;&#10;&lt;li&gt;优化趋势滤波器，改善其在长期熊市中的表现。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;hr&gt;&#10;&lt;h2 class="heading-element" id="与-lowpass-趋势跟随比较"&gt;&lt;span&gt;与 Lowpass 趋势跟随比较&lt;/span&gt;&#10; &lt;a href="#%e4%b8%8e-lowpass-%e8%b6%8b%e5%8a%bf%e8%b7%9f%e9%9a%8f%e6%af%94%e8%be%83" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;要评估趋势滤波器是否有效，需要设置对照组。本文选择两个：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;&lt;strong&gt;买入持有策略&lt;/strong&gt;：作为基准。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;Lowpass 趋势跟随策略&lt;/strong&gt;：低通滤波器是一个简单但强大的趋势滤波器。&#10;&lt;ul&gt;&#10;&lt;li&gt;Lowpass 上升时做多，下降时空仓，逻辑非常简单。&lt;/li&gt;&#10;&lt;li&gt;回溯期取 200，这是合理的选择，可避免过度优化。&lt;/li&gt;&#10;&lt;li&gt;为与趋势滤波器策略的订单管理机制匹配，将利润进行再投资。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;买入持有策略代码：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;#include &amp;lt;profile.c&amp;gt;&#10;#include &amp;lt;drawdown.c&amp;gt;&#10;&#10;function run()&#10;{&#10; // zorro 设置&#10;&#9;set(LOGFILE,PLOTNOW);&#10;&#9;setf(PlotMode,PL_DIFF);&#10;&#9;BarPeriod = 1440; // 日图&#10;&#9;StartDate = 20080101; // 回溯开始&#10;&#9;EndDate = 20261030; // 回溯结束&#10;&#9;LookBack = 0; // 回溯开始前预留数据，预计算指标&#10;&#9;History = &amp;#34;?.t6&amp;#34;; // SPY.t6, VIX.t6&#10;&#9;Capital = 10000; // 初始资本&#10;&#9;Leverage = 1; // 杠杆水平&#10;&#9;Fill = 3; // 1:模拟收盘价成交；3:次日开盘价成交&#10;&#10;&#9;assetList(&amp;#34;AssetsIBdemo&amp;#34;);&#10;&#9;asset(&amp;#34;SPY&amp;#34;);&#10;&#10;&#9;if(is(FIRSTRUN)) {&#10;&#9; Lots = floor((Capital &amp;#43; ProfitTotal) / priceC());&#10;&#9;&#9;enterLong();&#10;&#9;}&#10;&#10;&#9;updateDrawdown();&#10;&#9;print(TO_REPORT, &amp;#34;\nMaxDD(Equity): %.1f (%.0f)&amp;#34;, g_peakEquityDrawdownPct, g_peakEquityDrawdown);&#10;&#9;print(TO_REPORT, &amp;#34;\nMaxDD(Balance): %.1f (%.0f)&amp;#34;, g_peakBalanceDrawdownPct, g_peakBalanceDrawdown);&#10;&#9;// plot(&amp;#34;EquityDD&amp;#34;, -g_equityDrawdownPct, NEW, BLUE);&#10;&#9;// plot(&amp;#34;BalanceDD&amp;#34;, -g_balanceDrawdownPct, 0, RED);&#10;}&lt;/code&gt;&lt;/pre&gt;&lt;p&gt;买入持有策略的净值曲线：&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-filter-optimization/image.png' alt="image.png" height="1818" width="2824"&gt;&lt;/p&gt;&#10;&lt;p&gt;Lowpass 趋势跟随策略代码：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;#include &amp;lt;profile.c&amp;gt;&#10;#include &amp;lt;utils.c&amp;gt;&#10;#include &amp;lt;drawdown.c&amp;gt;&#10;&#10;function run()&#10;{&#10; // zorro 设置&#10;&#9;set(LOGFILE,PLOTNOW);&#10;&#9;setf(PlotMode,PL_DIFF);&#10;&#9;BarPeriod = 1440; // 日图&#10;&#9;StartDate = 20080101; // 回溯开始&#10;&#9;EndDate = 20261030; // 回溯结束&#10;&#9;LookBack = 200; // 回溯开始前预留数据，预计算指标&#10;&#9;History = &amp;#34;?.t6&amp;#34;; // SPY.t6, VIX.t6&#10;&#9;Capital = 10000; // 初始资本&#10;&#9;Leverage = 1; // 杠杆水平&#10;&#9;Fill = 3; // 1:模拟收盘价成交；3:次日开盘价成交&#10;&#10;&#9;// 加载资产列表，交易SPY&#10;&#9;assetList(&amp;#34;AssetsIBdemo&amp;#34;);&#10;&#9;asset(&amp;#34;SPY&amp;#34;);&#10;&#10;&#9;// 计算指标&#10;&#9;vars Prices = series(price());&#10;&#9;vars Trends = series(LowPass(Prices, 200));&#10;&#10;&#9;// 订单逻辑&#10;&#9;Lots = floor((Capital &amp;#43; ProfitTotal) / priceC());&#10;&#9;if(valley(Trends))&#10;&#9; enterLong();&#10;&#9;else if(peak(Trends))&#10;&#9; exitLong();&#10;&#10;&#9;updateDrawdown();&#10;&#9;print(TO_REPORT, &amp;#34;\nMaxDD(Equity): %.1f (%.0f)&amp;#34;, g_peakEquityDrawdownPct, g_peakEquityDrawdown);&#10;&#9;print(TO_REPORT, &amp;#34;\nMaxDD(Balance): %.1f (%.0f)&amp;#34;, g_peakBalanceDrawdownPct, g_peakBalanceDrawdown);&#10;&#10; // 图表&#10;&#9;plot2(&amp;#34;Trend&amp;#34;, Trends[0], MAIN, rising(Trends), GREEN, RED);&#10;&#9;// plot(&amp;#34;EquityDD&amp;#34;, -g_equityDrawdownPct, NEW, BLUE);&#10;&#9;// plot(&amp;#34;BalanceDD&amp;#34;, -g_balanceDrawdownPct, 0, RED);&#10;}&lt;/code&gt;&lt;/pre&gt;&lt;p&gt;净值曲线：&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-filter-optimization/image_1.png' alt="image.png" height="1820" width="2836"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="业绩指标对比"&gt;&lt;span&gt;业绩指标对比&lt;/span&gt;&#10; &lt;a href="#%e4%b8%9a%e7%bb%a9%e6%8c%87%e6%a0%87%e5%af%b9%e6%af%94" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;指标&lt;/th&gt;&#10; &lt;th&gt;买入持有&lt;/th&gt;&#10; &lt;th&gt;Lowpass&lt;/th&gt;&#10; &lt;th&gt;三指标趋势滤波器&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;净值最大回撤&lt;/td&gt;&#10; &lt;td&gt;51.8%&lt;/td&gt;&#10; &lt;td&gt;16.5%&lt;/td&gt;&#10; &lt;td&gt;20.8%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;余额最大回撤&lt;/td&gt;&#10; &lt;td&gt;51.8%&lt;/td&gt;&#10; &lt;td&gt;12.9%&lt;/td&gt;&#10; &lt;td&gt;16.3%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;交易次数&lt;/td&gt;&#10; &lt;td&gt;1&lt;/td&gt;&#10; &lt;td&gt;60&lt;/td&gt;&#10; &lt;td&gt;265&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;年均交易次数&lt;/td&gt;&#10; &lt;td&gt;-&lt;/td&gt;&#10; &lt;td&gt;4&lt;/td&gt;&#10; &lt;td&gt;15&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;胜率&lt;/td&gt;&#10; &lt;td&gt;-&lt;/td&gt;&#10; &lt;td&gt;43%&lt;/td&gt;&#10; &lt;td&gt;50%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长连续亏损&lt;/td&gt;&#10; &lt;td&gt;-&lt;/td&gt;&#10; &lt;td&gt;6&lt;/td&gt;&#10; &lt;td&gt;8&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;CAGR&lt;/td&gt;&#10; &lt;td&gt;11.3%&lt;/td&gt;&#10; &lt;td&gt;10.3%&lt;/td&gt;&#10; &lt;td&gt;9.5%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;ROI&lt;/td&gt;&#10; &lt;td&gt;34.5%&lt;/td&gt;&#10; &lt;td&gt;28.6%&lt;/td&gt;&#10; &lt;td&gt;24%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;盈利因子&lt;/td&gt;&#10; &lt;td&gt;-&lt;/td&gt;&#10; &lt;td&gt;5.25&lt;/td&gt;&#10; &lt;td&gt;2.47&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;PRR&lt;/td&gt;&#10; &lt;td&gt;-&lt;/td&gt;&#10; &lt;td&gt;3.60&lt;/td&gt;&#10; &lt;td&gt;2.08&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;夏普比率&lt;/td&gt;&#10; &lt;td&gt;0.68&lt;/td&gt;&#10; &lt;td&gt;0.85&lt;/td&gt;&#10; &lt;td&gt;0.75&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;索提诺比率&lt;/td&gt;&#10; &lt;td&gt;0.65&lt;/td&gt;&#10; &lt;td&gt;0.79&lt;/td&gt;&#10; &lt;td&gt;0.69&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;h3 class="heading-element" id="结果分析"&gt;&lt;span&gt;结果分析&lt;/span&gt;&#10; &lt;a href="#%e7%bb%93%e6%9e%9c%e5%88%86%e6%9e%90" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;三指标趋势滤波器优于买入持有，优势主要体现在风险控制上：净值回撤显著更低，CAGR 仅小幅降低，夏普比率温和提升。但其综合表现远不如 Lowpass。为什么？&lt;/p&gt;&#10;&lt;p&gt;选取几段有代表性的行情进行对比分析。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;2008 年&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;趋势滤波器：熊市早期，滤波器在谨慎（半仓做多）和风险规避（完全平仓）之间频繁切换，产生很多亏损交易。熊市下半段（2008 年三季度至 2009 年一季度），滤波器完全处于风险规避状态，随后在一季度切换到谨慎、半仓做多，又产生了很多亏损。2009 年 4 月初半仓做多，6 月初全仓买入。&lt;/li&gt;&#10;&lt;li&gt;Lowpass：2008 年二季度，价格一度强劲反弹到趋势线上方，产生数笔亏损。除此之外，整个熊市周期中趋势线一直下降，没有产生任何交易。2009 年 4 月最后一周做多。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-filter-optimization/image_2.png' alt="image.png" height="1824" width="2826"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-filter-optimization/image_3.png' alt="image.png" height="1784" width="2790"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;2020 年&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;趋势滤波器：2020 年 2-3 月疫情爆发，美股暴跌。滤波器在 2 月 24 日发出减仓信号，25 日发出全平信号，成功避开了这轮史上最快的下跌。4 月 24 日转为谨慎状态、半仓做多，5 月 26 日转为风险偏好、全仓做多。&lt;/li&gt;&#10;&lt;li&gt;Lowpass：趋势线在 2 月 27 日收盘后转为下跌，多头平仓，此时标普500 已从高点下跌约 15%。同年 5 月 27 日才发出做多信号。它对价格快速下跌的反应过于滞后，整体表现不佳。与趋势滤波器相比，其熊市平仓信号和牛市做多信号都非常滞后。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-filter-optimization/image_4.png' alt="image.png" height="1826" width="2834"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-filter-optimization/image_5.png' alt="image.png" height="1826" width="2826"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;2022 年&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;趋势滤波器：2022 年 2 月俄乌战争爆发，2022 年 3 月至 2023 年 7 月美联储开启史上最快加息周期，标普500 全年下跌，熊市贯穿全年。趋势滤波器表现非常糟糕，2022 年亏损 18%。整个 2022 年，滤波器基本处于风险中性状态，半仓做多。&lt;/li&gt;&#10;&lt;li&gt;Lowpass：在震荡下跌过程中，中间出现过两轮强劲反弹，趋势线发出了做多信号，但亏损并不严重。2022 年 11 月至 2023 年一季度，行情进入底部震荡阶段，又产生两笔亏损，但依然可控。其综合表现显著优于趋势滤波器。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-filter-optimization/image_6.png' alt="image.png" height="1832" width="2836"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-filter-optimization/image_7.png' alt="image.png" height="1824" width="2818"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;小结&lt;/strong&gt;&lt;/p&gt;&#10;&lt;p&gt;三指标趋势滤波器对风险偏好的变化非常灵敏：当风险陡然上升时，它能提前发出信号，从风险偏好转向中性/风险规避，成功避开快速崩盘，典型案例如 2020 年；当市场从过度恐慌转向风险中性时，它又能在牛市早期阶段买入（半仓做多）。Lowpass 趋势系统则相对滞后，无法很好地应对快速且迅猛的熊市。&lt;/p&gt;&#10;&lt;p&gt;然而，当市场处于结构性熊市（下跌持续 1-2 年，中间伴随几轮强劲反弹）时，趋势滤波器的&amp;quot;灵敏&amp;quot;反而成为劣势：它经常在中期反弹高点买入（半仓做多），导致很多亏损。Lowpass 的&amp;quot;滞后&amp;quot;反而成了优势——它规避了这些噪音，并在多数时候保持空仓，回撤水平显著低于趋势滤波器。&lt;/p&gt;&#10;&lt;p&gt;一句话概括：三指标趋势滤波器擅长识别并规避闪崩；Lowpass 趋势系统刚好相反，它擅长规避长期熊市，但对黑天鹅事件反应滞后。&lt;/p&gt;&#10;&lt;hr&gt;&#10;&lt;h2 class="heading-element" id="优化三指标趋势滤波器"&gt;&lt;span&gt;优化三指标趋势滤波器&lt;/span&gt;&#10; &lt;a href="#%e4%bc%98%e5%8c%96%e4%b8%89%e6%8c%87%e6%a0%87%e8%b6%8b%e5%8a%bf%e6%bb%a4%e6%b3%a2%e5%99%a8" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="实验-1改造趋势指标"&gt;&lt;span&gt;实验 1：改造趋势指标&lt;/span&gt;&#10; &lt;a href="#%e5%ae%9e%e9%aa%8c-1%e6%94%b9%e9%80%a0%e8%b6%8b%e5%8a%bf%e6%8c%87%e6%a0%87" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;用 Lowpass 替换 SMA，趋势判断条件改为：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;Lowpass 上升，&lt;code&gt;MarketDir = 1&lt;/code&gt;&lt;/li&gt;&#10;&lt;li&gt;Lowpass 下降，&lt;code&gt;MarketDir = 0&lt;/code&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;测试结果：盈利因子和 PRR 小幅提升，年化夏普比率几乎不变，最大回撤小幅提升。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="实验-2改造评分系统"&gt;&lt;span&gt;实验 2：改造评分系统&lt;/span&gt;&#10; &lt;a href="#%e5%ae%9e%e9%aa%8c-2%e6%94%b9%e9%80%a0%e8%af%84%e5%88%86%e7%b3%bb%e7%bb%9f" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;code&gt;vix &amp;gt; vix3m&lt;/code&gt; 和 &lt;code&gt;标准信用比率 &amp;lt; -2&lt;/code&gt; 衡量的是尾部风险而非趋势方向，在熊市早期根本不成立：只要不发生崩盘，VIX 会一直小于 VIX3M，标准信用比率则会一直高于 -2，两项得分相加等于 2，导致策略一直半仓做多。这正是熊市早期或晚期持续亏损的根本原因。&lt;/p&gt;&#10;&lt;p&gt;改造逻辑：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;引入新指标：低通滤波器（回溯期 = 200）。&lt;/li&gt;&#10;&lt;li&gt;当价格高于 SMA(200) 且 Lowpass(200) 上升时才能做多；当价格低于 SMA(200) 且 Lowpass(200) 下降时，强制空仓。&lt;/li&gt;&#10;&lt;li&gt;将趋势线作为衡量趋势方向的根本指标，尽可能过滤熊市早期波动率和信用指标的错误信号，同时保留熊市向牛市转换期间的抢跑优势。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;测试结果：与原策略和实验 1 相比，盈利因子和 PRR 进一步上升，但回撤没有下降，夏普比率和索提诺比率小幅降低，表明实验 2 的机制仍无法降低回撤风险。从历史交易来看，该机制确实剔除了熊市早期因波动率和信用指标导致的半仓做多交易，但长期表现未能改善。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="实验-3改造信用指标"&gt;&lt;span&gt;实验 3：改造信用指标&lt;/span&gt;&#10; &lt;a href="#%e5%ae%9e%e9%aa%8c-3%e6%94%b9%e9%80%a0%e4%bf%a1%e7%94%a8%e6%8c%87%e6%a0%87" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;元策略先计算价格比率再标准化，当标准信用比率 &amp;lt; -2 时，衡量的是尾部风险，而不是对广泛熊市行情风险的度量，因此在结构性熊市的多数时候都会失效。&lt;/p&gt;&#10;&lt;p&gt;改造逻辑：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;计算标准信用比率，然后做移动平滑。&lt;/li&gt;&#10;&lt;li&gt;ratio &amp;gt; lowpass(ratio, 100)：风险偏好，score = 1。&lt;/li&gt;&#10;&lt;li&gt;ratio &amp;lt; lowpass(ratio, 100)：风险规避，score = 0。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;测试结果：策略表现显著恶化。信用比率和平滑线经常发生交叉，导致产生非常多的交易，熊市早期和牛市中后期皆然。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="实验-4改造波动率指标"&gt;&lt;span&gt;实验 4：改造波动率指标&lt;/span&gt;&#10; &lt;a href="#%e5%ae%9e%e9%aa%8c-4%e6%94%b9%e9%80%a0%e6%b3%a2%e5%8a%a8%e7%8e%87%e6%8c%87%e6%a0%87" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;code&gt;vix &amp;lt; vix3m &amp;amp;&amp;amp; (vix &amp;lt; 22 || vix &amp;lt; sma(vix, 50))&lt;/code&gt;，即 &lt;code&gt;marketvola = 1&lt;/code&gt;。新增绝对水平和趋势过滤：不仅要求 VIX 低于 VIX3M，还要求处于较低水平，才能说明波动率环境支持做多。&lt;/p&gt;&#10;&lt;p&gt;测试结果：交易次数上升，综合表现弱于原策略。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="四组实验业绩汇总"&gt;&lt;span&gt;四组实验业绩汇总&lt;/span&gt;&#10; &lt;a href="#%e5%9b%9b%e7%bb%84%e5%ae%9e%e9%aa%8c%e4%b8%9a%e7%bb%a9%e6%b1%87%e6%80%bb" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;指标&lt;/th&gt;&#10; &lt;th&gt;原策略&lt;/th&gt;&#10; &lt;th&gt;改造趋势层&lt;/th&gt;&#10; &lt;th&gt;改造评分系统&lt;/th&gt;&#10; &lt;th&gt;改造信用指标&lt;/th&gt;&#10; &lt;th&gt;改造波动率&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;净值最大回撤&lt;/td&gt;&#10; &lt;td&gt;20.8%&lt;/td&gt;&#10; &lt;td&gt;21.4%&lt;/td&gt;&#10; &lt;td&gt;23.1%&lt;/td&gt;&#10; &lt;td&gt;25.3%&lt;/td&gt;&#10; &lt;td&gt;19.7%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;余额最大回撤&lt;/td&gt;&#10; &lt;td&gt;16.3%&lt;/td&gt;&#10; &lt;td&gt;18.1%&lt;/td&gt;&#10; &lt;td&gt;17.1%&lt;/td&gt;&#10; &lt;td&gt;24.2%&lt;/td&gt;&#10; &lt;td&gt;17.5%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;交易次数&lt;/td&gt;&#10; &lt;td&gt;265&lt;/td&gt;&#10; &lt;td&gt;260&lt;/td&gt;&#10; &lt;td&gt;196&lt;/td&gt;&#10; &lt;td&gt;399&lt;/td&gt;&#10; &lt;td&gt;283&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;年均交易次数&lt;/td&gt;&#10; &lt;td&gt;15&lt;/td&gt;&#10; &lt;td&gt;14&lt;/td&gt;&#10; &lt;td&gt;11&lt;/td&gt;&#10; &lt;td&gt;22&lt;/td&gt;&#10; &lt;td&gt;16&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;胜率&lt;/td&gt;&#10; &lt;td&gt;50%&lt;/td&gt;&#10; &lt;td&gt;47%&lt;/td&gt;&#10; &lt;td&gt;49%&lt;/td&gt;&#10; &lt;td&gt;56%&lt;/td&gt;&#10; &lt;td&gt;50.5%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长连续亏损&lt;/td&gt;&#10; &lt;td&gt;8&lt;/td&gt;&#10; &lt;td&gt;9&lt;/td&gt;&#10; &lt;td&gt;10&lt;/td&gt;&#10; &lt;td&gt;9&lt;/td&gt;&#10; &lt;td&gt;9&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;CAGR&lt;/td&gt;&#10; &lt;td&gt;9.5%&lt;/td&gt;&#10; &lt;td&gt;9.6%&lt;/td&gt;&#10; &lt;td&gt;8.7%&lt;/td&gt;&#10; &lt;td&gt;7.2%&lt;/td&gt;&#10; &lt;td&gt;9%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;ROI&lt;/td&gt;&#10; &lt;td&gt;24%&lt;/td&gt;&#10; &lt;td&gt;24.6%&lt;/td&gt;&#10; &lt;td&gt;20%&lt;/td&gt;&#10; &lt;td&gt;14.5%&lt;/td&gt;&#10; &lt;td&gt;21.8%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;盈利因子&lt;/td&gt;&#10; &lt;td&gt;2.47&lt;/td&gt;&#10; &lt;td&gt;2.59&lt;/td&gt;&#10; &lt;td&gt;2.69&lt;/td&gt;&#10; &lt;td&gt;1.81&lt;/td&gt;&#10; &lt;td&gt;2.44&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;PRR&lt;/td&gt;&#10; &lt;td&gt;2.08&lt;/td&gt;&#10; &lt;td&gt;2.17&lt;/td&gt;&#10; &lt;td&gt;2.19&lt;/td&gt;&#10; &lt;td&gt;1.57&lt;/td&gt;&#10; &lt;td&gt;2.06&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;夏普比率&lt;/td&gt;&#10; &lt;td&gt;0.75&lt;/td&gt;&#10; &lt;td&gt;0.76&lt;/td&gt;&#10; &lt;td&gt;0.72&lt;/td&gt;&#10; &lt;td&gt;0.71&lt;/td&gt;&#10; &lt;td&gt;0.77&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;索提诺比率&lt;/td&gt;&#10; &lt;td&gt;0.69&lt;/td&gt;&#10; &lt;td&gt;0.71&lt;/td&gt;&#10; &lt;td&gt;0.66&lt;/td&gt;&#10; &lt;td&gt;0.65&lt;/td&gt;&#10; &lt;td&gt;0.71&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;hr&gt;&#10;&lt;h2 class="heading-element" id="总结"&gt;&lt;span&gt;总结&lt;/span&gt;&#10; &lt;a href="#%e6%80%bb%e7%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;四组实验中，只有实验 1（改造趋势指标）能够温和提升策略表现，其余均失败。&lt;/p&gt;&#10;&lt;p&gt;三指标趋势滤波器最大的问题在于：波动率指标和信用指标衡量的是尾部风险，它们并不是长期熊市的预测指标。在熊市早期和熊市末期，这两个指标都会支持做多，目前暂时没有好的解决办法。&lt;/p&gt;&#10;&lt;p&gt;事实上，也许根本不需要解决这些&amp;quot;问题&amp;quot;。Lowpass 已经非常优秀：它不仅能过滤结构性熊市，还能避开黑天鹅事件导致的闪崩（尽管相对滞后），且自身参数极少，这才是最好的趋势滤波器。&lt;/p&gt;&#10;</description></item><item><title>避开四次熔断的标普500择时模型：趋势+波动率+信用利差</title><link>http://localhost:1313/posts/sp500-market-filter/</link><pubDate>Fri, 30 Oct 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/sp500-market-filter/</guid><category domain="http://localhost:1313/categories/%E9%87%8F%E5%8C%96%E7%A0%94%E7%A9%B6/">量化研究</category><description>&lt;img src="http://localhost:1313/posts/sp500-market-filter/image.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;h2 class="heading-element" id="1策略思路"&gt;&lt;span&gt;1.策略思路&lt;/span&gt;&#10; &lt;a href="#1%e7%ad%96%e7%95%a5%e6%80%9d%e8%b7%af" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="11-核心逻辑"&gt;&lt;span&gt;1.1 核心逻辑&lt;/span&gt;&#10; &lt;a href="#11-%e6%a0%b8%e5%bf%83%e9%80%bb%e8%be%91" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;根据&lt;strong&gt;趋势，波动率期限结构，信贷条件&lt;/strong&gt;构造一个市场状态滤波器，将标普500的市场状态划分为三种：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;风险偏好：全仓做多&lt;/li&gt;&#10;&lt;li&gt;谨慎：半仓做多&lt;/li&gt;&#10;&lt;li&gt;风险规避：全部平仓，离场观望&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;参考文章：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;a href="https://financial-hacker.com/the-market-regime-filter/" target="_blank" rel="external nofollow noopener noreferrer"&gt;The Market Regime Filter&lt;i class="fa-solid fa-external-link-alt fa-xs ms-1 text-secondary" aria-hidden="true"&gt;&lt;/i&gt;&lt;/a&gt;&lt;/li&gt;&#10;&lt;li&gt;&lt;a href="https://fabiobaruffa.com/articles/market-regime-framework/" target="_blank" rel="external nofollow noopener noreferrer"&gt;Market Regime Framework&lt;i class="fa-solid fa-external-link-alt fa-xs ms-1 text-secondary" aria-hidden="true"&gt;&lt;/i&gt;&lt;/a&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h3 class="heading-element" id="12-三个指标"&gt;&lt;span&gt;1.2 三个指标&lt;/span&gt;&#10; &lt;a href="#12-%e4%b8%89%e4%b8%aa%e6%8c%87%e6%a0%87" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;趋势&lt;/strong&gt;&lt;/p&gt;&#10;&lt;p&gt;标普500价格是否高于 200 天 SMA。二元分类：高于视为牛市，低于视为熊市。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;波动率期限结构&lt;/strong&gt;&lt;/p&gt;&#10;&lt;p&gt;VIX（30天标普500期权的隐含波动率）与 VIX3M（3个月标普500期权的隐含波动率）比较。通常 VIX 低于 VIX3M，属于正常的市场结构。若 VIX 高于 VIX3M，说明短期风险飙升，股市下跌风险显著增加。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;信用状况&lt;/strong&gt;&lt;/p&gt;&#10;&lt;p&gt;用 HYG/IEF 比率作为信用利差的代理变量：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;HYG：高收益垃圾债 ETF&lt;/li&gt;&#10;&lt;li&gt;IEF：7-10 年国债 ETF&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;信用市场对风险变化最敏感，当投资者从高收益债券转向低风险国债时，说明市场风险偏好正在恶化，这是风险资产下跌的领先指标。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="13-综合评分"&gt;&lt;span&gt;1.3 综合评分&lt;/span&gt;&#10; &lt;a href="#13-%e7%bb%bc%e5%90%88%e8%af%84%e5%88%86" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;将三个指标合并为一个综合评分，划分三种市场状态：&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;评分&lt;/th&gt;&#10; &lt;th&gt;市场状态&lt;/th&gt;&#10; &lt;th&gt;仓位&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;3&lt;/td&gt;&#10; &lt;td&gt;风险偏好&lt;/td&gt;&#10; &lt;td&gt;全仓做多&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;2&lt;/td&gt;&#10; &lt;td&gt;谨慎&lt;/td&gt;&#10; &lt;td&gt;半仓做多&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;0 或 1&lt;/td&gt;&#10; &lt;td&gt;风险规避&lt;/td&gt;&#10; &lt;td&gt;全部平仓&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;h2 class="heading-element" id="2-准备数据"&gt;&lt;span&gt;2. 准备数据&lt;/span&gt;&#10; &lt;a href="#2-%e5%87%86%e5%a4%87%e6%95%b0%e6%8d%ae" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;从 Yahoo Finance 获取日历史数据。数据质量不高，但用于验证策略原型完全足够。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="3-配置资产列表"&gt;&lt;span&gt;3. 配置资产列表&lt;/span&gt;&#10; &lt;a href="#3-%e9%85%8d%e7%bd%ae%e8%b5%84%e4%ba%a7%e5%88%97%e8%a1%a8" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;回测工具：Zorro。&lt;/p&gt;&#10;&lt;p&gt;首先要准备资产列表&lt;code&gt;AssetsIBdemo.csv&lt;/code&gt;。&lt;/p&gt;&#10;&lt;p&gt;策略加载多个资产的历史数据，但只交易 &lt;code&gt;SPY&lt;/code&gt;，因此只需设置 &lt;code&gt;SPY&lt;/code&gt; 的资产参数：&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;参数&lt;/th&gt;&#10; &lt;th&gt;含义&lt;/th&gt;&#10; &lt;th&gt;设置&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;code&gt;spread&lt;/code&gt;&lt;/td&gt;&#10; &lt;td&gt;最优卖价与最优买价之差&lt;/td&gt;&#10; &lt;td&gt;0.02&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;code&gt;rolllong&lt;/code&gt; / &lt;code&gt;rollshort&lt;/code&gt;&lt;/td&gt;&#10; &lt;td&gt;隔夜利息，股票不适用&lt;/td&gt;&#10; &lt;td&gt;0&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;code&gt;pip&lt;/code&gt;&lt;/td&gt;&#10; &lt;td&gt;最小价格增量&lt;/td&gt;&#10; &lt;td&gt;0.01&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;code&gt;pipcost&lt;/code&gt;&lt;/td&gt;&#10; &lt;td&gt;1 手资产波动 1 个点的盈亏价值（计价货币）&lt;/td&gt;&#10; &lt;td&gt;0.01&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;code&gt;margincost&lt;/code&gt;&lt;/td&gt;&#10; &lt;td&gt;持有 1 手的保证金，-100表示不用杠杆&lt;/td&gt;&#10; &lt;td&gt;-100&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;code&gt;market&lt;/code&gt;&lt;/td&gt;&#10; &lt;td&gt;时区与开收盘时间，仅影响日内交易&lt;/td&gt;&#10; &lt;td&gt;&lt;code&gt;EST:0930-1600&lt;/code&gt;&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;code&gt;multiplier&lt;/code&gt; / &lt;code&gt;lotamount&lt;/code&gt;&lt;/td&gt;&#10; &lt;td&gt;1 手对应的实际订单量&lt;/td&gt;&#10; &lt;td&gt;1（1 手 = 1 股）&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;code&gt;commission&lt;/code&gt;&lt;/td&gt;&#10; &lt;td&gt;一笔完整交易（开仓+平仓）的佣金&lt;/td&gt;&#10; &lt;td&gt;0.01&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;p&gt;关于 &lt;code&gt;commission&lt;/code&gt; 的补充说明：IB 按股数收费，并有单笔最低/最高费用限制。固定层级费用为 0.005 美元/股，每单最低 1 美元，上限为交易额的 1%。例如交易 80 股，佣金 = 0.005 × 80 × 2 = 0.8 美元。为保持简单，回测忽略了上限和下限。&lt;/p&gt;&#10;&lt;p&gt;此外滑点将使用 Zorro 内置的滑点模型，假设延迟5秒成交，实际成交价会轻微偏离当时的市场价。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="4-回溯检验"&gt;&lt;span&gt;4. 回溯检验&lt;/span&gt;&#10; &lt;a href="#4-%e5%9b%9e%e6%ba%af%e6%a3%80%e9%aa%8c" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;pre&gt;&lt;code&gt;// Market Regime Model for sp500&#10;&#10;#include &amp;lt;utils.c&amp;gt;&#10;&#10;var assetPrice(string Name)&#10;{&#10;&#9;asset(Name);&#10;&#9;var Price = priceC();&#10;&#9;asset(AssetPrev);&#10;&#9;return Price;&#10;}&#10;&#10;int marketDir(int TimePeriod)&#10;{&#10;&#9;asset(&amp;#34;SPY&amp;#34;);&#10;&#9;return priceC() &amp;gt; SMA(seriesC(),TimePeriod);&#10;}&#10;&#10;int marketVolatility()&#10;{&#10;&#9;return assetPrice(&amp;#34;VIX&amp;#34;) &amp;lt; assetPrice(&amp;#34;VIX3M&amp;#34;);&#10;}&#10;&#10;var marketCC(int TimePeriod)&#10;{&#10;&#9;var Ratio = assetPrice(&amp;#34;HYG&amp;#34;)/fix0(assetPrice(&amp;#34;IEF&amp;#34;));&#10;&#9;return zscore(Ratio,TimePeriod);&#10;}&#10;&#10;function run()&#10;{&#10; // zorro 设置&#10;&#9;set(LOGFILE,PLOTNOW);&#10;&#9;// Verbose = 3;&#10;&#9;setf(PlotMode,PL_DIFF);&#10;&#9;BarPeriod = 1440; // 日图&#10;&#9;StartDate = 2008; // 回溯开始&#10;&#9;EndDate = 2026; // 回溯结束&#10;&#9;LookBack = 200; // 回溯开始前预留数据，预计算指标&#10;&#9;History = &amp;#34;?.t6&amp;#34;; // SPY.t6, VIX.t6&#10;&#9;Capital = 10000; // 初始资本&#10;&#9;Leverage = 1; // 杠杆水平&#10;&#9;Fill = 3; // 1:模拟收盘价成交；3:次日开盘价成交&#10;&#10;&#9;// 加载资产列表，交易SPY&#10;&#9;assetList(&amp;#34;AssetsIBdemo&amp;#34;);&#10;&#9;asset(&amp;#34;SPY&amp;#34;); // 因为 SPY 历史数据最全，所以先调用，当其它资产有缺失向前填充&#10;&#10;&#9;// 计算指标&#10;&#9;var CreditRatio = marketCC(100);&#10;&#9;int Score = marketDir(200) &amp;#43; marketVolatility() &amp;#43; (CreditRatio &amp;gt; -2);&#10;&#10;&#9;// 仓位调整：0=空仓（score&amp;lt;2）1=半仓（score=2）2=全仓（score=3）&#10;&#9;int Regime = clamp(Score - 1, 0, 2);&#10;&#9;vars Regimes = series(Regime, 2);&#10;&#9;int Exposure = (Capital &amp;#43; ProfitTotal) / priceC() * Regime / 2;&#10;&#10;&#9;if(is(LOOKBACK)) return;&#10;&#10;&#9;// 订单逻辑&#10; if(Regimes[0] != Regimes[1] || (Exposure &amp;gt; 0 &amp;amp;&amp;amp; LotsPool == 0)) {&#10; log(strf(&amp;#34;Regime: %d -&amp;gt; %d, Exposure = %d, LotsPool = %d&amp;#34;,&#10; (int)Regimes[1], (int)Regimes[0], Exposure, LotsPool));&#10; if(Exposure &amp;gt; LotsPool)&#10; enterLong(Exposure - LotsPool);&#10; else if(Exposure &amp;lt; LotsPool)&#10; exitLong(0, 0, LotsPool - Exposure);&#10; }&#10;&#10; // 图表&#10;&#9;plot(&amp;#34;Score&amp;#34;, Score, NEW, BLUE);&#10;&#9;plot(&amp;#34;#0&amp;#34;, 0, NEW, WHITE);&#10;&#9;if(Score == 3)&#10;&#9;&#9;plot(&amp;#34;Bullish&amp;#34;, 1, BARS, GREEN);&#10;&#9;else if(Score == 2)&#10;&#9;&#9;plot(&amp;#34;Caution&amp;#34;, 1, BARS, ORANGE);&#10;&#9;else&#10;&#9;&#9;plot(&amp;#34;Risk&amp;#34;, 1, BARS, RED);&#10;}&lt;/code&gt;&lt;/pre&gt;&lt;h3 class="heading-element" id="要点说明"&gt;&lt;span&gt;要点说明&lt;/span&gt;&#10; &lt;a href="#%e8%a6%81%e7%82%b9%e8%af%b4%e6%98%8e" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;评分计算的核心代码：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;var CreditRatio = marketCC(100);&#10;int Score = marketDir(200) &amp;#43; marketVolatility() &amp;#43; (CreditRatio &amp;gt; -2);&lt;/code&gt;&lt;/pre&gt;&lt;ul&gt;&#10;&lt;li&gt;&lt;code&gt;marketDir&lt;/code&gt;：标普500是否高于 200 天均线。是返回 1，否返回 0。&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;marketVolatility&lt;/code&gt;：波动率期限结构。VIX &amp;lt; VIX3M 返回 1，否则返回 0。&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;marketCC&lt;/code&gt;：高收益债与国债的标准化价格比率。若大于 -2 返回 1，否则返回 0。比率低于 -2 说明信贷市场风险飙升，是风险资产暴跌的领先信号。&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;Score&lt;/code&gt;：三个指标的等权重求和，取值 0-3：&#10;&lt;ul&gt;&#10;&lt;li&gt;0 或 1：至少两个指标发出危险信号 → 全部平仓。&lt;/li&gt;&#10;&lt;li&gt;2：仅一个指标看空，市场处于上涨或转跌的中间阶段 → 半仓做多。&lt;/li&gt;&#10;&lt;li&gt;3：全部指标看多，继续上涨概率最高 → 全仓做多。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="5-回测结果"&gt;&lt;span&gt;5. 回测结果&lt;/span&gt;&#10; &lt;a href="#5-%e5%9b%9e%e6%b5%8b%e7%bb%93%e6%9e%9c" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-market-filter/image.png' alt="image.png" height="1838" width="2832"&gt;&lt;/p&gt;&#10;&lt;p&gt;测试区间为 2008 年 10 月 - 2026 年 10 月。部分 ETF 历史数据不足，因此只能从 2008 年 10 月开始。&lt;/p&gt;&#10;&lt;p&gt;主要指标如下：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;最大回撤&lt;/strong&gt;：14.6%，最长回撤持续 85 周。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;交易次数&lt;/strong&gt;：234 笔，胜率约 52%。（Zorro 按平仓统计交易：若先全仓做多，中途减仓 50%，最后全部平仓，则计为两笔交易。）&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;收益&lt;/strong&gt;：复合年化增长率（CAGR）10.7%；年均资本收益率（ROI，年均利润/初始资本）29.3%。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;风险调整收益&lt;/strong&gt;：盈利因子 2.66，PRR 2.16，年化夏普比率 0.78。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;总体来看，策略表现优秀。虽然回测中没有将买入持有作为对照组，但基于经验可以初步判断：这个趋势滤波器确实帮助交易者规避了大量回撤。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-market-filter/image_1.png' alt="image.png" height="1144" width="996"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="6-评估趋势滤波器"&gt;&lt;span&gt;6. 评估趋势滤波器&lt;/span&gt;&#10; &lt;a href="#6-%e8%af%84%e4%bc%b0%e8%b6%8b%e5%8a%bf%e6%bb%a4%e6%b3%a2%e5%99%a8" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="61-2018-年四季度噪音较多"&gt;&lt;span&gt;6.1 2018 年四季度：噪音较多&lt;/span&gt;&#10; &lt;a href="#61-2018-%e5%b9%b4%e5%9b%9b%e5%ad%a3%e5%ba%a6%e5%99%aa%e9%9f%b3%e8%be%83%e5%a4%9a" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;背景：加息 + 贸易战 + 增长放缓，标普500跌近 20%，圣诞前夜一度接近熊市。&lt;/p&gt;&#10;&lt;p&gt;表现：滤波器分数在 1-3 之间反复横跳，产生了一些亏损。12 月基本保持空仓，避开了最深的下跌，并在 2019 年 1 月初发出半仓买入信号。&lt;/p&gt;&#10;&lt;p&gt;结论：整体表现一般，趋势转换初期噪音较多。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="62-2020-年-2-3-月成功避开闪崩"&gt;&lt;span&gt;6.2 2020 年 2-3 月：成功避开闪崩&lt;/span&gt;&#10; &lt;a href="#62-2020-%e5%b9%b4-2-3-%e6%9c%88%e6%88%90%e5%8a%9f%e9%81%bf%e5%bc%80%e9%97%aa%e5%b4%a9" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;背景：疫情爆发，美股 4 次熔断（3/9、3/12、3/16、3/18），标普在 33 个交易日内下跌 34%。&lt;/p&gt;&#10;&lt;p&gt;表现：滤波器在 2 月 24 日发出减仓信号，25 日发出全平信号，成功避开这轮史上最快的下跌。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-market-filter/image_2.png' alt="image.png" height="1838" width="2828"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="63-2022-年表现最差的一年"&gt;&lt;span&gt;6.3 2022 年：表现最差的一年&lt;/span&gt;&#10; &lt;a href="#63-2022-%e5%b9%b4%e8%a1%a8%e7%8e%b0%e6%9c%80%e5%b7%ae%e7%9a%84%e4%b8%80%e5%b9%b4" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;背景：2 月俄乌战争爆发；3 月至 2023 年 7 月，美联储开启史上最快加息周期；标普500全年下跌，熊市贯穿全年。&lt;/p&gt;&#10;&lt;p&gt;表现：策略全年亏损 18%，是整个回测周期中表现最差的一年。整个 2022 年，滤波器基本处于&amp;quot;谨慎&amp;quot;状态，维持半仓做多。&lt;/p&gt;&#10;&lt;p&gt;分析信号可以发现两个问题：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;第一次进场信号其实不差，基本能在中期下跌筑底后做多。&lt;/li&gt;&#10;&lt;li&gt;第二次做多（评分从 2 升到 3）买在了最高点，且平仓机制很糟糕——几乎等到趋势完全反转后，才亏损离场。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;个人认为，如果优化平仓机制，并加入止损/跟踪止损/盈亏平衡等风控，应该能明显改善该年度表现，至少做到不亏损。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-market-filter/image_3.png' alt="image.png" height="1834" width="2828"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="64-2025-年-3-4-月及时规避关税冲击"&gt;&lt;span&gt;6.4 2025 年 3-4 月：及时规避关税冲击&lt;/span&gt;&#10; &lt;a href="#64-2025-%e5%b9%b4-3-4-%e6%9c%88%e5%8f%8a%e6%97%b6%e8%a7%84%e9%81%bf%e5%85%b3%e7%a8%8e%e5%86%b2%e5%87%bb" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;背景：标普500下跌，主因可能是特朗普关税战引发的广泛担忧。&lt;/p&gt;&#10;&lt;p&gt;表现：滤波器过滤了 4 月的深跌，4 月最后一周半仓做多，5 月第一周全仓做多。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/sp500-market-filter/image_4.png' alt="image.png" height="1828" width="2834"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="65-小结"&gt;&lt;span&gt;6.5 小结&lt;/span&gt;&#10; &lt;a href="#65-%e5%b0%8f%e7%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;从历史交易来看，这个趋势滤波器：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;能有效避开快速且持续的深跌。&lt;/li&gt;&#10;&lt;li&gt;牛熊转换期间可能产生亏损，但幅度不大，基本是回吐上一轮牛市的部分盈利。&lt;/li&gt;&#10;&lt;li&gt;面对锯齿式波动（下跌时间短，行情反复）会失效，例如2022年。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;后续改进方向：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;用 lowpass 趋势跟随策略作为对照组，检验该滤波器能否跑赢简单的趋势指标。&lt;/li&gt;&#10;&lt;li&gt;改善平仓机制，增加风控机制。&lt;/li&gt;&#10;&lt;li&gt;优化参数，并进行 WFA 检验。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;</description></item><item><title>美股历史数据获取：Yahoo Finance 转 Zorro 回测格式</title><link>http://localhost:1313/posts/us-stock-data-zorro/</link><pubDate>Thu, 29 Oct 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/us-stock-data-zorro/</guid><category domain="http://localhost:1313/categories/%E9%87%8F%E5%8C%96%E7%A0%94%E7%A9%B6/">量化研究</category><description>&lt;img src="http://localhost:1313/posts/us-stock-data-zorro/image_01.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;h2 class="heading-element" id="背景"&gt;&lt;span&gt;背景&lt;/span&gt;&#10; &lt;a href="#%e8%83%8c%e6%99%af" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;用 Zorro 做策略回测，需要 T6 格式的历史数据。Zorro 自带的数据源有限，我常用的几个标的（SPY、VIX、HYG 等）不在其中，只能自己动手准备。&lt;/p&gt;&#10;&lt;p&gt;我的需求很简单：获取美股日线数据，转成 Zorro 能用的格式。&lt;/p&gt;&#10;&lt;p&gt;数据源选择 Yahoo Finance，免费且覆盖面广，虽然数据质量不算高，但用来验证策略原型已经足够。&lt;/p&gt;&#10;&lt;p&gt;整个流程分两步：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;用 Python 下载历史数据，保存为本地 CSV 文件。&lt;/li&gt;&#10;&lt;li&gt;用 lite-C 脚本把 CSV 转成 T6 历史文件。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;h2 class="heading-element" id="第一步python-下载数据"&gt;&lt;span&gt;第一步：Python 下载数据&lt;/span&gt;&#10; &lt;a href="#%e7%ac%ac%e4%b8%80%e6%ad%a5python-%e4%b8%8b%e8%bd%bd%e6%95%b0%e6%8d%ae" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;用 &lt;code&gt;yfinance&lt;/code&gt; 库下载，保存调整后的 OHLCV 数据。完整脚本如下：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;&amp;#34;&amp;#34;&amp;#34;&#10;从 yahoo finance 下载美股日历史数据。&#10;将调整 ohlcv 保存到指定本地目录。&#10;&amp;#34;&amp;#34;&amp;#34;&#10;import os&#10;import time&#10;import warnings&#10;&#10;import yfinance as yf&#10;import pandas as pd&#10;&#10;warnings.filterwarnings(&amp;#34;ignore&amp;#34;)&#10;&#10;# ==================== 参数配置 ====================&#10;TICKERS = [&amp;#34;SPY&amp;#34;, &amp;#34;^VIX&amp;#34;, &amp;#34;^VIX3M&amp;#34;, &amp;#34;HYG&amp;#34;, &amp;#34;IEF&amp;#34;] # 股票代码&#10;START_DATE = &amp;#34;2000-01-01&amp;#34; # 格式: YYYY-MM-DD&#10;END_DATE = &amp;#34;&amp;#34; # &amp;#34;&amp;#34; 表示最新&#10;OUTPUT_DIR = &amp;#34;Log&amp;#34; # 输出目录（相对目录，默认根目录是zorro主目录）&#10;&#10;PROXY_ENABLED = False # 是否使用代理&#10;PROXY_HOST = &amp;#34;127.0.0.1&amp;#34; # 主机地址&#10;PROXY_PORT = 7890 # 代理端口&#10;# =================================================&#10;&#10;def fetch(ticker: str) -&amp;gt; pd.DataFrame:&#10; if PROXY_ENABLED:&#10; yf.config.network.proxy = f&amp;#34;http://{PROXY_HOST}:{PROXY_PORT}&amp;#34;&#10;&#10; df = yf.download(&#10; ticker,&#10; start=START_DATE,&#10; end=END_DATE or None,&#10; interval=&amp;#34;1d&amp;#34;,&#10; auto_adjust=True, # 仅输出调整后 ohlcv&#10; progress=False,&#10; threads=False,&#10; multi_level_index=False,&#10; )&#10; return df&#10;&#10;def save_csv(out_dir: str, ticker: str, df: pd.DataFrame) -&amp;gt; str:&#10; # 部分股票代码包含前缀&amp;#34;^&amp;#34;，删除，确保存储格式一致&#10; filename = ticker.lstrip(&amp;#34;^&amp;#34;)&#10; path = os.path.join(out_dir, f&amp;#34;{filename}.csv&amp;#34;)&#10; df = df[[&amp;#34;Open&amp;#34;, &amp;#34;High&amp;#34;, &amp;#34;Low&amp;#34;, &amp;#34;Close&amp;#34;, &amp;#34;Volume&amp;#34;]]&#10; df.index = df.index.tz_localize(None)&#10; df.to_csv(path, header=True, float_format=&amp;#34;%.4f&amp;#34;, date_format=&amp;#34;%Y-%m-%d&amp;#34;)&#10; return path&#10;&#10;def main():&#10; root = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))&#10; out_dir = os.path.join(root, OUTPUT_DIR)&#10; if not os.path.isdir(out_dir):&#10; os.makedirs(out_dir)&#10;&#10; for ticker in TICKERS:&#10; print(f&amp;#34;Downloading {ticker} ...&amp;#34;)&#10; try:&#10; df = fetch(ticker)&#10; except Exception as e:&#10; print(f&amp;#34; FAILED: {e}&amp;#34;)&#10; continue&#10;&#10; path = save_csv(out_dir, ticker, df)&#10; print(f&amp;#34; SUCCESS: {len(df)} bars -&amp;gt; {path}&amp;#34;)&#10;&#10; if len(TICKERS) &amp;gt; 1:&#10; time.sleep(1) # 限制请求&#10;&#10;if __name__ == &amp;#34;__main__&amp;#34;:&#10; main()&lt;/code&gt;&lt;/pre&gt;&lt;p&gt;要点说明：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;code&gt;auto_adjust=True&lt;/code&gt;：输出复权后的价格，省去自己处理分红拆股。&lt;/li&gt;&#10;&lt;li&gt;文件名处理：指数代码带 &lt;code&gt;^&lt;/code&gt; 前缀（如 &lt;code&gt;^VIX&lt;/code&gt;），保存时去掉，保证文件名统一。&lt;/li&gt;&#10;&lt;li&gt;请求间隔：多个标的循环下载时，每次停顿 1 秒，避免请求过快。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/us-stock-data-zorro/image_01.png' alt="python output" height="538" width="1356"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="第二步zorro-转换为-t6"&gt;&lt;span&gt;第二步：Zorro 转换为 T6&lt;/span&gt;&#10; &lt;a href="#%e7%ac%ac%e4%ba%8c%e6%ad%a5zorro-%e8%bd%ac%e6%8d%a2%e4%b8%ba-t6" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;CSV 不是 Zorro 的原生格式，回测前要转成 T6 历史文件，需要创建 lite-c 脚本，脚本如下：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;// 将 yahoo finance 日历史数据转化为 t6 历史文件&#10;&#10;// csv 行字段格式，dataParse 函数按照指定格式解析行数据&#10;// &amp;#43;：csv 按升序排列，解析后的历史文件按降序排列&#10;// %Y-%m-%d：日期格式&#10;// f3:开盘价；f1:最高价；f2:最低价；f4:收盘价；f6:成交量&#10;// 默认跳过表头行&#10;// csv 示例：&#10;// Date,Open,High,Low,Close,Volume&#10;// 2000-01-03,92.6650,92.6650,89.9304,90.9070,8164300&#10;// 2000-01-04,89.7155,90.0476,87.2837,87.3520,8089800&#10;string Format = &amp;#34;&amp;#43;%Y-%m-%d,f3,f1,f2,f4,f6&amp;#34;;&#10;&#10;// 要转换的资产id，用逗号分隔&#10;string Symbols = &amp;#34;SPY,VIX,VIX3M,HYG,IEF&amp;#34;;&#10;&#10;// csv 文件目录（相对目录）&#10;string InputDir = &amp;#34;Log&amp;#34;;&#10;&#10;// t6 历史文件目录&#10;string OutputDir = &amp;#34;History&amp;#34;;&#10;&#10;function main()&#10;{&#10; int n = 0;&#10; string Symbol = strtok(Symbols, &amp;#34;,&amp;#34;);&#10; while(Symbol) {&#10; printf(&amp;#34;\n[%d] Process %s&amp;#34;, &amp;#43;&amp;#43;n, Symbol);&#10;&#10; string InputPath = strf(&amp;#34;%s\\%s.csv&amp;#34;, InputDir, Symbol);&#10; string OutputPath = strf(&amp;#34;%s\\%s.t6&amp;#34;, OutputDir, Symbol);&#10;&#10; if(!file_date(InputPath)) {&#10; printf(&amp;#34;\n[%d] File not found: %s&amp;#34;, InputPath);&#10; Symbol = strtok(0, &amp;#34;,&amp;#34;);&#10; continue;&#10; }&#10;&#10; dataNew(1, 0, 0);&#10; int Records = dataParse(1, Format, InputPath);&#10; if(!Records) {&#10; printf(&amp;#34;\n[%d] Failed to parse csv!&amp;#34;, n);&#10; Symbol = strtok(0, &amp;#34;,&amp;#34;);&#10; continue;&#10; }&#10; &#9;printf(&amp;#34;\n[%d] Loaded %d lines&amp;#34;, n, Records);&#10;&#10; dataSave(1, OutputPath);&#10; &#9;printf(&amp;#34;\n[%d] Save to %s&amp;#34;, n, OutputPath);&#10; Symbol = strtok(0, &amp;#34;,&amp;#34;);&#10; }&#10;}&lt;/code&gt;&lt;/pre&gt;&lt;p&gt;核心逻辑是调用&lt;code&gt;dataParse&lt;/code&gt;和&lt;code&gt;dataSave&lt;/code&gt;函数，&lt;code&gt;Format&lt;/code&gt; 字符串定义了 CSV 的解析规则：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;code&gt;+&lt;/code&gt;：CSV 按日期升序排列，转换后按降序存储，这是 zorro 要求的。&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;%Y-%m-%d&lt;/code&gt;：日期格式。&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;f3,f1,f2,f4,f6&lt;/code&gt;：分别是开盘，最高，最低，收盘，成交量，对应 CSV 的列位置。&lt;/li&gt;&#10;&lt;li&gt;表头行默认跳过，不用额外处理。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;脚本会遍历 &lt;code&gt;Symbols&lt;/code&gt; 里的每个标的，找到对应 CSV，解析后保存到 &lt;code&gt;History&lt;/code&gt; 目录。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/us-stock-data-zorro/image_02.png' alt="zorro output" height="1458" width="590"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="使用步骤"&gt;&lt;span&gt;使用步骤&lt;/span&gt;&#10; &lt;a href="#%e4%bd%bf%e7%94%a8%e6%ad%a5%e9%aa%a4" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;ol&gt;&#10;&lt;li&gt;把 Python 脚本放到 Zorro 主目录下的子目录里，运行它，生成 CSV 文件（自己管理 python 环境）。&lt;/li&gt;&#10;&lt;li&gt;把 Zorro 脚本放入 Zorro 主目录，编译并运行。&lt;/li&gt;&#10;&lt;li&gt;到 &lt;code&gt;History&lt;/code&gt; 目录确认 T6 文件是否生成。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;h2 class="heading-element" id="注意事项"&gt;&lt;span&gt;注意事项&lt;/span&gt;&#10; &lt;a href="#%e6%b3%a8%e6%84%8f%e4%ba%8b%e9%a1%b9" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;ul&gt;&#10;&lt;li&gt;CSV 文件名必须和 &lt;code&gt;Symbols&lt;/code&gt; 里的名称一致。比如 &lt;code&gt;^VIX&lt;/code&gt; 下载后存为 &lt;code&gt;VIX.csv&lt;/code&gt;，&lt;code&gt;Symbols&lt;/code&gt; 里就写 &lt;code&gt;VIX&lt;/code&gt;。&lt;/li&gt;&#10;&lt;li&gt;如果某个 CSV 缺失或解析失败，脚本会跳过它，继续处理下一个，不会中断。&lt;/li&gt;&#10;&lt;li&gt;目录路径是相对 Zorro 主目录的。如果放别处，改 &lt;code&gt;InputDir&lt;/code&gt; 和 &lt;code&gt;OUTPUT_DIR&lt;/code&gt; 即可。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="小结"&gt;&lt;span&gt;小结&lt;/span&gt;&#10; &lt;a href="#%e5%b0%8f%e7%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;处理流程包含两步：Python 负责下载，Zorro 负责转换。数据质量虽一般，但足够验证策略原型。原型验证通过后，再换更高质量的数据源进行深度测试和优化。&lt;/p&gt;&#10;</description></item><item><title>基于随机森林的市场结构预测：机器学习在量化交易中的实战应用</title><link>http://localhost:1313/posts/ml-random-forest/</link><pubDate>Wed, 01 Apr 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/ml-random-forest/</guid><category domain="http://localhost:1313/categories/%E4%BA%A4%E6%98%93%E7%AD%96%E7%95%A5/">交易策略</category><description>&lt;img src="http://localhost:1313/posts/ml-random-forest/image.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;h2 class="heading-element" id="1-研究背景"&gt;&lt;span&gt;1. 研究背景&lt;/span&gt;&#10; &lt;a href="#1-%e7%a0%94%e7%a9%b6%e8%83%8c%e6%99%af" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;在量化交易领域，准确识别当前及未来的“市场结构”是策略能否获利的关键。传统的趋势过滤工具（如均线、通道）往往在行情转换期表现滞后。本文将探讨如何通过机器学习中的随机森林（Random Forest）模型，结合 Zorro 回测框架与 R 语言的高级计算能力，构建一个能够预测未来市场结构的分类模型。&lt;/p&gt;&#10;&lt;p&gt;本文不仅涵盖了底层的技术实现逻辑，还将通过“基准策略”与“机器学习策略”的对比实验，客观评估机器学习在实际交易中的增量价值。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="2-通用机器学习模型架构"&gt;&lt;span&gt;2. 通用机器学习模型架构&lt;/span&gt;&#10; &lt;a href="#2-%e9%80%9a%e7%94%a8%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0%e6%a8%a1%e5%9e%8b%e6%9e%b6%e6%9e%84" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="21-工作原理与交互流程"&gt;&lt;span&gt;2.1 工作原理与交互流程&lt;/span&gt;&#10; &lt;a href="#21-%e5%b7%a5%e4%bd%9c%e5%8e%9f%e7%90%86%e4%b8%8e%e4%ba%a4%e4%ba%92%e6%b5%81%e7%a8%8b" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;在 Zorro 框架下，机器学习任务通常通过 &lt;code&gt;adviseLong(NEURAL)&lt;/code&gt; 函数驱动，并利用 &lt;code&gt;neural&lt;/code&gt; 桥函数与外部 R 脚本进行高效交互。其核心工作流如下：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;&lt;code&gt;adviseLong(NEURAL)&lt;/code&gt;：主入口函数，触发外部机器学习模型的训练与预测任务。&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;neural&lt;/code&gt; 桥函数：负责 C 与 R 语言之间的数据传递与状态同步。&lt;/li&gt;&#10;&lt;li&gt;自定义 R 脚本：利用 R 丰富的统计包（如 &lt;code&gt;ranger&lt;/code&gt;）执行具体的模型训练、预测及序列化操作。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;h3 class="heading-element" id="22-neural-函数的状态管理"&gt;&lt;span&gt;2.2 Neural 函数的状态管理&lt;/span&gt;&#10; &lt;a href="#22-neural-%e5%87%bd%e6%95%b0%e7%9a%84%e7%8a%b6%e6%80%81%e7%ae%a1%e7%90%86" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;code&gt;neural&lt;/code&gt; 函数根据当前策略的生命周期，通过不同的 &lt;code&gt;Status&lt;/code&gt; 参数执行相应的操作：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;NEURAL_INIT&lt;/strong&gt;：在 &lt;code&gt;INITRUN&lt;/code&gt; 后调用，用于初始化 R 运行环境及加载机器学习库。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;NEURAL_EXIT&lt;/strong&gt;：在 &lt;code&gt;EXITRUN&lt;/code&gt; 后执行，负责清理内存与释放资源。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;NEURAL_TRAIN&lt;/strong&gt;：在 WFO 训练周期结束时触发，执行模型拟合。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;NEURAL_PREDICT&lt;/strong&gt;：在测试或交易模式下，调用 &lt;code&gt;advise&lt;/code&gt; 生成实时预测。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;NEURAL_SAVE / NEURAL_LOAD&lt;/strong&gt;：负责将训练好的模型持久化到本地，并在回测/实盘开始前重新加载。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h3 class="heading-element" id="23-r-脚本接口规范"&gt;&lt;span&gt;2.3 R 脚本接口规范&lt;/span&gt;&#10; &lt;a href="#23-r-%e8%84%9a%e6%9c%ac%e6%8e%a5%e5%8f%a3%e8%a7%84%e8%8c%83" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;用户需要实现一个与策略同名的 &lt;code&gt;.r&lt;/code&gt; 文件，其中包含以下标准接口：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;code&gt;neural.init()&lt;/code&gt;：初始化包环境。&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;neural.train(model, XY)&lt;/code&gt;：接收特征矩阵 &lt;code&gt;XY&lt;/code&gt;（最后一列为目标变量），执行模型训练。&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;neural.save(filename)&lt;/code&gt; / &lt;code&gt;neural.load(filename)&lt;/code&gt;：模型的保存与读取。&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;neural.predict(model, X)&lt;/code&gt;：基于特征向量 &lt;code&gt;X&lt;/code&gt; 输出预测类别。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="3-特征工程与目标变量"&gt;&lt;span&gt;3. 特征工程与目标变量&lt;/span&gt;&#10; &lt;a href="#3-%e7%89%b9%e5%be%81%e5%b7%a5%e7%a8%8b%e4%b8%8e%e7%9b%ae%e6%a0%87%e5%8f%98%e9%87%8f" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="31-目标变量未来市场结构"&gt;&lt;span&gt;3.1 目标变量：未来市场结构&lt;/span&gt;&#10; &lt;a href="#31-%e7%9b%ae%e6%a0%87%e5%8f%98%e9%87%8f%e6%9c%aa%e6%9d%a5%e5%b8%82%e5%9c%ba%e7%bb%93%e6%9e%84" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;我们的研究目标是预测未来 24 小时（4 小时图，未来 6 根 K 线）的市场结构。&#10;为了量化市场状态，我们采用以下逻辑定义目标变量：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;&lt;strong&gt;基准趋势&lt;/strong&gt;：应用低通滤波器（Lowpass Filter）对收盘价进行平滑，识别长期趋势线。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;动态通道&lt;/strong&gt;：根据 &lt;strong&gt;ATR&lt;/strong&gt; 计算趋势线的波动通道。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;三类标签&lt;/strong&gt;：&#10;&lt;ul&gt;&#10;&lt;li&gt;+1 (看涨)：趋势线上升且价格突破通道上轨。&lt;/li&gt;&#10;&lt;li&gt;-1 (看跌)：趋势线下降且价格跌破通道下轨。&lt;/li&gt;&#10;&lt;li&gt;0 (震荡)：不满足上述条件的其余状态。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;h3 class="heading-element" id="32-特征选择"&gt;&lt;span&gt;3.2 特征选择&lt;/span&gt;&#10; &lt;a href="#32-%e7%89%b9%e5%be%81%e9%80%89%e6%8b%a9" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;为了多维度描述市场行为，我们选择了 5 个互补性指标作为模型的输入特征：&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;指标&lt;/th&gt;&#10; &lt;th&gt;类型&lt;/th&gt;&#10; &lt;th&gt;公式&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;AtrRatio&lt;/td&gt;&#10; &lt;td&gt;波动率&lt;/td&gt;&#10; &lt;td&gt;ATR(20)/ATR(100)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Distance2Trend&lt;/td&gt;&#10; &lt;td&gt;趋势&lt;/td&gt;&#10; &lt;td&gt;Price/Lowpass(Price,200) - 1&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;FractalDimension&lt;/td&gt;&#10; &lt;td&gt;市场状态&lt;/td&gt;&#10; &lt;td&gt;FractalDimension(Price,50)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;MACDHistogram&lt;/td&gt;&#10; &lt;td&gt;动能加速度&lt;/td&gt;&#10; &lt;td&gt;MACD(12,26,9)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;AroonOscillator&lt;/td&gt;&#10; &lt;td&gt;市场微观结构&lt;/td&gt;&#10; &lt;td&gt;AroonOsc(200)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;h2 class="heading-element" id="4-随机森林分类模型"&gt;&lt;span&gt;4. 随机森林分类模型&lt;/span&gt;&#10; &lt;a href="#4-%e9%9a%8f%e6%9c%ba%e6%a3%ae%e6%9e%97%e5%88%86%e7%b1%bb%e6%a8%a1%e5%9e%8b" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;我们选择 &lt;code&gt;ranger&lt;/code&gt; 包来实现随机森林，因其在处理大规模数据集时具有极高的计算效率。&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;library(ranger)&#10;&#10;# 定义全局日志文件路径（Zorro 调用 R 时，工作目录通常是 Zorro 根目录）&#10;LOG_FILE &amp;lt;&amp;lt;- &amp;#34;Log/R_ml_rf_v1.log&amp;#34;&#10;&#10;# -----------------------------------------------------------------------&#10;# 自定义日志函数&#10;# -----------------------------------------------------------------------&#10;write_log = function(...) {&#10; # 格式化时间戳 and 消息&#10; msg &amp;lt;- sprintf(...)&#10; timestamp &amp;lt;- format(Sys.time(), &amp;#34;%Y-%m-%d %H:%M:%S&amp;#34;)&#10; out_str &amp;lt;- sprintf(&amp;#34;[%s] %s\n&amp;#34;, timestamp, msg)&#10;&#10; # 追加写入文件 (如果文件或 Log 目录不存在，只需确保 Zorro/Log 文件夹存在即可)&#10; cat(out_str, file = LOG_FILE, append = TRUE)&#10;&#10; # 同时打印到控制台（可选）&#10; # cat(out_str)&#10;}&#10;&#10;# -----------------------------------------------------------------------&#10;# 初始化函数&#10;# -----------------------------------------------------------------------&#10;neural.init = function() {&#10; # 设置随机数种子&#10; set.seed(42)&#10;&#10; # 初始化全局模型列表&#10; Models &amp;lt;&amp;lt;- vector(&amp;#34;list&amp;#34;)&#10;&#10; write_log(&amp;#34;[NEW ZORRO RUN]&amp;#34;)&#10; write_log(&amp;#34;Ranger (Random Forest) 初始化成功. 全局模型列表已建立.&amp;#34;)&#10;}&#10;&#10;# -----------------------------------------------------------------------&#10;# 训练函数&#10;# -----------------------------------------------------------------------&#10;neural.train = function(model_id, XY) {&#10; colnames(XY)[ncol(XY)] &amp;lt;- &amp;#34;target&amp;#34;&#10; XY$target &amp;lt;- factor(XY$target, levels = c(-1, 0, 1))&#10;&#10; # 记录训练开始及样本量&#10; write_log(&amp;#34;开始训练模型 ID: %d, 样本总数: %d&amp;#34;, model_id, nrow(XY))&#10;&#10; # 统计目标变量的分布 (排查是否缺乏某类样本)&#10; dist_table &amp;lt;- table(XY$target)&#10; dist_str &amp;lt;- paste(names(dist_table), dist_table, sep=&amp;#34;:&amp;#34;, collapse=&amp;#34; | &amp;#34;)&#10; write_log(&amp;#34;模型 ID: %d 类别分布: [ %s ]&amp;#34;, model_id, dist_str)&#10;&#10; # 调用 ranger 训练模型&#10; rf_model &amp;lt;- ranger(&#10; formula = target ~ .,&#10; data = XY,&#10; num.trees = 500,&#10; mtry = 2,&#10; importance = &amp;#34;impurity&amp;#34;,&#10; probability = FALSE,&#10; min.node.size = 50&#10; )&#10;&#10; # 记录模型的 OOB 错误率&#10; oob_err &amp;lt;- rf_model$prediction.error * 100&#10; write_log(&amp;#34;模型 ID: %d 训练完成, OOB 错误率: %.2f%%&amp;#34;, model_id, oob_err)&#10;&#10; # 记录特征重要性 (对于分析哪些指标有效非常有帮助)&#10; imp &amp;lt;- sort(rf_model$variable.importance, decreasing = TRUE)&#10; imp_str &amp;lt;- paste(names(imp), round(imp, 4), sep=&amp;#34;=&amp;#34;, collapse=&amp;#34;, &amp;#34;)&#10; write_log(&amp;#34;模型 ID: %d 特征重要性排序: %s&amp;#34;, model_id, imp_str)&#10;&#10; Models[[model_id]] &amp;lt;&amp;lt;- rf_model&#10;}&#10;&#10;# -----------------------------------------------------------------------&#10;# 预测函数&#10;# 注意：严禁在此处使用 write_log，否则高频 I/O 会导致回测极度缓慢&#10;# -----------------------------------------------------------------------&#10;neural.predict = function(model_id, X) {&#10; X_df &amp;lt;- as.data.frame(t(X))&#10; colnames(X_df) &amp;lt;- paste0(&amp;#34;V&amp;#34;, 1:ncol(X_df))&#10;&#10; rf_model &amp;lt;- Models[[model_id]]&#10; pred_obj &amp;lt;- predict(rf_model, data = X_df)&#10; pred_class &amp;lt;- pred_obj$predictions[1]&#10;&#10; return(as.numeric(as.character(pred_class)))&#10;}&#10;&#10;# -----------------------------------------------------------------------&#10;# 保存模型函数&#10;# -----------------------------------------------------------------------&#10;neural.save = function(name) {&#10; save(Models, file = name)&#10; write_log(&amp;#34;WFO 周期结束. 模型已保存至: %s&amp;#34;, name)&#10;}&#10;&#10;# -----------------------------------------------------------------------&#10;# 读取模型函数&#10;# -----------------------------------------------------------------------&#10;neural.load = function(name) {&#10; load(name, envir = .GlobalEnv)&#10; write_log(&amp;#34;开始测试/实盘. 成功加载模型文件: %s&amp;#34;, name)&#10;}&lt;/code&gt;&lt;/pre&gt;&lt;h2 class="heading-element" id="5-交易策略"&gt;&lt;span&gt;5. 交易策略&lt;/span&gt;&#10; &lt;a href="#5-%e4%ba%a4%e6%98%93%e7%ad%96%e7%95%a5" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;我们将 BTCUSDT 的 4 小时数据作为样本（2018-2025年），通过 WFO（Walk-Forward Optimization）将其划分为 10 轮滚动训练集/测试集。策略在训练集上学习市场结构，并在测试集中生成预测信号。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="51-策略脚本代码"&gt;&lt;span&gt;5.1 策略脚本代码&lt;/span&gt;&#10; &lt;a href="#51-%e7%ad%96%e7%95%a5%e8%84%9a%e6%9c%ac%e4%bb%a3%e7%a0%81" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;pre&gt;&lt;code&gt;/*&#10;使用随机森林模型预测市场结构。&#10;*/&#10;&#10;#include &amp;lt;profile.c&amp;gt;&#10;#include &amp;lt;utils.c&amp;gt;&#10;#include &amp;lt;myindicators.c&amp;gt;&#10;#include &amp;lt;r.h&amp;gt;&#10;&#10;void tradeStrategy() {&#10; // ==================== 计算指标 ====================&#10;&#9; vars Prices = series(price());&#10; vars Trends = series(LowPass(Prices,200));&#10; vars Dist2Trends = series(Prices[0]/Trends[0]-1);&#10; vars Regimes = series(FractalDimension(Prices,50));&#10; MACD(Prices,12,26,9);&#10; vars Moms = series(rMACDHist);&#10; var ATR100 = ATR(100);&#10; vars VolaRatios = series(ATR(20)/ATR100);&#10; vars Aroons = series(AroonOsc(200));&#10;&#10; int StPeriod = 10;&#10; var StFactor = 3;&#10; vars Supertrends = series(supertrend(StFactor, StPeriod));&#10;&#10;&#9;// ==================== 目标变量 ====================&#10; var ChannelUpper = Trends[0]&amp;#43;1.*ATR100;&#10; var ChannelLower = Trends[0]-1.*ATR100;&#10; var Target = 0;&#10; if(rising(Trends) &amp;amp;&amp;amp; Prices[0] &amp;gt; ChannelUpper) {&#10; Target = 1;&#10; } else if (falling(Trends) &amp;amp;&amp;amp; Prices[0] &amp;lt; ChannelLower) {&#10; Target = -1;&#10; }&#10;&#10;&#9;// ==================== 机器学习 ====================&#10;&#9;int Offset = ifelse(Train, 6, 0);&#10;&#9;var Prediction = adviseLong(NEURAL, Target,&#10;&#9; Dist2Trends[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;Regimes[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;Moms[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;VolaRatios[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;Aroons[Offset]);&#10;&#10;&#9;// ==================== 交易逻辑 ====================&#10;&#9;if(!Train) {&#10; bool LongEntry = Prediction &amp;gt; 0 &amp;amp;&amp;amp; priceC() &amp;gt; Supertrends[0];&#10; &#9;bool LongExit = Prediction &amp;lt; 0 || priceC() &amp;lt; Supertrends[0];&#10; &#9;bool ShortEntry = Prediction &amp;lt; 0 &amp;amp;&amp;amp; priceC() &amp;lt; Supertrends[0];&#10; &#9;bool ShortExit = Prediction &amp;gt; 0 || priceC() &amp;gt; Supertrends[0];&#10;&#10; &#9;if(NumOpenLong &amp;gt; 0 &amp;amp;&amp;amp; LongExit) exitLong();&#10; &#9;if(NumOpenShort &amp;gt; 0 &amp;amp;&amp;amp; ShortExit) exitShort();&#10; &#9;if(NumOpenLong == 0 &amp;amp;&amp;amp; LongEntry) enterLong();&#10; &#9;if(NumOpenShort == 0 &amp;amp;&amp;amp; ShortEntry) enterShort();&#10;&#9;}&#10;&#10;&#9;// ==================== 图表 ====================&#10; if(Test &amp;amp;&amp;amp; !is(LOOKBACK)) {&#10; // plot(&amp;#34;Dist2Trend&amp;#34;, Dist2Trends, NEW, RED);&#10; // plot(&amp;#34;Regime&amp;#34;, Regimes, NEW, RED);&#10; // plot(&amp;#34;MACDHist&amp;#34;, Moms, NEW, RED);&#10; // plot(&amp;#34;VolaRatio&amp;#34;, VolaRatios, NEW, RED);&#10; // plot(&amp;#34;AroonOsc&amp;#34;, Aroons, NEW, RED);&#10;&#10; plot(&amp;#34;ChannelUpper&amp;#34;, ChannelUpper, MAIN|BAND1, GREY);&#10; plot(&amp;#34;ChannelLower&amp;#34;, ChannelLower, MAIN|BAND2, GREEN&amp;#43;TRANSP);&#10;&#10; plot2(&amp;#34;Supertrend&amp;#34;, Supertrends[0], MAIN, priceC()&amp;gt;Supertrends[0], GREEN, RED);&#10; plot(&amp;#34;Prediction&amp;#34;, Prediction, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; }&#10;}&#10;&#10;function run() {&#10; // --------------------------------------------------------- //&#10; // Zorro 设置&#10; // --------------------------------------------------------- //&#10;&#10; // 日志&#10; set(LOGFILE);&#10; Verbose = 3;&#10;&#10; // 图表&#10; set(PLOTNOW);&#10; setf(PlotMode,PL_DIFF);&#10; PlotScale = 8;&#10; PlotHeight2 = 320;&#10;&#10; // 训练&#10; set(RULES);&#10; setf(TrainMode,TRADES);&#10; DataSplit = 85;&#10; NumWFOCycles = 10;&#10; // NumCores = 0;&#10;&#10; // k线生成规则，7*24小时交易&#10; resf(BarMode,BR_WEEKEND);&#10; StartWeek = 0;&#10; EndWeek = 62359;&#10; StartMarket = 0;&#10; EndMarket = 2359;&#10; BarPeriod = 240;&#10; BarZone = UTC;&#10; BarOffset = 0;&#10; TickFix = 60000;&#10;&#9; if(Live) TickFix = 0;&#10;&#10; // 测试样本&#10; StartDate = 20180101;&#10; EndDate = 20251230;&#10; LookBack = 5000;&#10;&#10; // 下一根k线开盘时进场/平仓&#10; Fill = 3;&#10;&#10; // 固定头寸&#10; Lots = 100;&#10;&#10; // --------------------------------------------------------- //&#10; // 策略逻辑&#10; // --------------------------------------------------------- //&#10;&#10; asset(&amp;#34;BTCUSDT&amp;#34;);&#10; Leverage = 5;&#10; MarginCost = priceClose()*LotAmount/Leverage;&#10; tradeStrategy();&#10;}&lt;/code&gt;&lt;/pre&gt;&lt;h2 class="heading-element" id="6-回测结果分析"&gt;&lt;span&gt;6. 回测结果分析&lt;/span&gt;&#10; &lt;a href="#6-%e5%9b%9e%e6%b5%8b%e7%bb%93%e6%9e%9c%e5%88%86%e6%9e%90" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="61-训练日志"&gt;&lt;span&gt;6.1 训练日志&lt;/span&gt;&#10; &lt;a href="#61-%e8%ae%ad%e7%bb%83%e6%97%a5%e5%bf%97" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;根据训练日志，随机森林在训练集上的表现极其稳健，平均 &lt;strong&gt;OOB（袋外）错误率仅为 15% 左右&lt;/strong&gt;，表明模型对历史数据的市场结构具有极强的解释力。&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;[2026-03-31 16:43:19] [NEW ZORRO RUN]&#10;[2026-03-31 16:43:19] Ranger (Random Forest) 初始化成功. 全局模型列表已建立.&#10;[2026-03-31 16:43:19] 开始训练模型 ID: 1, 样本总数: 6771&#10;[2026-03-31 16:43:19] 模型 ID: 1 类别分布: [ -1:2044 | 0:2159 | 1:2568 ]&#10;[2026-03-31 16:43:22] 模型 ID: 1 训练完成, OOB 错误率: 15.20%&#10;[2026-03-31 16:43:22] 模型 ID: 1 特征重要性排序: V1=2016.4813, V5=477.1938, V4=313.6185, V2=238.2223, V3=227.2167&lt;/code&gt;&lt;/pre&gt;&lt;h3 class="heading-element" id="62-预测结果可视化"&gt;&lt;span&gt;6.2 预测结果可视化&lt;/span&gt;&#10; &lt;a href="#62-%e9%a2%84%e6%b5%8b%e7%bb%93%e6%9e%9c%e5%8f%af%e8%a7%86%e5%8c%96" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;在样本外数据中，模型生成的标签能够较好地捕捉趋势：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;+1&lt;/strong&gt;：精准识别上升大趋势。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;-1&lt;/strong&gt;：识别明显的下跌波段。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;0&lt;/strong&gt;：识别趋势放缓或震荡。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-random-forest/image.png' alt="image.png" height="1814" width="2756"&gt;&lt;/p&gt;&#10;&lt;p&gt;然而在宽幅震荡行情中，预测类别会出现频繁的跳跃，这意味着单纯将模型预测作为择时信号可能并不可靠。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="63-对照实验"&gt;&lt;span&gt;6.3 对照实验&lt;/span&gt;&#10; &lt;a href="#63-%e5%af%b9%e7%85%a7%e5%ae%9e%e9%aa%8c" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;为了评估机器学习的增量价值，我们将“机器学习策略”与“基于过滤器的基准策略”进行了对比分析。&lt;/p&gt;&#10;&lt;p&gt;基准策略&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;使用趋势线通道划分市场结构（跟定义目标变量的算法相同）&#10;&lt;ul&gt;&#10;&lt;li&gt;趋势线上升且价格高于通道上轨，上涨趋势&lt;/li&gt;&#10;&lt;li&gt;趋势线下降且价格低于通过下轨，下跌趋势&lt;/li&gt;&#10;&lt;li&gt;其余状态记为震荡状态&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;li&gt;上涨趋势 且 超级趋势看涨，做多&lt;/li&gt;&#10;&lt;li&gt;市场结构转为下跌 或 超级趋势转为看空，多头平仓&lt;/li&gt;&#10;&lt;li&gt;下跌趋势 且 超级趋势看空，做空&lt;/li&gt;&#10;&lt;li&gt;市场结构转为上涨 或 超级趋势转为看涨，空头平仓&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-random-forest/image_01.png' alt="随机森林特征重要性分析" height="1818" width="2826"&gt;&lt;/p&gt;&#10;&lt;p&gt;机器学习策略&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;构建随机森林模型，预测未来一天的市场结构，作为市场结构滤波器&lt;/li&gt;&#10;&lt;li&gt;市场结构看涨 且 超级趋势看涨，做多&lt;/li&gt;&#10;&lt;li&gt;超级趋势从上涨转为下跌 或 市场结构看空，多头平仓&lt;/li&gt;&#10;&lt;li&gt;市场结构看空 且 超级趋势看空，做空&lt;/li&gt;&#10;&lt;li&gt;超级趋势从下跌转为上涨 或 市场结构看涨，空头平仓&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-random-forest/image_02.png' alt="随机森林策略表现对比" height="1818" width="2828"&gt;&lt;/p&gt;&#10;&lt;p&gt;策略表现对比：&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;业绩指标&lt;/th&gt;&#10; &lt;th&gt;基准策略&lt;/th&gt;&#10; &lt;th&gt;机器学习策略&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最大回撤&lt;/td&gt;&#10; &lt;td&gt;81%&lt;/td&gt;&#10; &lt;td&gt;73.5%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长回撤周数&lt;/td&gt;&#10; &lt;td&gt;25&lt;/td&gt;&#10; &lt;td&gt;28&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;交易次数&lt;/td&gt;&#10; &lt;td&gt;169&lt;/td&gt;&#10; &lt;td&gt;163&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;年均交易次数&lt;/td&gt;&#10; &lt;td&gt;35&lt;/td&gt;&#10; &lt;td&gt;34&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;胜率&lt;/td&gt;&#10; &lt;td&gt;38%&lt;/td&gt;&#10; &lt;td&gt;36%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长连续亏损&lt;/td&gt;&#10; &lt;td&gt;7&lt;/td&gt;&#10; &lt;td&gt;11&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;年收益率&lt;/td&gt;&#10; &lt;td&gt;12%&lt;/td&gt;&#10; &lt;td&gt;12%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;盈利因子&lt;/td&gt;&#10; &lt;td&gt;1.17&lt;/td&gt;&#10; &lt;td&gt;1.17&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;PRR&lt;/td&gt;&#10; &lt;td&gt;0.93&lt;/td&gt;&#10; &lt;td&gt;0.93&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;夏普比率&lt;/td&gt;&#10; &lt;td&gt;0.29&lt;/td&gt;&#10; &lt;td&gt;0.28&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;R2&lt;/td&gt;&#10; &lt;td&gt;40%&lt;/td&gt;&#10; &lt;td&gt;37%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;多头盈利因子&lt;/td&gt;&#10; &lt;td&gt;1.57&lt;/td&gt;&#10; &lt;td&gt;1.61&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;空头盈利因子&lt;/td&gt;&#10; &lt;td&gt;0.82&lt;/td&gt;&#10; &lt;td&gt;0.82&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;h2 class="heading-element" id="7-结论与反思"&gt;&lt;span&gt;7. 结论与反思&lt;/span&gt;&#10; &lt;a href="#7-%e7%bb%93%e8%ae%ba%e4%b8%8e%e5%8f%8d%e6%80%9d" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;ol&gt;&#10;&lt;li&gt;机器学习策略与基准策略的综合表现（盈利因子均为1.17）几乎一致。这意味着在目前的特征工程和目标设定下，随机森林并没有提供显著优于传统线性过滤器的预测能力。&lt;/li&gt;&#10;&lt;li&gt;在 2023 年底的上涨行情中，市场出现短暂回调，模型误判为趋势转折并连续做空导致 3 次止损，而基准策略仅止损 1 次。&lt;/li&gt;&#10;&lt;li&gt;在宽幅震荡转趋势的临界点，随机森林的反应往往慢于基于规则的基准策略。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;最初的设想是通过机器学习更精准地识别市场结构，但实验证明，随机森林在宽幅震荡或趋势中的次级回调阶段容易产生错误信号。简单地将分类结果作为开关，可能会导致策略在关键转折点表现得比传统方法更为保守且滞后。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="8-优化方向"&gt;&lt;span&gt;8. 优化方向&lt;/span&gt;&#10; &lt;a href="#8-%e4%bc%98%e5%8c%96%e6%96%b9%e5%90%91" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;为了进一步提升模型实战能力，我们可以从三个方向入手：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;概率择时：不使用类别标签，而是输出多类别概率，通过设定概率阈值（如 &lt;span class="katex"&gt;&lt;span class="katex-mathml"&gt;&lt;math xmlns="http://www.w3.org/1998/Math/MathML"&gt;&lt;semantics&gt;&lt;mrow&gt;&lt;mi&gt;P&lt;/mi&gt;&lt;mo stretchy="false"&gt;(&lt;/mo&gt;&lt;mo&gt;+&lt;/mo&gt;&lt;mn&gt;1&lt;/mn&gt;&lt;mo stretchy="false"&gt;)&lt;/mo&gt;&lt;mo&gt;&amp;gt;&lt;/mo&gt;&lt;mn&gt;0.65&lt;/mn&gt;&lt;/mrow&gt;&lt;annotation encoding="application/x-tex"&gt;P(+1) &amp;gt; 0.65&lt;/annotation&gt;&lt;/semantics&gt;&lt;/math&gt;&lt;/span&gt;&lt;span class="katex-html" aria-hidden="true"&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:1em;vertical-align:-0.25em;"&gt;&lt;/span&gt;&lt;span class="mord mathnormal" style="margin-right:0.1389em;"&gt;P&lt;/span&gt;&lt;span class="mopen"&gt;(&lt;/span&gt;&lt;span class="mord"&gt;+&lt;/span&gt;&lt;span class="mord"&gt;1&lt;/span&gt;&lt;span class="mclose"&gt;)&lt;/span&gt;&lt;span class="mspace" style="margin-right:0.2778em;"&gt;&lt;/span&gt;&lt;span class="mrel"&gt;&amp;gt;&lt;/span&gt;&lt;span class="mspace" style="margin-right:0.2778em;"&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:0.6444em;"&gt;&lt;/span&gt;&lt;span class="mord"&gt;0.65&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;）来提高交易信号的确定性。&lt;/li&gt;&#10;&lt;li&gt;特征优化：引入链上指标、资金费率或市场广度数据，提升特征对市场转折点的预测精度。&lt;/li&gt;&#10;&lt;li&gt;模型迭代：尝试预测能力更强的模型，如 &lt;strong&gt;XGBoost&lt;/strong&gt; 和神经网络。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;</description></item><item><title>感知器模型在量化交易中的实战探索</title><link>http://localhost:1313/posts/ml-perceptron/</link><pubDate>Mon, 23 Mar 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/ml-perceptron/</guid><category domain="http://localhost:1313/categories/%E4%BA%A4%E6%98%93%E7%AD%96%E7%95%A5/">交易策略</category><description>&lt;img src="http://localhost:1313/posts/ml-perceptron/image.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;p&gt;在深度学习风靡全球的今天，我们往往倾向于追求层数更深，结构更复杂的模型。然而，溯本逐源，所有的复杂神经网络都源自一个最基础的构件 - 感知器（Perceptron）。作为机器学习中最经典的线性分类器，感知器被官方文档称为“最简单的神经网络”。&lt;/p&gt;&#10;&lt;p&gt;本文将深入探讨 Zorro 感知器模型的底层逻辑，并尝试将其应用于金融市场的结构预测，通过实战回测揭示其在复杂交易场景中的表现与局限性。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="1-感知器算法的底层逻辑"&gt;&lt;span&gt;1. 感知器算法的底层逻辑&lt;/span&gt;&#10; &lt;a href="#1-%e6%84%9f%e7%9f%a5%e5%99%a8%e7%ae%97%e6%b3%95%e7%9a%84%e5%ba%95%e5%b1%82%e9%80%bb%e8%be%91" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="核心原理线性超平面的分割"&gt;&lt;span&gt;核心原理：线性超平面的分割&lt;/span&gt;&#10; &lt;a href="#%e6%a0%b8%e5%bf%83%e5%8e%9f%e7%90%86%e7%ba%bf%e6%80%a7%e8%b6%85%e5%b9%b3%e9%9d%a2%e7%9a%84%e5%88%86%e5%89%b2" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;code&gt;adviseLong(PERCEPTRON)&lt;/code&gt; 算法的核心任务是：&lt;strong&gt;寻找一个超平面，将样本点在线性空间中进行分割&lt;/strong&gt;。在交易场景中，这意味着它试图在多维特征空间里画出一条“直线”，将未来可能盈利的交易与亏损的交易区分开。&lt;/p&gt;&#10;&lt;p&gt;其数学表达如下：&lt;/p&gt;&#10;&lt;p&gt;&lt;span class="katex"&gt;&lt;span class="katex-mathml"&gt;&lt;math xmlns="http://www.w3.org/1998/Math/MathML"&gt;&lt;semantics&gt;&lt;mrow&gt;&lt;mi&gt;y&lt;/mi&gt;&lt;mo&gt;=&lt;/mo&gt;&lt;msubsup&gt;&lt;mo&gt;∑&lt;/mo&gt;&lt;mrow&gt;&lt;mi&gt;i&lt;/mi&gt;&lt;mo&gt;=&lt;/mo&gt;&lt;mn&gt;1&lt;/mn&gt;&lt;/mrow&gt;&lt;mi&gt;n&lt;/mi&gt;&lt;/msubsup&gt;&lt;msub&gt;&lt;mi&gt;w&lt;/mi&gt;&lt;mi&gt;i&lt;/mi&gt;&lt;/msub&gt;&lt;msub&gt;&lt;mi&gt;x&lt;/mi&gt;&lt;mi&gt;i&lt;/mi&gt;&lt;/msub&gt;&lt;mo&gt;+&lt;/mo&gt;&lt;mi&gt;b&lt;/mi&gt;&lt;/mrow&gt;&lt;annotation encoding="application/x-tex"&gt;y = \sum_{i=1}^nw_ix_i + b&lt;/annotation&gt;&lt;/semantics&gt;&lt;/math&gt;&lt;/span&gt;&lt;span class="katex-html" aria-hidden="true"&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:0.625em;vertical-align:-0.1944em;"&gt;&lt;/span&gt;&lt;span class="mord mathnormal" style="margin-right:0.0359em;"&gt;y&lt;/span&gt;&lt;span class="mspace" style="margin-right:0.2778em;"&gt;&lt;/span&gt;&lt;span class="mrel"&gt;=&lt;/span&gt;&lt;span class="mspace" style="margin-right:0.2778em;"&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:1.104em;vertical-align:-0.2997em;"&gt;&lt;/span&gt;&lt;span class="mop"&gt;&lt;span class="mop op-symbol small-op" style="position:relative;top:0em;"&gt;∑&lt;/span&gt;&lt;span class="msupsub"&gt;&lt;span class="vlist-t vlist-t2"&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.8043em;"&gt;&lt;span style="top:-2.4003em;margin-left:0em;margin-right:0.05em;"&gt;&lt;span class="pstrut" style="height:2.7em;"&gt;&lt;/span&gt;&lt;span class="katex-sizing reset-size6 size3 mtight"&gt;&lt;span class="mord mtight"&gt;&lt;span class="mord mathnormal mtight"&gt;i&lt;/span&gt;&lt;span class="mrel mtight"&gt;=&lt;/span&gt;&lt;span class="mord mtight"&gt;1&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span style="top:-3.2029em;margin-right:0.05em;"&gt;&lt;span class="pstrut" style="height:2.7em;"&gt;&lt;/span&gt;&lt;span class="katex-sizing reset-size6 size3 mtight"&gt;&lt;span class="mord mathnormal mtight"&gt;n&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-s"&gt;​&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.2997em;"&gt;&lt;span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="mspace" style="margin-right:0.1667em;"&gt;&lt;/span&gt;&lt;span class="mord"&gt;&lt;span class="mord mathnormal" style="margin-right:0.0269em;"&gt;w&lt;/span&gt;&lt;span class="msupsub"&gt;&lt;span class="vlist-t vlist-t2"&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.3117em;"&gt;&lt;span style="top:-2.55em;margin-left:-0.0269em;margin-right:0.05em;"&gt;&lt;span class="pstrut" style="height:2.7em;"&gt;&lt;/span&gt;&lt;span class="katex-sizing reset-size6 size3 mtight"&gt;&lt;span class="mord mathnormal mtight"&gt;i&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-s"&gt;​&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.15em;"&gt;&lt;span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="mord"&gt;&lt;span class="mord mathnormal"&gt;x&lt;/span&gt;&lt;span class="msupsub"&gt;&lt;span class="vlist-t vlist-t2"&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.3117em;"&gt;&lt;span style="top:-2.55em;margin-left:0em;margin-right:0.05em;"&gt;&lt;span class="pstrut" style="height:2.7em;"&gt;&lt;/span&gt;&lt;span class="katex-sizing reset-size6 size3 mtight"&gt;&lt;span class="mord mathnormal mtight"&gt;i&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-s"&gt;​&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.15em;"&gt;&lt;span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="mspace" style="margin-right:0.2222em;"&gt;&lt;/span&gt;&lt;span class="mbin"&gt;+&lt;/span&gt;&lt;span class="mspace" style="margin-right:0.2222em;"&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:0.6944em;"&gt;&lt;/span&gt;&lt;span class="mord mathnormal"&gt;b&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/p&gt;&#10;&lt;p&gt;其中：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;span class="katex"&gt;&lt;span class="katex-mathml"&gt;&lt;math xmlns="http://www.w3.org/1998/Math/MathML"&gt;&lt;semantics&gt;&lt;mrow&gt;&lt;msub&gt;&lt;mi&gt;x&lt;/mi&gt;&lt;mi&gt;i&lt;/mi&gt;&lt;/msub&gt;&lt;/mrow&gt;&lt;annotation encoding="application/x-tex"&gt;x_i&lt;/annotation&gt;&lt;/semantics&gt;&lt;/math&gt;&lt;/span&gt;&lt;span class="katex-html" aria-hidden="true"&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:0.5806em;vertical-align:-0.15em;"&gt;&lt;/span&gt;&lt;span class="mord"&gt;&lt;span class="mord mathnormal"&gt;x&lt;/span&gt;&lt;span class="msupsub"&gt;&lt;span class="vlist-t vlist-t2"&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.3117em;"&gt;&lt;span style="top:-2.55em;margin-left:0em;margin-right:0.05em;"&gt;&lt;span class="pstrut" style="height:2.7em;"&gt;&lt;/span&gt;&lt;span class="katex-sizing reset-size6 size3 mtight"&gt;&lt;span class="mord mathnormal mtight"&gt;i&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-s"&gt;​&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.15em;"&gt;&lt;span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt; 代表输入的市场特征（如波动率、动能等）&lt;/li&gt;&#10;&lt;li&gt;&lt;span class="katex"&gt;&lt;span class="katex-mathml"&gt;&lt;math xmlns="http://www.w3.org/1998/Math/MathML"&gt;&lt;semantics&gt;&lt;mrow&gt;&lt;msub&gt;&lt;mi&gt;w&lt;/mi&gt;&lt;mi&gt;i&lt;/mi&gt;&lt;/msub&gt;&lt;/mrow&gt;&lt;annotation encoding="application/x-tex"&gt;w_i&lt;/annotation&gt;&lt;/semantics&gt;&lt;/math&gt;&lt;/span&gt;&lt;span class="katex-html" aria-hidden="true"&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:0.5806em;vertical-align:-0.15em;"&gt;&lt;/span&gt;&lt;span class="mord"&gt;&lt;span class="mord mathnormal" style="margin-right:0.0269em;"&gt;w&lt;/span&gt;&lt;span class="msupsub"&gt;&lt;span class="vlist-t vlist-t2"&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.3117em;"&gt;&lt;span style="top:-2.55em;margin-left:-0.0269em;margin-right:0.05em;"&gt;&lt;span class="pstrut" style="height:2.7em;"&gt;&lt;/span&gt;&lt;span class="katex-sizing reset-size6 size3 mtight"&gt;&lt;span class="mord mathnormal mtight"&gt;i&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-s"&gt;​&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.15em;"&gt;&lt;span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt; 是训练过程中学习到的特征权重&lt;/li&gt;&#10;&lt;li&gt;&lt;span class="katex"&gt;&lt;span class="katex-mathml"&gt;&lt;math xmlns="http://www.w3.org/1998/Math/MathML"&gt;&lt;semantics&gt;&lt;mrow&gt;&lt;mi&gt;b&lt;/mi&gt;&lt;/mrow&gt;&lt;annotation encoding="application/x-tex"&gt;b&lt;/annotation&gt;&lt;/semantics&gt;&lt;/math&gt;&lt;/span&gt;&lt;span class="katex-html" aria-hidden="true"&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:0.6944em;"&gt;&lt;/span&gt;&lt;span class="mord mathnormal"&gt;b&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt; 是偏移量&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;如果特征的线性加权组合超过预设阈值，模型便判定当前市场环境“有利可图”；反之则视为“无利可图”。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="单一神经元的二元分类"&gt;&lt;span&gt;单一神经元的二元分类&lt;/span&gt;&#10; &lt;a href="#%e5%8d%95%e4%b8%80%e7%a5%9e%e7%bb%8f%e5%85%83%e7%9a%84%e4%ba%8c%e5%85%83%e5%88%86%e7%b1%bb" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;一个标准的感知器仅包含单一神经元，没有隐藏层。它的工作流程非常纯粹：&lt;strong&gt;输入 -&amp;gt; 加权求和 -&amp;gt; 激活函数（阈值判别） -&amp;gt; 输出&lt;/strong&gt;。&lt;/p&gt;&#10;&lt;p&gt;算法本质上是先通过回归计算出一个连续的分数，再利用固定阈值进行“一刀切”，从而将问题简化为二元分类（如：+100 代表赢，-100 代表输）。&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt; ^ X2&#10; |&#10; 1.0 &amp;#43; &amp;#43; &amp;#43; &amp;#43;&#10; | &amp;#43; &amp;#43; &amp;#43;&#10; | &amp;#43; &amp;#43;&#10; 0.5 &amp;#43; &amp;#43; &amp;#43;&#10; | &amp;#43;&#10; | -&#10; 0.0 &amp;#43;-----------------------&amp;gt; X1&#10; | - / - 1.0&#10; | - /&#10; -0.5 &amp;#43; - / - -&#10; | -- / - --&#10; | - / -&#10; -1.0 &amp;#43; /&lt;/code&gt;&lt;/pre&gt;&lt;h2 class="heading-element" id="2-工程实现与输出解读"&gt;&lt;span&gt;2. 工程实现与输出解读&lt;/span&gt;&#10; &lt;a href="#2-%e5%b7%a5%e7%a8%8b%e5%ae%9e%e7%8e%b0%e4%b8%8e%e8%be%93%e5%87%ba%e8%a7%a3%e8%af%bb" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="特征预处理"&gt;&lt;span&gt;特征预处理&lt;/span&gt;&#10; &lt;a href="#%e7%89%b9%e5%be%81%e9%a2%84%e5%a4%84%e7%90%86" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;在量化实战中，感知器对数据的分布较为敏感。为了保证模型训练的稳定性，&lt;strong&gt;所有输入特征都必须缩放到 &lt;code&gt;[-1, 1]&lt;/code&gt; 区间&lt;/strong&gt;。这一步骤能有效避免因指标量级差异导致的权重失衡。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="输出结果"&gt;&lt;span&gt;输出结果&lt;/span&gt;&#10; &lt;a href="#%e8%be%93%e5%87%ba%e7%bb%93%e6%9e%9c" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;感知器的预测输出范围通常在 &lt;code&gt;[-100, 100]&lt;/code&gt; 之间，我们可以通过不同的配置来解读其含义：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;&#10;&lt;p&gt;&lt;strong&gt;常规模式 &lt;code&gt;adviseLong(PERCEPTRON)&lt;/code&gt;&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;正负号：代表预测方向（正值代表正例，负值代表负例）。&lt;/li&gt;&#10;&lt;li&gt;绝对值：代表历史胜率。例如，输出为 &lt;code&gt;+70&lt;/code&gt;，意味着基于历史训练数据，该特征组合下的预测准确率为 70%。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;li&gt;&#10;&lt;p&gt;&lt;strong&gt;强度模式 &lt;code&gt;adviseLong(PERCEPTRON+FUZZY)&lt;/code&gt;&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;数值含义：不再是单纯的胜率，而是预测强度。&lt;/li&gt;&#10;&lt;li&gt;数值越大，属于正例（如上涨）的可能性越高；数值越小（越负），属于负例的可能性越高。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;h3 class="heading-element" id="如何处理多元分类"&gt;&lt;span&gt;如何处理多元分类&lt;/span&gt;&#10; &lt;a href="#%e5%a6%82%e4%bd%95%e5%a4%84%e7%90%86%e5%a4%9a%e5%85%83%e5%88%86%e7%b1%bb" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;感知器只能解决二元分类问题。如果我们需要预测更复杂的市场结构（如：上涨、下跌、震荡三态），则必须将问题拆解。&lt;/p&gt;&#10;&lt;p&gt;案例：预测三态市场结构&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;多头模型：将“上涨”设为 +1，“震荡和下跌”统称为 -1。使用 &lt;code&gt;adviseLong(PERCEPTRON)&lt;/code&gt; 训练。&lt;/li&gt;&#10;&lt;li&gt;空头模型：将“下跌”设为 +1，“上涨和震荡”统称为 -1。使用 &lt;code&gt;adviseShort(PERCEPTRON)&lt;/code&gt; 训练。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="3-构建交易策略"&gt;&lt;span&gt;3. 构建交易策略&lt;/span&gt;&#10; &lt;a href="#3-%e6%9e%84%e5%bb%ba%e4%ba%a4%e6%98%93%e7%ad%96%e7%95%a5" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;为了验证感知器的实操效果，我们构建了一个包含 5 个维度的特征矩阵，旨在从波动率、趋势、市场状态等多个维度捕捉市场信号。&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;指标&lt;/th&gt;&#10; &lt;th&gt;类型&lt;/th&gt;&#10; &lt;th&gt;公式&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;AtrRatio&lt;/td&gt;&#10; &lt;td&gt;波动率&lt;/td&gt;&#10; &lt;td&gt;ATR(20)/ATR(100)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Distance2Trend&lt;/td&gt;&#10; &lt;td&gt;趋势&lt;/td&gt;&#10; &lt;td&gt;Price/Lowpass(Price,300) - 1&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;FractalDimension&lt;/td&gt;&#10; &lt;td&gt;市场状态&lt;/td&gt;&#10; &lt;td&gt;FractalDimension(Price,50)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;MACDHistogram&lt;/td&gt;&#10; &lt;td&gt;动能加速度&lt;/td&gt;&#10; &lt;td&gt;MACD(12,26,9)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;AroonOscillator&lt;/td&gt;&#10; &lt;td&gt;市场微观结构&lt;/td&gt;&#10; &lt;td&gt;AroonOsc(300)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;p&gt;我们将目标变量设定为“未来一天的市场结构”，并分别训练多头和空头两个感知器模型。&lt;/p&gt;&#10;&lt;p&gt;策略源代码：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;#include &amp;lt;profile.c&amp;gt;&#10;#include &amp;lt;utils.c&amp;gt;&#10;#include &amp;lt;myindicators.c&amp;gt;&#10;&#10;void tradeStrategy() {&#10; // ==================== 计算指标 ====================&#10;&#9; vars Prices = series(price());&#10; vars Trends = series(LowPass(Prices,300));&#10; vars Dist2Trends = series(Prices[0]/Trends[0]-1);&#10; vars Regimes = series(FractalDimension(Prices,50));&#10; MACD(Prices,12,26,9);&#10; vars Moms = series(rMACDHist);&#10; var ATR100 = ATR(100);&#10; vars VolaRatios = series(ATR(20)/ATR100);&#10; vars Aroons = series(AroonOsc(300));&#10;&#10; var ChannelUpper = Trends[0]&amp;#43;1.*ATR100;&#10; var ChannelLower = Trends[0]-1.*ATR100;&#10; var State = 0;&#10; if(rising(Trends) &amp;amp;&amp;amp; Prices[0] &amp;gt; ChannelUpper) {&#10; State = 1;&#10; } else if (falling(Trends) &amp;amp;&amp;amp; Prices[0] &amp;lt; ChannelLower) {&#10; State = -1;&#10; }&#10;&#10; // ==================== 特征缩放 ====================&#10; vars Sigs0 = series(clamp(Dist2Trends[0]*4.,-1.,1.));&#10; vars Sigs1 = series(clamp((Regimes[0]-1.5)*2.,-1.,1.));&#10;&#10; var MacdStd = StdDev(Moms,200);&#10; if(MacdStd &amp;lt; 0.00001) MacdStd = 0.00001;&#10; vars Sigs2 = series(clamp((Moms[0]/MacdStd)*0.333,-1.,1.));&#10;&#10; vars Sigs3 = series(clamp(VolaRatios[0]-1.0,-1.,1.));&#10; vars Sigs4 = series(Aroons[0]/100.);&#10;&#10;&#9; // ==================== 目标变量 ====================&#10;&#9; // 原始市场状态：1表示上涨，-1表示下跌，0表示震荡&#10;&#9; // 需要将多元分类问题转化为两个二元分类问题，取值范围是[-1,1]&#10;&#10;&#9; // 多头专属目标：上涨趋势映射为&amp;#43;1，下跌和震荡状态映射为-1&#10; var TargetLong = ifelse(State == 1, 1, -1);&#10;&#10; // 空头专属目标：下跌趋势映射为&amp;#43;1，上涨和震荡状态映射为-1&#10; var TargetShort = ifelse(State == -1, 1, -1);&#10;&#10;&#9;// ==================== 机器学习 ====================&#10;&#9;// 预测1天后的市场结构&#10;&#9;// 训练两个感知器模型，分别用于多头和空头交易&#10;&#9;int Offset = ifelse(Train, 6, 0);&#10;&#9;var PredictionLong = adviseLong(PERCEPTRON&amp;#43;BALANCED, TargetLong,&#10;&#9; Sigs0[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9; Sigs1[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9; Sigs2[Offset],&#10; &#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9; Sigs3[Offset],&#10; &#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9; Sigs4[Offset]);&#10;&#9;var PredictionShort = adviseShort(PERCEPTRON&amp;#43;BALANCED, TargetShort,&#10;&#9; Sigs0[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9; Sigs1[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9; Sigs2[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9; Sigs3[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9; Sigs4[Offset]);&#10;&#10;&#9;// ==================== 图表 ====================&#10; if(Test &amp;amp;&amp;amp; !is(LOOKBACK)) {&#10; // plot(&amp;#34;Dist2Trend&amp;#34;, Dist2Trends, NEW, RED);&#10; // plot(&amp;#34;Regime&amp;#34;, Regimes, NEW, RED);&#10; // plot(&amp;#34;MACDHist&amp;#34;, Moms, NEW, RED);&#10; // plot(&amp;#34;VolaRatio&amp;#34;, VolaRatios, NEW, RED);&#10; // plot(&amp;#34;AroonOsc&amp;#34;, Aroons, NEW, RED);&#10;&#10; // plot(&amp;#34;Sig_Dist&amp;#34;, Sigs0, NEW, BLUE);&#10; // plot(&amp;#34;Sig_Regime&amp;#34;, Sigs1, NEW, BLUE);&#10; // plot(&amp;#34;Sig_MACD&amp;#34;, Sigs2, NEW, BLUE);&#10; // plot(&amp;#34;Sig_Vola&amp;#34;, Sigs3, NEW, BLUE);&#10; // plot(&amp;#34;Sig_Aroon&amp;#34;, Sigs4, NEW, BLUE);&#10;&#10; plot(&amp;#34;ChannelUpper&amp;#34;, ChannelUpper, MAIN|BAND1, GREY);&#10; plot(&amp;#34;ChannelLower&amp;#34;, ChannelLower, MAIN|BAND2, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;State&amp;#34;, State, NEW, RED);&#10;&#10; plot(&amp;#34;PredictionLong&amp;#34;, PredictionLong, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;PredictionShort&amp;#34;, PredictionShort, 0|BARS, RED&amp;#43;TRANSP);&#10; }&#10;}&#10;&#10;function run() {&#10; // --------------------------------------------------------- //&#10; // Zorro 设置&#10; // --------------------------------------------------------- //&#10;&#10; // 日志&#10; set(LOGFILE);&#10; Verbose = 3;&#10;&#10; // 图表&#10; set(PLOTNOW);&#10; setf(PlotMode,PL_DIFF);&#10; PlotScale = 8;&#10; PlotHeight2 = 320;&#10;&#10; // 训练&#10; set(PARAMETERS|RULES);&#10; setf(TrainMode,TRADES);&#10; DataSplit = 85;&#10; NumWFOCycles = 10;&#10; NumCores = 0;&#10;&#10; // k线生成规则，7*24小时交易&#10; resf(BarMode,BR_WEEKEND);&#10; StartWeek = 0;&#10; EndWeek = 62359;&#10; StartMarket = 0;&#10; EndMarket = 2359;&#10; BarPeriod = 240;&#10; BarZone = UTC;&#10; BarOffset = 0;&#10; TickFix = 60000;&#10;&#9;if(Live) TickFix = 0;&#10;&#10; // 测试样本&#10; StartDate = 20180101;&#10; EndDate = 20251230;&#10; LookBack = 5000;&#10;&#10; // 下一根k线开盘时进场/平仓&#10; Fill = 3;&#10;&#10; // 固定头寸&#10; Lots = 100;&#10;&#10; // --------------------------------------------------------- //&#10; // 策略逻辑&#10; // --------------------------------------------------------- //&#10;&#10; asset(&amp;#34;BTCUSDT&amp;#34;);&#10; Leverage = 5;&#10; MarginCost = priceClose()*LotAmount/Leverage;&#10; tradeStrategy();&#10;}&lt;/code&gt;&lt;/pre&gt;&lt;h2 class="heading-element" id="4-回测结果分析"&gt;&lt;span&gt;4. 回测结果分析&lt;/span&gt;&#10; &lt;a href="#4-%e5%9b%9e%e6%b5%8b%e7%bb%93%e6%9e%9c%e5%88%86%e6%9e%90" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="训练阶段表现"&gt;&lt;span&gt;训练阶段表现&lt;/span&gt;&#10; &lt;a href="#%e8%ae%ad%e7%bb%83%e9%98%b6%e6%ae%b5%e8%a1%a8%e7%8e%b0" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;我们采用向前滚动验证（Walk-Forward Optimization, WFO）对模型进行训练，得到的各周期分类准确率如下。从数据上看，模型在训练集上尚有一定的识别能力（部分周期达到 60%-70%）：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;WFO Cycle 2&#10;&#10;Train BTCUSDT_L -Aug 2021- 54.0%&#10;Train BTCUSDT_S -Aug 2021- 52.0%&#10;Rules stored in ml_perceptron_v1_2_ml.c&#10;&#10;WFO Cycle 3&#10;&#10;Train BTCUSDT_L -Mar 2022- 60.0%&#10;Train BTCUSDT_S -Mar 2022- 57.0%&#10;Rules stored in ml_perceptron_v1_3_ml.c&#10;&#10;WFO Cycle 4&#10;&#10;Train BTCUSDT_L -Sep 2022- 64.0%&#10;Train BTCUSDT_S -Sep 2022- 56.0%&#10;Rules stored in ml_perceptron_v1_4_ml.c&#10;&#10;WFO Cycle 5&#10;&#10;Train BTCUSDT_L -Apr 2023- 55.0%&#10;Train BTCUSDT_S -Apr 2023- 47.0%&#10;Rules stored in ml_perceptron_v1_5_ml.c&#10;&#10;WFO Cycle 6&#10;&#10;Train BTCUSDT_L -Oct 2023- 60.0%&#10;Train BTCUSDT_S -Oct 2023- 53.0%&#10;Rules stored in ml_perceptron_v1_6_ml.c&#10;&#10;WFO Cycle 7&#10;&#10;Train BTCUSDT_L -May 2024- 56.0%&#10;Train BTCUSDT_S -May 2024- 50.0%&#10;Rules stored in ml_perceptron_v1_7_ml.c&#10;&#10;WFO Cycle 8&#10;&#10;Train BTCUSDT_L -Nov 2024- 74.0%&#10;Train BTCUSDT_S -Nov 2024- 59.0%&#10;Rules stored in ml_perceptron_v1_8_ml.c&#10;&#10;WFO Cycle 9&#10;&#10;Train BTCUSDT_L -Jun 2025- 59.0%&#10;Train BTCUSDT_S -Jun 2025- 78.0%&#10;Rules stored in ml_perceptron_v1_9_ml.c&#10;&#10;WFO Cycle 10&#10;&#10;Train BTCUSDT_L -Dec 2025- 62.0%&#10;Train BTCUSDT_S -Dec 2025- 76.0%&#10;Rules stored in ml_perceptron_v1_ml.c&lt;/code&gt;&lt;/pre&gt;&lt;h3 class="heading-element" id="样本外预测"&gt;&lt;span&gt;样本外预测&lt;/span&gt;&#10; &lt;a href="#%e6%a0%b7%e6%9c%ac%e5%a4%96%e9%a2%84%e6%b5%8b" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;感知器在样本外预测的表现令人失望。下图展示了预测结果：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;子图 1&lt;/strong&gt;：当前 K 线的市场实际状态（+1 为涨，0 为震荡，-1 为跌）。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;子图 2&lt;/strong&gt;：两个感知器模型的预测输出（绿色代表多头模型，红色代表空头模型）。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-perceptron/image.png' alt="image.png" height="1822" width="2768"&gt;&lt;/p&gt;&#10;&lt;p&gt;观察回测曲线可以发现，感知器对趋势的识别极其迟钝。在 2023 年第四季度至 2024 年第一季度期间，市场正处于强劲的单边牛市中，但多头模型的输出却持续低于 0（判定为负例，即市场处于下跌或震荡），而空头模型的预测反而持续大于 0（判定为正例，即市场处于下跌）。这种反向预测在实际交易中将导致灾难性的后果。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-perceptron/image_1.png' alt="image.png" height="1824" width="2796"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="引入预测强度fuzzy"&gt;&lt;span&gt;引入预测强度（FUZZY）&lt;/span&gt;&#10; &lt;a href="#%e5%bc%95%e5%85%a5%e9%a2%84%e6%b5%8b%e5%bc%ba%e5%ba%a6fuzzy" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;即使引入 &lt;code&gt;+FUZZY&lt;/code&gt; 参数来获取更精细的“预测强度”，结果依然没有改观。模型依然无法捕捉到最明显的趋势反转或持续特征。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-perceptron/image_2.png' alt="image.png" height="1822" width="2766"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="5-总结"&gt;&lt;span&gt;5. 总结&lt;/span&gt;&#10; &lt;a href="#5-%e6%80%bb%e7%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;通过对感知器模型的探索研究，我们可以总结出其表现糟糕的几个潜在原因：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;&#10;&lt;p&gt;&lt;strong&gt;市场的结构性变异&lt;/strong&gt;：量化模型面临的最大敌人是“分布漂移”。如果训练集主要是震荡市或熊市数据，而测试集进入了牛市，感知器这种简单的线性模型很难在瞬息万变的分布转换中保持鲁棒性。&lt;/p&gt;&#10;&lt;/li&gt;&#10;&lt;li&gt;&#10;&lt;p&gt;&lt;strong&gt;线性模型的局限性&lt;/strong&gt;：感知器只能处理线性可分的问题。然而，金融市场的特征与收益率之间往往存在复杂的非线性关系。如果盈利样本与亏损样本在特征空间中是以非线性方式交织的，感知器永远无法找到那条能有效切分的“直线”。&lt;/p&gt;&#10;&lt;/li&gt;&#10;&lt;li&gt;&#10;&lt;p&gt;&lt;strong&gt;特征预测能力不足&lt;/strong&gt;：目前的特征（波动率、MACD 等）可能并未包含足够的预测信息，或者感知器这种结构无法有效提取这些信息。&lt;/p&gt;&#10;&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;h3 class="heading-element" id="思考与改进"&gt;&lt;span&gt;思考与改进&lt;/span&gt;&#10; &lt;a href="#%e6%80%9d%e8%80%83%e4%b8%8e%e6%94%b9%e8%bf%9b" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;对比我们之前进行的&lt;strong&gt;决策树模型&lt;/strong&gt;测试，在相同的特征和目标变量下，决策树的表现显著优于感知器。这进一步印证了金融数据中非线性逻辑的重要性。&lt;/p&gt;&#10;&lt;p&gt;感知器虽然是神经网络的起源，但在充满噪声和非线性的量化金融领域，它更适合作为一个基线模型，而非独立作战的决策工具。&lt;/p&gt;&#10;</description></item><item><title>基于决策树的机器学习策略：从预测价格到预测市场结构</title><link>http://localhost:1313/posts/ml-decision-tree-v2/</link><pubDate>Tue, 17 Mar 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/ml-decision-tree-v2/</guid><category domain="http://localhost:1313/categories/%E4%BA%A4%E6%98%93%E7%AD%96%E7%95%A5/">交易策略</category><description>&lt;img src="http://localhost:1313/posts/ml-decision-tree-v2/image.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;p&gt;近期我尝试利用 Zorro 内置的决策树模型构建机器学习交易策略。在初步构建的模型中，策略未能实现稳定的盈利。经过复盘，我认为根本原因主要集中在两点：1. 选用的特征缺乏足够的非线性预测能力；2. 选择了错误的目标变量。&lt;/p&gt;&#10;&lt;p&gt;接下来的核心工作将围绕特征工程重构与目标变量调整展开，期望通过这一轮优化，能够逐步逼近“创建稳定盈利的机器学习策略”这一最终目标。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="1-目标变量的重构从预测未来走向预测市场结构"&gt;&lt;span&gt;1. 目标变量的重构：从预测未来走向“预测市场结构”&lt;/span&gt;&#10; &lt;a href="#1-%e7%9b%ae%e6%a0%87%e5%8f%98%e9%87%8f%e7%9a%84%e9%87%8d%e6%9e%84%e4%bb%8e%e9%a2%84%e6%b5%8b%e6%9c%aa%e6%9d%a5%e8%b5%b0%e5%90%91%e9%a2%84%e6%b5%8b%e5%b8%82%e5%9c%ba%e7%bb%93%e6%9e%84" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;在初步模型中，我们简单地将下一笔交易的 PnL（盈亏）作为目标变量。&lt;/p&gt;&#10;&lt;p&gt;在传统的量化机器学习应用中，人们通常习惯于预测未来特定窗口期的价格绝对变化（回归问题），或者预测未来价格涨跌的符号（分类问题）。但大量的实盘经验证明，机器学习模型无法精准预测绝对的未来价格。基于此，我们必须进行建模思维的范式转换：从直接预测价格涨跌，转变为测度未来的“市场结构（Market Structure）”。&lt;/p&gt;&#10;&lt;p&gt;我们将市场结构划分为三种状态：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;上涨状态（标志为 +1）&lt;/strong&gt;&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;下跌状态（标志为 -1）&lt;/strong&gt;&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;震荡状态（标志为 0）&lt;/strong&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;具体算法如下：&lt;/strong&gt;&#10;首先，将低通滤波器（Lowpass Filter）应用于收盘价，以提取极其平滑的长期趋势线。随后，基于真实波动幅度（ATR）与波动率乘数构建动态波动率通道。&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;当趋势线上升，且收盘价高于通道上轨时，将市场状态标记为 +1（上涨状态）&lt;/li&gt;&#10;&lt;li&gt;当趋势线下降，且收盘价低于通道下轨时，将市场状态标记为 -1（下跌状态）&lt;/li&gt;&#10;&lt;li&gt;其余时间皆标记为 0（震荡状态）&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;最终，我们的目标变量被定义为：&lt;strong&gt;预测未来一天的市场结构。&lt;/strong&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="核心机制解析"&gt;&lt;span&gt;核心机制解析&lt;/span&gt;&#10; &lt;a href="#%e6%a0%b8%e5%bf%83%e6%9c%ba%e5%88%b6%e8%a7%a3%e6%9e%90" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;此时会产生一个技术疑问：我们的目标变量包含三个离散水平值（-100, 0, 100），在调用 &lt;code&gt;adviseLong(DTREE)&lt;/code&gt; 时，Zorro 底层是在拟合回归模型还是分类模型？&lt;/p&gt;&#10;&lt;p&gt;直觉上，如果是纯粹的多分类模型，输出应该严丝合缝地落在 { -100, 0, 100 } 这三个选项上。然而，&lt;code&gt;adviseLong&lt;/code&gt; 的实际输出却是一个受限的连续变量。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;其底层逻辑在于：Zorro 巧妙地将多分类问题转化成了“概率期望值回归”。&lt;/strong&gt;&lt;/p&gt;&#10;&lt;p&gt;当决策树根据输入的特征矩阵层层分裂，最终到达某个“叶子节点”时（例如该节点定义的规则是：MACD动能极强 且 均线偏离度适中）。假设在该同质化节点中，共计落入了 1000 个历史训练样本：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;其中 100 个样本随后进入大涨状态（目标值 +100）；&lt;/li&gt;&#10;&lt;li&gt;其中 50 个样本随后进入大跌状态（目标值 -100）；&lt;/li&gt;&#10;&lt;li&gt;剩余 850 个样本随后陷入震荡状态（目标值 0）。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;Zorro 会计算该叶子节点的目标系统算数平均期望。即：&#10;&lt;code&gt;(100 * 100 + 50 * -100 + 850 * 0) / 1000 = +5&lt;/code&gt;&lt;/p&gt;&#10;&lt;p&gt;为了更直观地理解，我们可以将其梳理为以下图表：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;========================================================================&#10; ▶ 第一步：新数据进入漏斗 (Test Mode: 接收当前最新的一根 K 线)&#10;========================================================================&#10; &#10; [ 当前特征集 Sigs ]&#10; Sig_MACD = 45.0&#10; Sig_Vola = 1.2&#10; Sig_Dist = -0.1&#10; |&#10; V&#10;========================================================================&#10; ▶ 第二步：决策树模型层层筛选 (沿着规则树寻找归属)&#10;========================================================================&#10; &#10; [ 节点 1 : Sig_MACD &amp;gt; 30? ]&#10; / \&#10; 是(Yes) 否(No)&#10; / \&#10; [ 节点 2 : Sig_Vola &amp;lt; 1.5? ] [ 走向其他规则分支... ]&#10; / \&#10; 是(Yes) 否(No)&#10; / \&#10; 【 叶子节点 A 】 【 叶子节点 B 】&#10; (当前K线匹配该规则，落入此桶)&#10;&#10;========================================================================&#10; ▶ 第三步：调取“叶子节点 A”的先验概率 (从 Train Mode 的记忆中提取)&#10;========================================================================&#10;&#10; &amp;#43;-------------------------------------------------------------&amp;#43;&#10; | 📦 叶子节点 A (Leaf Node) 档案室 |&#10; |-------------------------------------------------------------|&#10; | 历史上所有满足 [MACD&amp;gt;30 且 Vola&amp;lt;1.5] 的 K 线共计 100 根。 |&#10; | 根据历史真实走势，这 100 根后续状态统计如下： |&#10; | |&#10; | 📈 状态分类 目标值(Target) 历史分布 经验概率P(x) |&#10; | [1] 趋势大涨 --&amp;gt; &amp;#43;100 --&amp;gt; 25次 --&amp;gt; 25% |&#10; | [0] 陷入震荡 --&amp;gt; 0 --&amp;gt; 58次 --&amp;gt; 58% |&#10; | [-1] 趋势大跌 --&amp;gt; -100 --&amp;gt; 17次 --&amp;gt; 17% |&#10; &amp;#43;-------------------------------------------------------------&amp;#43;&#10; |&#10; V&#10;========================================================================&#10; ▶ 第四步：计算最终数学期望 (Zorro 的连续值转换公式)&#10;========================================================================&#10;&#10; Output = ∑ [ 状态概率 * 状态目标值 ]&#10; Output = (25% * 100) &amp;#43; (58% * 0) &amp;#43; (17% * -100)&#10; = &amp;#43;25 &amp;#43; 0 - 17&#10; = &amp;#43;8&#10; |&#10; V&#10;========================================================================&#10; ▶ 最终结果输出与执行&#10;========================================================================&#10;&#10; [ Prediction = &amp;#43;8 ] &#10; &#10; 交给外层交易逻辑进行评判：&#10; &amp;#34;在当前的特征组合下，历史上做多具有净胜概率优势（&amp;#43;8分）。&#10; 由于该期望值大于策略设定的入场阈值（如&amp;#43;5分），准许执行做多！&amp;#34;&lt;/code&gt;&lt;/pre&gt;&lt;h2 class="heading-element" id="2-特征工程与标准化处理"&gt;&lt;span&gt;2. 特征工程与标准化处理&lt;/span&gt;&#10; &lt;a href="#2-%e7%89%b9%e5%be%81%e5%b7%a5%e7%a8%8b%e4%b8%8e%e6%a0%87%e5%87%86%e5%8c%96%e5%a4%84%e7%90%86" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;在确认了目标变量后，我们选取了 5 个不同维度的特征。特征的选择需满足两大原则：1. 必须从多个正交（或低相关）的视角描述价格行为；2. 各特征间需相互配合，以便决策树模型发挥其捕捉非线性关系的优势。&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;指标&lt;/th&gt;&#10; &lt;th&gt;测度类型&lt;/th&gt;&#10; &lt;th&gt;计算逻辑&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;strong&gt;AtrRatio&lt;/strong&gt;&lt;/td&gt;&#10; &lt;td&gt;波动率异动&lt;/td&gt;&#10; &lt;td&gt;ATR(20) / ATR(100)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;strong&gt;Distance2Trend&lt;/strong&gt;&lt;/td&gt;&#10; &lt;td&gt;趋势偏离度&lt;/td&gt;&#10; &lt;td&gt;Price / Lowpass(Price, 300) - 1&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;strong&gt;FractalDimension&lt;/strong&gt;&lt;/td&gt;&#10; &lt;td&gt;市场微观分形&lt;/td&gt;&#10; &lt;td&gt;FractalDimension(Price, 50)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;strong&gt;MACDHistogram&lt;/strong&gt;&lt;/td&gt;&#10; &lt;td&gt;动能加速度&lt;/td&gt;&#10; &lt;td&gt;MACD(12, 26, 9) Histogram&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;&lt;strong&gt;AroonOscillator&lt;/strong&gt;&lt;/td&gt;&#10; &lt;td&gt;市场内部动量&lt;/td&gt;&#10; &lt;td&gt;AroonOsc(300)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;p&gt;在将其喂入机器学习模型前，&lt;strong&gt;数据标准化（归一化）处理&lt;/strong&gt;至关重要。考虑到不同指标的数学特性不同，我们采用了两种策略分类处理：静态阈值映射与动态滚动标准化。&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;&lt;strong&gt;均线偏离度 (Distance2Trend)&lt;/strong&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;特性：&lt;/strong&gt; 取值主要在 -0.2 到 0.2 之间震荡，0 表示价格贴合均线。不受绝对标的价格影响，属于典型的平稳时间序列。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;处理公式：&lt;/strong&gt; &lt;code&gt;clamp(Dist2Trends[0] * 400, -100, 100)&lt;/code&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;分形维数 (FractalDimension)&lt;/strong&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;特性：&lt;/strong&gt; 取值严格在 1.0 到 2.0 之间波动。我们使用静态数学映射，以理论中心点 1.5 作为 0 轴，1.0 映射为 -100，2.0 映射为 100。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;处理公式：&lt;/strong&gt; &lt;code&gt;clamp((Regimes[0] - 1.5) * 200, -100, 100)&lt;/code&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;动能加速度 (MACDHistogram)&lt;/strong&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;特性：&lt;/strong&gt; 没有明确的物理边界，且其绝对波动率会随着行情级别动态变化，属于非平稳时间序列。静态映射会失效，因此采用计算滚动标准差的方法（Rolling Z-score）进行标准化。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;波动性比率 (AtrRatio)&lt;/strong&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;特性：&lt;/strong&gt; 数据大致分布在 0.5 到 2.0 之间，中心值为 1.0。高于 1.0 代表短期波动性爆发，低于则为极度萎缩状态。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;处理公式：&lt;/strong&gt; &lt;code&gt;clamp((VolaRatios[0] - 1.0) * 100, -100, 100)&lt;/code&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;阿隆振荡器 (AroonOscillator)&lt;/strong&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;特性：&lt;/strong&gt; 本身的数学定义即被限制在 &lt;code&gt;[-100, 100]&lt;/code&gt; 之间，无需额外处理。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;经过缩放处理后，所有输入特征均被严格规范在 &lt;code&gt;[-100, 100]&lt;/code&gt; 的闭区间内，有效避免了模型对绝对量级较大指标的过度拟合。&lt;/p&gt;&#10;&lt;p&gt;下图显示原始特征。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-decision-tree-v2/image.png' alt="/posts/ml-decision-tree-v2/image.png" height="1838" width="2770"&gt;&lt;/p&gt;&#10;&lt;p&gt;下图显示经过缩放的特征。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-decision-tree-v2/image1.png' alt="/posts/ml-decision-tree-v2/image1.png" height="1834" width="2780"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="3-模型训练"&gt;&lt;span&gt;3. 模型训练&lt;/span&gt;&#10; &lt;a href="#3-%e6%a8%a1%e5%9e%8b%e8%ae%ad%e7%bb%83" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;标的与样本：&lt;/strong&gt; BTCUSDT，4 小时 K 线。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;回测区间：&lt;/strong&gt; 2018 年 - 2025 年。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;验证方法：&lt;/strong&gt; 滚动前向优化（Walk-Forward Optimization, WFO=10），训练集比例为85%。整个时间序列被划分为 10 个周期，在每个周期的训练集上拟合 1 个决策树模型，并在未参与训练的样本外测试集上生成预测。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-decision-tree-v2/image2.png' alt="/posts/ml-decision-tree-v2/image2.png" height="1384" width="640"&gt;&lt;/p&gt;&#10;&lt;p&gt;下图显示样本外的预测结果。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-decision-tree-v2/image3.png' alt="/posts/ml-decision-tree-v2/image3.png" height="1848" width="2782"&gt;&lt;/p&gt;&#10;&lt;p&gt;我们可以将决策树模型的输出值视为未来一天走势的“多空动能温度计”（其取值范围大多分布在 &lt;code&gt;[-60, 30]&lt;/code&gt; ）：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;0 轴附近：&lt;/strong&gt; 预示未来一天多空力量陷入死水或极致势均力敌，属高杂音区，应规避交易。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;显著高于 0：&lt;/strong&gt; 预示市场结构倾向于上涨的期望为正，多头占据统计学优势，适合做多。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;显著低于 0：&lt;/strong&gt; 预示市场结构倾向于下跌的期望为负，空头占据统计学优势，适合做空。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="4-策略逻辑与源码实现"&gt;&lt;span&gt;4. 策略逻辑与源码实现&lt;/span&gt;&#10; &lt;a href="#4-%e7%ad%96%e7%95%a5%e9%80%bb%e8%be%91%e4%b8%8e%e6%ba%90%e7%a0%81%e5%ae%9e%e7%8e%b0" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;基于上述模型信号，我们设计了简单的交易策略：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;当 &lt;code&gt;预测信号 &amp;gt; 做多阈值&lt;/code&gt; 时，多头开仓（或单边市保持多头）；&lt;/li&gt;&#10;&lt;li&gt;当 &lt;code&gt;预测信号 &amp;lt; 0&lt;/code&gt; 时，多头绝对动能丧失，多头平仓；&lt;/li&gt;&#10;&lt;li&gt;当 &lt;code&gt;预测信号 &amp;lt; 做空阈值&lt;/code&gt; 时，空头开仓；&lt;/li&gt;&#10;&lt;li&gt;当 &lt;code&gt;预测信号 &amp;gt; 0&lt;/code&gt; 时，空头绝对动能丧失，空头平仓。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;Zorro C-Lite 源码：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;#include &amp;lt;profile.c&amp;gt;&#10;#include &amp;lt;utils.c&amp;gt;&#10;#include &amp;lt;myindicators.c&amp;gt;&#10;&#10;void tradeStrategy() {&#10; // ==================== 计算指标 ====================&#10;&#9;vars Prices = series(price());&#10; vars Trends = series(LowPass(Prices,300));&#10; vars Dist2Trends = series(Prices[0]/Trends[0]-1);&#10; vars Regimes = series(FractalDimension(Prices,50));&#10; MACD(Prices,12,26,9);&#10; vars Moms = series(rMACDHist);&#10; var ATR100 = ATR(100);&#10; vars VolaRatios = series(ATR(20)/ATR100);&#10; vars Aroons = series(AroonOsc(300));&#10;&#10; var ChannelUpper = Trends[0]&amp;#43;1.*ATR100;&#10; var ChannelLower = Trends[0]-1.*ATR100;&#10; var State = 0;&#10; if(rising(Trends) &amp;amp;&amp;amp; Prices[0] &amp;gt; ChannelUpper) {&#10; State = 1;&#10; } else if (falling(Trends) &amp;amp;&amp;amp; Prices[0] &amp;lt; ChannelLower) {&#10; State = -1;&#10; }&#10;&#10; // ==================== 特征缩放 ====================&#10; vars Sigs0 = series(clamp(Dist2Trends[0]*400,-100,100));&#10; vars Sigs1 = series(clamp((Regimes[0]-1.5)*200,-100,100));&#10;&#10; var MacdStd = StdDev(Moms,200);&#10; if(MacdStd &amp;lt; 0.00001) MacdStd = 0.00001;&#10; vars Sigs2 = series(clamp((Moms[0]/MacdStd)*33.3,-100,100));&#10;&#10; vars Sigs3 = series(clamp((VolaRatios[0]-1.0)*100,-100,100));&#10; vars Sigs4 = series(Aroons[0]);&#10;&#10;&#9;// ==================== 目标变量 ====================&#10; var Target = State*100;&#10;&#10;&#9;// ==================== 机器学习 ====================&#10;&#9;// 预测1天后的市场结构&#10;&#9;int Offset = ifelse(Train, 6, 0);&#10;&#9;var Prediction = adviseLong(DTREE, Target,&#10;&#9; Sigs0[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;Sigs1[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;Sigs2[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;Sigs3[Offset],&#10;&#9;&#9;&#9;&#9;&#9;&#9;&#9;&#9;Sigs4[Offset]);&#10;&#10;&#9;// ==================== 交易逻辑 ====================&#10;&#9;var EntryThresholdLong = 2;&#10;&#9;var EntryThresholdShort = -5;&#10;&#9;if(NumOpenLong &amp;gt; 0 &amp;amp;&amp;amp; Prediction &amp;lt; 0)&#10;&#9; exitLong();&#10;&#9;if(NumOpenShort &amp;gt; 0 &amp;amp;&amp;amp; Prediction &amp;gt; 0)&#10;&#9; exitShort();&#10;&#9;if(NumOpenLong == 0 &amp;amp;&amp;amp; Prediction &amp;gt; EntryThresholdLong)&#10;&#9; enterLong();&#10;&#9;if(NumOpenShort == 0 &amp;amp;&amp;amp; Prediction &amp;lt; EntryThresholdShort)&#10;&#9; enterShort();&#10;&#10;&#9;// ==================== 图表绘制 ====================&#10; if(Test &amp;amp;&amp;amp; !is(LOOKBACK)) {&#10; // plot(&amp;#34;Dist2Trend&amp;#34;, Dist2Trends, NEW, RED);&#10; // plot(&amp;#34;Regime&amp;#34;, Regimes, NEW, RED);&#10; // plot(&amp;#34;MACDHist&amp;#34;, Moms, NEW, RED);&#10; // plot(&amp;#34;VolaRatio&amp;#34;, VolaRatios, NEW, RED);&#10; // plot(&amp;#34;AroonOsc&amp;#34;, Aroons, NEW, RED);&#10;&#10; // plot(&amp;#34;Sig_Dist&amp;#34;, Sigs0, NEW, BLUE);&#10; // plot(&amp;#34;Sig_Regime&amp;#34;, Sigs1, NEW, BLUE);&#10; // plot(&amp;#34;Sig_MACD&amp;#34;, Sigs2, NEW, BLUE);&#10; // plot(&amp;#34;Sig_Vola&amp;#34;, Sigs3, NEW, BLUE);&#10; // plot(&amp;#34;Sig_Aroon&amp;#34;, Sigs4, NEW, BLUE);&#10;&#10; plot(&amp;#34;ChannelUpper&amp;#34;, ChannelUpper, MAIN|BAND1, GREY);&#10; plot(&amp;#34;ChannelLower&amp;#34;, ChannelLower, MAIN|BAND2, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;State&amp;#34;, State, NEW, RED);&#10;&#10; plot(&amp;#34;Prediction&amp;#34;, Prediction, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;Pred&amp;#43;&amp;#34;, EntryThresholdLong, 0, GREY);&#10; plot(&amp;#34;Pred-&amp;#34;, EntryThresholdShort, 0, GREY);&#10; }&#10;}&#10;&#10;function run() {&#10; // --------------------------------------------------------- //&#10; // Zorro 环境设置&#10; // --------------------------------------------------------- //&#10;&#10; // 日志&#10; set(LOGFILE);&#10; Verbose = 3;&#10;&#10; // 图表&#10; set(PLOTNOW);&#10; setf(PlotMode,PL_DIFF);&#10; PlotScale = 8;&#10; PlotHeight2 = 320;&#10;&#10; // 训练参数&#10; set(PARAMETERS|RULES);&#10; setf(TrainMode,TRADES);&#10; DataSplit = 85;&#10; NumWFOCycles = 10;&#10; NumCores = 0;&#10;&#10; // K线生成规则：7*24小时交易机制&#10; resf(BarMode,BR_WEEKEND);&#10; StartWeek = 0;&#10; EndWeek = 62359;&#10; StartMarket = 0;&#10; EndMarket = 2359;&#10; BarPeriod = 240;&#10; BarZone = UTC;&#10; BarOffset = 0;&#10; TickFix = 60000;&#10;&#9;if(Live) TickFix = 0;&#10;&#10; // 测试样本区间&#10; StartDate = 20180101;&#10; EndDate = 20251230;&#10; LookBack = 5000;&#10;&#10; // 延迟成交模拟：下一根k线开盘价执行进/出场&#10; Fill = 3;&#10;&#10; // 固定规模&#10; Lots = 100;&#10;&#10; // --------------------------------------------------------- //&#10; // 策略主体调用&#10; // --------------------------------------------------------- //&#10;&#10; asset(&amp;#34;BTCUSDT&amp;#34;);&#10; Leverage = 5;&#10; MarginCost = priceClose()*LotAmount/Leverage;&#10; tradeStrategy();&#10;}&lt;/code&gt;&lt;/pre&gt;&lt;h2 class="heading-element" id="5-回测结果"&gt;&lt;span&gt;5. 回测结果&lt;/span&gt;&#10; &lt;a href="#5-%e5%9b%9e%e6%b5%8b%e7%bb%93%e6%9e%9c" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;WFO 样本外测试结果如下，表现差强人意：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;盈利因子： 1.23&lt;/li&gt;&#10;&lt;li&gt;年均交易次数： 36 笔&lt;/li&gt;&#10;&lt;li&gt;胜率： 36%&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;虽然实现了微弱盈利，但净值曲线未能呈现稳定上升，且最大回撤巨大，远远达不到实盘部署的标准。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-decision-tree-v2/image4.png' alt="/posts/ml-decision-tree-v2/image4.png" height="1830" width="2832"&gt;&lt;/p&gt;&#10;&lt;p&gt;分析历史交易发现：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;决策树模型有效削减了中长期趋势回调时的“假动作”。例如在 2023 年 8-9 月，市场处于中期下行结构中，8 月末曾出现过极其暴力的超跌反弹。此时传统均线/动能指标纷纷发出多头反转信号，但在 DTREE 模型中，其连续合成的期望值依然为负数。它在宏观视角上坚守了空头观点，完美规避了这种反复挨打的宽幅震荡噪音。但这同时也牺牲了平仓的时效性，导致利润回撤较大。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-decision-tree-v2/image5.png' alt="/posts/ml-decision-tree-v2/image5.png" height="1822" width="2842"&gt;&lt;/p&gt;&#10;&lt;ol start="2"&gt;&#10;&lt;li&gt;该模型存在一个致命的逻辑盲区。在长期大牛市行情的末期（或者是多头结构内部的复杂整理期），上涨动能开始衰竭，价格往往会围绕长周期均线展开宽幅震荡。此时由于价格表现出“震荡向上”或“高位派发”的特征，长周期的多头逻辑其实并未破灭，但决策树模型对动能衰竭过于敏感，其输出持续低于 0 线。这直接导致策略在牛市的高位盘整区不断做空并亏损。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-decision-tree-v2/image6.png' alt="/posts/ml-decision-tree-v2/image6.png" height="1824" width="2828"&gt;&lt;/p&gt;&#10;&lt;ol start="3"&gt;&#10;&lt;li&gt;当前特征与设定目标所孕育出的策略，本质上仍属于“趋势跟随策略”。所以它逃脱不了趋势策略的核心宿命：在窄幅低波动震荡中，它做到了规避（相较于传统均线交叉显著减少了亏损频次）；但在宽幅且方向反复的整理行情中，它依然会遭受持续亏损。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;h2 class="heading-element" id="6-经验总结"&gt;&lt;span&gt;6. 经验总结&lt;/span&gt;&#10; &lt;a href="#6-%e7%bb%8f%e9%aa%8c%e6%80%bb%e7%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;此次实验虽然尚未打造稳定盈利的策略，但验证了 Zorro 平台 &lt;code&gt;adviseLong&lt;/code&gt; 对连续期望值的输出机制，同时证实了通过机器学习技术确实能对市场结构（而非绝对价格）进行概率建模。&lt;/p&gt;&#10;&lt;p&gt;针对“进场/平仓时机滞后”以及“宽幅震荡持续亏损”的问题，当前的决策树依然没能精确识别市场结构。接下来将围绕两个方向继续优化：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;当前选用的 5 个特征预测能力有限，需要挖掘预测能力更强的特征。&lt;/li&gt;&#10;&lt;li&gt;机器学习的输出不必直接用来生成交易信号；更加成熟稳妥的做法，可能是利用决策树的分类能力，将其作为传统动能策略的趋势滤波器。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;</description></item><item><title>Zorro决策树模型实战：用机器学习做日内交易</title><link>http://localhost:1313/posts/ml-decision-tree/</link><pubDate>Thu, 12 Mar 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/ml-decision-tree/</guid><category domain="http://localhost:1313/categories/%E4%BA%A4%E6%98%93%E7%AD%96%E7%95%A5/">交易策略</category><description>&lt;img src="http://localhost:1313/posts/ml-decision-tree/image.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;p&gt;研究目标：构建一个基于决策树模型的最小可行性策略，深度拆解 Zorro 机器学习引擎的底层机制，特征预处理逻辑以及目标变量的加权运算原理。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="1-核心引擎adviselong--adviseshort-函数解析"&gt;&lt;span&gt;1. 核心引擎：&lt;code&gt;adviseLong / adviseShort&lt;/code&gt; 函数解析&lt;/span&gt;&#10; &lt;a href="#1-%e6%a0%b8%e5%bf%83%e5%bc%95%e6%93%8eadviselong--adviseshort-%e5%87%bd%e6%95%b0%e8%a7%a3%e6%9e%90" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;在 Zorro 中，&lt;code&gt;adviseLong&lt;/code&gt; 和 &lt;code&gt;adviseShort&lt;/code&gt; 是连接交易逻辑与底层机器学习引擎的桥梁。为了适应金融市场多空结构的不对称性，系统要求分别为多头和空头训练独立的模型。&lt;/p&gt;&#10;&lt;p&gt;该函数在系统处于不同模式时，表现出截然不同的行为特征：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;训练模式&lt;/strong&gt;：充当&lt;strong&gt;数据采集器&lt;/strong&gt;。它负责收集当前的特征向量，等待相关的历史交易平仓后，将特征与实际盈亏（PnL）打包成训练样本。此时函数返回系统硬编码值 &lt;code&gt;100&lt;/code&gt;。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;测试与实盘模式&lt;/strong&gt;：充当&lt;strong&gt;预测器&lt;/strong&gt;。它将当前特征输入已训练好的模型，输出预测置信度分数。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;关键参数配置：&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;Method (&lt;code&gt;DTREE + RETURNS&lt;/code&gt;)&lt;/strong&gt;：指定使用原生的决策树算法。&lt;code&gt;+RETURNS&lt;/code&gt; 标志是一个极其核心的设定，它指示引擎摒弃传统的自定义目标变量，直接追踪下一笔实际开仓交易的 PnL（包含滑点与成本）作为目标变量。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;Objective (&lt;code&gt;0&lt;/code&gt;)&lt;/strong&gt;：由于使用了 &lt;code&gt;+RETURNS&lt;/code&gt;，此处需设为 &lt;code&gt;0&lt;/code&gt;。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;Signals&lt;/strong&gt;：输入的特征向量数组。Zorro 原生算法要求特征的量纲需对齐，官方推荐通过预处理将其映射至 &lt;code&gt;[-100, 100]&lt;/code&gt; 区间，以优化底层 C 引擎的分箱（Binning）计算效率。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="2-特征工程与归一化预处理"&gt;&lt;span&gt;2. 特征工程与归一化预处理&lt;/span&gt;&#10; &lt;a href="#2-%e7%89%b9%e5%be%81%e5%b7%a5%e7%a8%8b%e4%b8%8e%e5%bd%92%e4%b8%80%e5%8c%96%e9%a2%84%e5%a4%84%e7%90%86" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;为了建立良好的基线策略，本次提取了两个具有清晰逻辑的正交特征。在量化特征预处理中，若指标的理论边界已知，&lt;strong&gt;采用静态线性映射远优于动态平滑缩放（如Z-Score）&lt;/strong&gt;，这能避免高低波动期带来的特征畸变。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;特征 1：趋势概率&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;逻辑&lt;/strong&gt;：对价格应用低通滤波器提取趋势，利用模糊逻辑（Fuzzy Logic, &lt;code&gt;risingF/fallingF&lt;/code&gt;）将趋势斜率转化为 &lt;code&gt;[0, 1]&lt;/code&gt; 的概率值。趋近 1 为强多头，趋近 0 为强空头，0.5 附近代表震荡。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;标准化&lt;/strong&gt;：将其去中心化并放大，映射至 &lt;code&gt;[-100, 100]&lt;/code&gt;。&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;em&gt;公式&lt;/em&gt;：&lt;code&gt;(RisingProb - 0.5) * 200&lt;/code&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;特征 2：短期动量 (Fisher Transform)&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;逻辑&lt;/strong&gt;：衡量价格的短期极值与均值回归倾向。原生态取值通常在 &lt;code&gt;[-4, 4]&lt;/code&gt; 之间。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;标准化&lt;/strong&gt;：放大 25 倍映射至核心区间，并利用 &lt;code&gt;clamp()&lt;/code&gt; 函数对罕见的黑天鹅极值进行截断，防止数据溢出污染模型。&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;em&gt;公式&lt;/em&gt;：&lt;code&gt;clamp(Cycles[0] * 25, -100, 100)&lt;/code&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="3-目标变量伪分类与加权信息熵"&gt;&lt;span&gt;3. 目标变量：伪分类与加权信息熵&lt;/span&gt;&#10; &lt;a href="#3-%e7%9b%ae%e6%a0%87%e5%8f%98%e9%87%8f%e4%bc%aa%e5%88%86%e7%b1%bb%e4%b8%8e%e5%8a%a0%e6%9d%83%e4%bf%a1%e6%81%af%e7%86%b5" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;在标准机器学习中，预测连续的 PnL 属于回归问题，或将 PnL 的正负转化为 +1/-1 的纯二元分类。但在交易中，&lt;strong&gt;纯分类存在致命缺陷：它忽略了盈亏的绝对大小。&lt;/strong&gt; 高胜率的微利样本如果与极低胜率的爆仓样本被错误打包，将会导致策略破产。&lt;/p&gt;&#10;&lt;p&gt;Zorro 采用了一种极其高明的处理策略：&lt;strong&gt;以 PnL 绝对值为样本权重的二元分类&lt;/strong&gt;。&lt;/p&gt;&#10;&lt;p&gt;当一笔交易结束并产生 PnL 时：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;&lt;strong&gt;分类标签&lt;/strong&gt;：&lt;code&gt;PnL &amp;gt; 0&lt;/code&gt; 记为正类，&lt;code&gt;PnL &amp;lt; 0&lt;/code&gt; 记为负类。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;样本权重&lt;/strong&gt;：&lt;code&gt;|PnL|&lt;/code&gt; 的绝对值作为计算信息熵的权重因子。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;&lt;strong&gt;加权信息增益的切分逻辑：&lt;/strong&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;span class="katex-error" title="ParseError: KaTeX parse error: LaTeX-incompatible input and strict mode is set to &amp;#x27;error&amp;#x27;: Unicode text character &amp;quot;正&amp;quot; used in math mode [unicodeTextInMathMode] at position 3: P(正̲类) = \frac{节点内所…" style="color:#ff4949"&gt;P(正类) = \frac{节点内所有盈利交易的利润总和}{节点内所有交易的盈亏绝对值总和}&lt;/span&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;em&gt;案例&lt;/em&gt;：某节点包含 4 笔 +10 美元盈利和 1 笔 -100 美元亏损。&#10;&lt;ul&gt;&#10;&lt;li&gt;标准分类器因拥有 80% 胜率，会将其视为高纯度盈利节点。&lt;/li&gt;&#10;&lt;li&gt;Zorro 引擎计算其正类加权概率仅为 &lt;span class="katex"&gt;&lt;span class="katex-mathml"&gt;&lt;math xmlns="http://www.w3.org/1998/Math/MathML"&gt;&lt;semantics&gt;&lt;mrow&gt;&lt;mfrac&gt;&lt;mn&gt;40&lt;/mn&gt;&lt;mn&gt;140&lt;/mn&gt;&lt;/mfrac&gt;&lt;mo&gt;≈&lt;/mo&gt;&lt;mn&gt;28.5&lt;/mn&gt;&lt;mi mathvariant="normal"&gt;%&lt;/mi&gt;&lt;/mrow&gt;&lt;annotation encoding="application/x-tex"&gt;\frac{40}{140} \approx 28.5\%&lt;/annotation&gt;&lt;/semantics&gt;&lt;/math&gt;&lt;/span&gt;&lt;span class="katex-html" aria-hidden="true"&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:1.1901em;vertical-align:-0.345em;"&gt;&lt;/span&gt;&lt;span class="mord"&gt;&lt;span class="mopen nulldelimiter"&gt;&lt;/span&gt;&lt;span class="mfrac"&gt;&lt;span class="vlist-t vlist-t2"&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.8451em;"&gt;&lt;span style="top:-2.655em;"&gt;&lt;span class="pstrut" style="height:3em;"&gt;&lt;/span&gt;&lt;span class="katex-sizing reset-size6 size3 mtight"&gt;&lt;span class="mord mtight"&gt;&lt;span class="mord mtight"&gt;140&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span style="top:-3.23em;"&gt;&lt;span class="pstrut" style="height:3em;"&gt;&lt;/span&gt;&lt;span class="frac-line" style="border-bottom-width:0.04em;"&gt;&lt;/span&gt;&lt;/span&gt;&lt;span style="top:-3.394em;"&gt;&lt;span class="pstrut" style="height:3em;"&gt;&lt;/span&gt;&lt;span class="katex-sizing reset-size6 size3 mtight"&gt;&lt;span class="mord mtight"&gt;&lt;span class="mord mtight"&gt;40&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-s"&gt;​&lt;/span&gt;&lt;/span&gt;&lt;span class="vlist-r"&gt;&lt;span class="vlist" style="height:0.345em;"&gt;&lt;span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="mclose nulldelimiter"&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="mspace" style="margin-right:0.2778em;"&gt;&lt;/span&gt;&lt;span class="mrel"&gt;≈&lt;/span&gt;&lt;span class="mspace" style="margin-right:0.2778em;"&gt;&lt;/span&gt;&lt;/span&gt;&lt;span class="katex-base"&gt;&lt;span class="katex-strut" style="height:0.8056em;vertical-align:-0.0556em;"&gt;&lt;/span&gt;&lt;span class="mord"&gt;28.5%&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;&lt;/span&gt;。算法会认定该节点包含毁灭性做多风险，从而继续进行深度特征切分，试图将那笔 -100 美元的交易孤立（或剪枝）。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;模型输出解析（置信度得分）：&lt;strong&gt;叶节点最终的输出跨度为 &lt;code&gt;[-100, 100]&lt;/code&gt;。它并非统计学概率，而是基于上述公式映射的&lt;/strong&gt;盈亏期望值（Expectancy Score）&lt;/strong&gt;。数值越趋近于 +100，表明落入该特征空间的样本具有极高的胜率且平均利润丰厚。在实战中，我们通过设置阈值（如 &amp;gt;30）来过滤低置信度的噪音信号。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="4-策略与代码实现"&gt;&lt;span&gt;4. 策略与代码实现&lt;/span&gt;&#10; &lt;a href="#4-%e7%ad%96%e7%95%a5%e4%b8%8e%e4%bb%a3%e7%a0%81%e5%ae%9e%e7%8e%b0" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="策略源码"&gt;&lt;span&gt;策略源码&lt;/span&gt;&#10; &lt;a href="#%e7%ad%96%e7%95%a5%e6%ba%90%e7%a0%81" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;pre&gt;&lt;code&gt;#include &amp;lt;profile.c&amp;gt;&#10;#include &amp;lt;utils.c&amp;gt;&#10;#include &amp;lt;myindicators.c&amp;gt;&#10;&#10;void tradeStrategy() {&#10; // ==================== 计算指标 ====================&#10;&#9;vars Prices = series(price());&#10; vars Trends = series(LowPass(Prices, 300));&#10; vars Cycles = series(fisherTransform(Prices, 10));&#10; var ATR100 = ATR(100);&#10; FuzzyRange = 0.1*ATR100;&#10; var RisingProb = risingF(Trends);&#10; var FallingProb = fallingF(Trends);&#10;&#10; // ==================== 特征缩放 ====================&#10;&#9;var Sigs[2];&#10;&#10;&#9;// Sig[0]: 概率范围映射&#10;&#9;// 原范围 [0, 1] -&amp;gt; 新范围 [-100, 100]&#10;&#9;// 详解: RisingProb=1 输出 100；RisingProb=0 输出 -100；RisingProb=0.5 输出 0&#10;&#9;Sigs[0] = (RisingProb - 0.5) * 200;&#10;&#10;&#9;// Sig[1]: Fisher 动态映射&#10;&#9;// 原大部分范围 [-4, 4] -&amp;gt; 新范围 [-100, 100]&#10;&#9;// 使用 clamp 防止罕见的极端黑天鹅数据超出边界&#10;&#9;Sigs[1] = clamp(Cycles[0] * 25, -100, 100);&#10;&#10;&#9;// ==================== 重要设置 ====================&#10;&#9;// 训练模式下允许同时建立多头和空头仓位，否则多头进场会关闭空仓，影响训练结果&#10;&#9;if(Train) Hedge = 2;&#10;&#10;&#9;// 定义退出条件，训练模式会生成幽灵订单，并根据这些平仓条件计算 pnl&#10;&#9;Stop = 3*ATR100; // ATR 止损&#10;&#9;TakeProfit = 6*ATR100; // ATR 止盈，风险回报率为2：1&#10;&#9;LifeTime = 42; // 最长持仓时间，约1周&#10;&#10;&#9;// 测试/交易模式最多持有一个多头/空头仓位，多头进场会平仓空头，反之亦然&#10;&#9;MaxLong = MaxShort = 1;&#10;&#10;&#9;// ==================== 机器学习 ====================&#10;&#9;// 训练模式：收集训练样本（包括特征和目标变量）。返回 100。&#10;&#9;// 测试模式：将当前信号喂给模型，获取真正的预测分数 (-100 ~ 100)。&#10;&#9;var LongPrediction = adviseLong(DTREE&amp;#43;RETURNS, 0, Sigs, 2);&#10;&#9;var ShortPrediction = adviseShort(DTREE&amp;#43;RETURNS, 0, Sigs, 2);&#10;&#10;&#9;if(Train) {&#10; &#9;// ==================== 训练期：海量取样 ====================&#10; // 用极低的门槛 (&amp;gt;0) 让 enterLong 尽可能多地在每一根 K 线上被触发。&#10; // 在底层，系统为训练集记录了海量的、相互重叠的虚拟订单结算是赚是亏。&#10; if(LongPrediction &amp;gt; 0) enterLong();&#10; if(ShortPrediction &amp;gt; 0) enterShort();&#10; } else {&#10; // ==================== 测试期：苛刻执行 ====================&#10; // 我们必须保证不会频繁换手，且只有在大趋势确认的情况下才入场。&#10; var EntryThreshold = 30;&#10; var DivergenceThreshold = 15;&#10;&#10; // 基于模型的智能止损（发现局势不对提前跑路）&#10; if(NumOpenLong &amp;gt; 0 &amp;amp;&amp;amp; LongPrediction &amp;lt; 0) exitLong();&#10; if(NumOpenShort &amp;gt; 0 &amp;amp;&amp;amp; ShortPrediction &amp;lt; 0) exitShort();&#10;&#10; // 严苛的多空排他性入场（解决震荡期多空双杀的痛点）&#10; bool triggerLong = (LongPrediction &amp;gt; EntryThreshold) &amp;amp;&amp;amp; ((LongPrediction - ShortPrediction) &amp;gt; DivergenceThreshold);&#10; bool triggerShort = (ShortPrediction &amp;gt; EntryThreshold) &amp;amp;&amp;amp; ((ShortPrediction - LongPrediction) &amp;gt; DivergenceThreshold);&#10;&#10; // 只有在空仓时，拿到确信度极高的信号才出击&#10; if(NumOpenLong == 0 &amp;amp;&amp;amp; triggerLong) enterLong();&#10; if(NumOpenShort == 0 &amp;amp;&amp;amp; triggerShort) enterShort();&#10; }&#10;&#10;&#9;// ==================== 图表 ====================&#10; if(Test &amp;amp;&amp;amp; !is(LOOKBACK)) {&#10; // plot(&amp;#34;RiseProb&amp;#34;, RisingProb, NEW, RED);&#10; // plot(&amp;#34;Cycle&amp;#34;, Cycles[0], NEW, RED);&#10;&#10; plot(&amp;#34;Sig0&amp;#34;, Sigs[0], NEW, RED);&#10; plot(&amp;#34;Sig1&amp;#34;, Sigs[1], NEW, RED);&#10;&#10; plot(&amp;#34;LongPrediction&amp;#34;, LongPrediction, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;ShortPrediction&amp;#34;, ShortPrediction, 0|BARS, RED&amp;#43;TRANSP);&#10;&#9;&#9; plot(&amp;#34;Pred&amp;#43;&amp;#34;, EntryThreshold, 0, GREY);&#10; }&#10;}&#10;&#10;function run() {&#10; // --------------------------------------------------------- //&#10; // Zorro 设置&#10; // --------------------------------------------------------- //&#10;&#10; // 日志&#10; set(LOGFILE);&#10; Verbose = 3;&#10;&#10; // 图表&#10; set(PLOTNOW);&#10; setf(PlotMode,PL_DIFF);&#10; PlotScale = 8;&#10; PlotHeight2 = 320;&#10;&#10; // 训练&#10; set(PARAMETERS|RULES);&#10; setf(TrainMode,TRADES);&#10; DataSplit = 85;&#10; NumWFOCycles = 10;&#10; NumCores = 0;&#10;&#10; // k线生成规则，7*24小时交易&#10; resf(BarMode,BR_WEEKEND);&#10; StartWeek = 0;&#10; EndWeek = 62359;&#10; StartMarket = 0;&#10; EndMarket = 2359;&#10; BarPeriod = 240;&#10; BarZone = UTC;&#10; BarOffset = 0;&#10; TickFix = 60000;&#10;&#9; if(Live) TickFix = 0;&#10;&#10; // 测试样本&#10; StartDate = 20180101;&#10; EndDate = 20251230;&#10; LookBack = 5000;&#10;&#10; // 下一根k线开盘时进场/平仓&#10; Fill = 3;&#10;&#10; // 固定头寸&#10; Lots = 100;&#10;&#10; // --------------------------------------------------------- //&#10; // 策略逻辑&#10; // --------------------------------------------------------- //&#10;&#10; asset(&amp;#34;BTCUSDT&amp;#34;);&#10; Leverage = 5;&#10; MarginCost = priceClose()*LotAmount/Leverage;&#10; tradeStrategy();&#10;}&lt;/code&gt;&lt;/pre&gt;&lt;h3 class="heading-element" id="架构解析训练和测试模式的逻辑分割"&gt;&lt;span&gt;架构解析：训练和测试模式的逻辑分割&lt;/span&gt;&#10; &lt;a href="#%e6%9e%b6%e6%9e%84%e8%a7%a3%e6%9e%90%e8%ae%ad%e7%bb%83%e5%92%8c%e6%b5%8b%e8%af%95%e6%a8%a1%e5%bc%8f%e7%9a%84%e9%80%bb%e8%be%91%e5%88%86%e5%89%b2" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;上述代码中最核心的逻辑在于：&lt;strong&gt;训练期无节制取样，测试期严苛化执行。&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;在训练模式下，系统需要大量数据以规避欠拟合。只要条件允许，引擎便会在每根 K 线启动“虚拟追踪订单”。它们平行存在且不触发实际资金占用，以最密集的方式试探市场的每一种特征组合。这必须要设置显性的退出条件（如 &lt;code&gt;Stop/TakeProfit&lt;/code&gt;），才能完成 PnL 的计算。&lt;/li&gt;&#10;&lt;li&gt;在测试模式下，由于分别独立训练了多/空两棵决策树，可能会出现“信号互绞”（多空模型分数同时居高）的现象。此时引入阈值过滤（&lt;code&gt;EntryThreshold&lt;/code&gt;）与排他性分歧度验证（&lt;code&gt;DivergenceThreshold&lt;/code&gt;），能有效规避无序震荡期的频繁换手。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;h3 class="heading-element" id="wfo-生命周期透视图"&gt;&lt;span&gt;WFO 生命周期透视图&lt;/span&gt;&#10; &lt;a href="#wfo-%e7%94%9f%e5%91%bd%e5%91%a8%e6%9c%9f%e9%80%8f%e8%a7%86%e5%9b%be" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;每次 WFO 循环，底层完整的运作流如下：&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;========================================================================================&#10; 阶段 1：数据高频取样 (Data Sampling) / 对应 Zorro Run 循环&#10;========================================================================================&#10;[Bar 1] [Bar 2] ... [Bar N]&#10; │ │ │&#10;计算[Sig0, Sig1] 计算[Sig0, Sig1] │&#10; │ │ │&#10;adviseLong()拍快照 adviseLong()拍快照 │&#10; │ │ │&#10;enterLong()启动 enterLong()启动 │&#10;虚拟订单 #1 开始-- &amp;gt; 虚拟订单 #2 开始-- &amp;gt; │ 触发 Stop/TP/LifeTime&#10; . . ╰==&amp;gt; 核算 PnL，缝合样本：[Sig0, Sig1, PnL]&#10;&#10;========================================================================================&#10; 阶段 2：数据阵列聚合 (Data Aggregation) / 对应 WFO Cycle 训练窗结束&#10;========================================================================================&#10;组装该窗口内所有闭环的追踪样本：&#10;[条件 X (Sigs)] || [预期 Y (PnL &amp;amp; Weight)]&#10;样本1: [ A1， B1 ] || -$50 (亏损，权重50)&#10;样本2: [ A2， B2 ] || &amp;#43;$120 (盈利，权重120)&#10;&#10;========================================================================================&#10; 阶段 3 &amp;amp; 4：模型生成与热编译 (Model Generation &amp;amp; Hot-Compile)&#10;========================================================================================&#10;寻找加权信息增益最大切分点 -&amp;gt; 若特征致噪则触发剪枝(Pruning)&#10;-&amp;gt; 导出为 Lite-C 源码 (*.c) -&amp;gt; 引擎毫秒级内存热编译 -&amp;gt; 立刻应用于相邻的外置测试集(OOS)&lt;/code&gt;&lt;/pre&gt;&lt;h2 class="heading-element" id="5-回溯检验"&gt;&lt;span&gt;5. 回溯检验&lt;/span&gt;&#10; &lt;a href="#5-%e5%9b%9e%e6%ba%af%e6%a3%80%e9%aa%8c" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;将策略应用于 BTCUSDT（4小时线，样本期 2018-2025），执行 &lt;code&gt;WFO = 10&lt;/code&gt; 的滚动样本外测试。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/ml-decision-tree/image.png' alt="Zorro 决策树模型回测结果" height="1824" width="2824"&gt;&lt;/p&gt;&#10;&lt;p&gt;图表中下方绿色柱体为多头得分，红色柱体为空头得分。可以观察到明显的“市场状态切换”效应对模型的影响：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;趋势状态&lt;/strong&gt;：在 2023 Q4 至 2024 Q1 的主升浪中，决策树模型精准识别了多头状态，绿色柱体长期呈压倒性优势，策略获取了丰厚的利润。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;震荡状态&lt;/strong&gt;：在随后的宽幅震荡行情中，现有特征组无法有效识别“假突破”，多空信号陷入混乱，导致策略持续亏损。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="6-总结"&gt;&lt;span&gt;6. 总结&lt;/span&gt;&#10; &lt;a href="#6-%e6%80%bb%e7%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;ol&gt;&#10;&lt;li&gt;该 MVP 策略初步跑通，最终录得 Profit Factor 1.04，PRR 0.88。虽然未能实现盈利，但作为一个无过拟合的基线策略，代码已经足够。&lt;/li&gt;&#10;&lt;li&gt;未来方向：模型在震荡期的失效表明当前的趋势概率与动量特征不足以描述完整的市场全貌。接下来的研究将回归&lt;strong&gt;特征工程&lt;/strong&gt;，引入更多具备强预测能力的特征，目标是打造可稳定盈利的机器学习交易系统。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;</description></item><item><title>基于低通滤波器与模糊逻辑的4小时趋势跟随策略</title><link>http://localhost:1313/posts/lowpass-4h-strategy/</link><pubDate>Wed, 04 Mar 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/lowpass-4h-strategy/</guid><category domain="http://localhost:1313/categories/%E4%BA%A4%E6%98%93%E7%AD%96%E7%95%A5/">交易策略</category><description>&lt;img src="http://localhost:1313/posts/lowpass-4h-strategy/image.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;p&gt;如何从杂乱的价格波动中提取真实趋势，并建立一套具备鲁棒性的交易系统，是每一位研究者面临的终极课题。本文将深入剖析一种基于低通滤波器（Low-Pass Filter）与模糊逻辑（Fuzzy Logic）的4小时图交易策略。通过多轮迭代优化，我们不仅成功捕捉到了比特币与以太坊的中期大行情，更通过波动率过滤与非对称平仓机制，显著提升了策略在震荡市中的盈利能力。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="1-回测环境设置"&gt;&lt;span&gt;1. 回测环境设置&lt;/span&gt;&#10; &lt;a href="#1-%e5%9b%9e%e6%b5%8b%e7%8e%af%e5%a2%83%e8%ae%be%e7%bd%ae" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;我们使用 zorro 进行回溯检验，回溯设置如下。&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;Asset&lt;/th&gt;&#10; &lt;th&gt;BTCUSDT, ETHUSDT&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;BarPeriod&lt;/td&gt;&#10; &lt;td&gt;240 (4小时)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;StartDate&lt;/td&gt;&#10; &lt;td&gt;20170101&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;EndDate&lt;/td&gt;&#10; &lt;td&gt;20251230&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Lookback&lt;/td&gt;&#10; &lt;td&gt;1000&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Leverage&lt;/td&gt;&#10; &lt;td&gt;10&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Commission&lt;/td&gt;&#10; &lt;td&gt;-0.1&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Slippage&lt;/td&gt;&#10; &lt;td&gt;5&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;NumWFOCycles&lt;/td&gt;&#10; &lt;td&gt;10&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;DataSplit&lt;/td&gt;&#10; &lt;td&gt;85&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;FixedCapital&lt;/td&gt;&#10; &lt;td&gt;10000&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;h2 class="heading-element" id="2-迭代优化"&gt;&lt;span&gt;2. 迭代优化&lt;/span&gt;&#10; &lt;a href="#2-%e8%bf%ad%e4%bb%a3%e4%bc%98%e5%8c%96" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;本策略的核心理念是利用&lt;strong&gt;低通滤波器&lt;/strong&gt;过滤高频噪音，并结合&lt;strong&gt;模糊逻辑&lt;/strong&gt;来量化当前市场结构的“看涨/看跌概率”。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="21-基础策略"&gt;&lt;span&gt;2.1 基础策略&lt;/span&gt;&#10; &lt;a href="#21-%e5%9f%ba%e7%a1%80%e7%ad%96%e7%95%a5" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;逻辑设定&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;低通滤波器回溯期&lt;/strong&gt;：200&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;模糊因子&lt;/strong&gt;：0.1&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;进场概率阈值&lt;/strong&gt;：0.6&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;当上涨概率突破0.6时做多，趋势线出现筑顶迹象时平仓；反之则做空。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;回测表现&lt;/strong&gt;：&#10;基础策略表现出极佳的趋势捕捉能力，盈利因子达到 &lt;strong&gt;1.76&lt;/strong&gt;，年化夏普比率为 &lt;strong&gt;1.09&lt;/strong&gt;。然而，通过对净值曲线和交易细节的观察，我们发现了两个致命弱点：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;在趋势转换阶段，指标失效，产生连续亏损。&lt;/li&gt;&#10;&lt;li&gt;在缺乏持续性中长期趋势的情况下，原本可观的浮盈往往因平仓过晚而回吐甚至转为亏损。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image.png' alt="image.png" height="1818" width="2826"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="22-优化趋势线"&gt;&lt;span&gt;2.2 优化趋势线&lt;/span&gt;&#10; &lt;a href="#22-%e4%bc%98%e5%8c%96%e8%b6%8b%e5%8a%bf%e7%ba%bf" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;为了适应市场变异，我们对趋势线的回溯期进行了参数优化（区间100-400，步长20）。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;核心发现&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;参数平稳区：BTC的最佳区间在300-400，而ETH则在180-260。&lt;/li&gt;&#10;&lt;li&gt;扫描上限设定为400（约66天），旨在捕捉持续数周的中期趋势。&lt;/li&gt;&#10;&lt;li&gt;结果：交易次数减少，最长连续亏损从19次降至14次，策略的&lt;strong&gt;鲁棒性&lt;/strong&gt;初步增强。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_1.png' alt="image.png" height="1484" width="1228"&gt;&#10;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_2.png' alt="image.png" height="1834" width="2836"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="23-引入波动性滤波器"&gt;&lt;span&gt;2.3 引入波动性滤波器&lt;/span&gt;&#10; &lt;a href="#23-%e5%bc%95%e5%85%a5%e6%b3%a2%e5%8a%a8%e6%80%a7%e6%bb%a4%e6%b3%a2%e5%99%a8" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;趋势策略最怕的是“窄幅震荡”。我们引入了基于ATR标准化的&lt;strong&gt;价格偏离度&lt;/strong&gt;作为过滤器。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;逻辑描述&lt;/strong&gt;：&#10;只有当价格偏离趋势线的程度超过一定阈值（即波动率足够大）时才允许进场，目的是过滤那些无法形成突破的噪音。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;测试结果&lt;/strong&gt;：&#10;虽然在样本外表现提升有限，但波动性滤波器显著降低了最长回撤周数（降至11周），并有效减少了震荡市中的无谓磨损。考虑到其对风险控制的正面作用，我们决定保留该机制。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_3.png' alt="image.png" height="736" width="886"&gt;&#10;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_4.png' alt="image.png" height="1844" width="2836"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="24-风险控制固定止损与盈亏平衡"&gt;&lt;span&gt;2.4 风险控制：固定止损与盈亏平衡&lt;/span&gt;&#10; &lt;a href="#24-%e9%a3%8e%e9%99%a9%e6%8e%a7%e5%88%b6%e5%9b%ba%e5%ae%9a%e6%ad%a2%e6%8d%9f%e4%b8%8e%e7%9b%88%e4%ba%8f%e5%b9%b3%e8%a1%a1" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;固定止损&lt;/strong&gt;：使用 &lt;code&gt;k * ATR(100)&lt;/code&gt; 设定宽止损。实验证明，2-5倍的ATR乘数能有效防止在震荡中被扫单。&#10;&lt;strong&gt;盈亏平衡（Breakeven）&lt;/strong&gt;：当浮盈达到一定倍数的ATR后，将止损移至成本价。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;改进效果&lt;/strong&gt;：&#10;盈亏平衡机制将胜率拉升至 50%，最长连续亏损从17笔骤降至10笔。这种机制极大地优化了交易者的心理持有成本，是策略从“能盈利”转向“可实盘”的关键。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_5.png' alt="image.png" height="720" width="744"&gt;&#10;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_6.png' alt="image.png" height="1826" width="2834"&gt;&#10;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_7.png' alt="image.png" height="1826" width="2838"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="25-优化空头平仓"&gt;&lt;span&gt;2.5 优化空头平仓&lt;/span&gt;&#10; &lt;a href="#25-%e4%bc%98%e5%8c%96%e7%a9%ba%e5%a4%b4%e5%b9%b3%e4%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;加密货币市场多空特征明显不对称：&lt;strong&gt;空头行情通常暴烈且短暂&lt;/strong&gt;。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;优化逻辑&lt;/strong&gt;：&#10;针对空头交易增加“分段平仓”机制。当标准化浮盈达到阈值时，先行平仓50%锁定利润，剩余头寸再根据趋势反转信号离场。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;回测结果&lt;/strong&gt;：&#10;该改进进一步提升了年化收益和夏普比率。空头分段平仓虽然在极端的单边熊市中会牺牲部分利润，但在更常见的“宽幅震荡下行”中表现更为优越。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_8.png' alt="image.png" height="732" width="1002"&gt;&#10;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_9.png' alt="image.png" height="1826" width="2834"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="26-资金管理固定风险头寸法"&gt;&lt;span&gt;2.6 资金管理：固定风险头寸法&lt;/span&gt;&#10; &lt;a href="#26-%e8%b5%84%e9%87%91%e7%ae%a1%e7%90%86%e5%9b%ba%e5%ae%9a%e9%a3%8e%e9%99%a9%e5%a4%b4%e5%af%b8%e6%b3%95" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;最终，我们采用&lt;strong&gt;固定风险头寸法&lt;/strong&gt;（每笔交易承担2%的净值风险）。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;最终表现&lt;/strong&gt;：&#10;最大回撤控制在 &lt;strong&gt;7.7%&lt;/strong&gt;，PRR达到 &lt;strong&gt;2.0&lt;/strong&gt;，年化夏普比率稳步提升至 &lt;strong&gt;1.30&lt;/strong&gt;。这标志着该策略已具备优秀的风险调整后收益能力。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_10.png' alt="image.png" height="1836" width="2830"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="3-测试结果汇总"&gt;&lt;span&gt;3. 测试结果汇总&lt;/span&gt;&#10; &lt;a href="#3-%e6%b5%8b%e8%af%95%e7%bb%93%e6%9e%9c%e6%b1%87%e6%80%bb" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;以下是策略在各迭代阶段的详细业绩指标对比：&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;业绩指标&lt;/th&gt;&#10; &lt;th&gt;基础策略&lt;/th&gt;&#10; &lt;th&gt;优化趋势线&lt;/th&gt;&#10; &lt;th&gt;波动性滤波器&lt;/th&gt;&#10; &lt;th&gt;固定止损&lt;/th&gt;&#10; &lt;th&gt;盈亏平衡&lt;/th&gt;&#10; &lt;th&gt;优化空头平仓&lt;/th&gt;&#10; &lt;th&gt;资金管理&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最大回撤&lt;/td&gt;&#10; &lt;td&gt;7.8%&lt;/td&gt;&#10; &lt;td&gt;10.1%&lt;/td&gt;&#10; &lt;td&gt;8.5%&lt;/td&gt;&#10; &lt;td&gt;7.7%&lt;/td&gt;&#10; &lt;td&gt;7.3%&lt;/td&gt;&#10; &lt;td&gt;6.5%&lt;/td&gt;&#10; &lt;td&gt;7.7%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;MAE&lt;/td&gt;&#10; &lt;td&gt;14.1%&lt;/td&gt;&#10; &lt;td&gt;22.5%&lt;/td&gt;&#10; &lt;td&gt;22.5%&lt;/td&gt;&#10; &lt;td&gt;22.2%&lt;/td&gt;&#10; &lt;td&gt;22.7%&lt;/td&gt;&#10; &lt;td&gt;21.6%&lt;/td&gt;&#10; &lt;td&gt;12.7%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长回撤周数&lt;/td&gt;&#10; &lt;td&gt;12&lt;/td&gt;&#10; &lt;td&gt;33&lt;/td&gt;&#10; &lt;td&gt;11&lt;/td&gt;&#10; &lt;td&gt;21&lt;/td&gt;&#10; &lt;td&gt;20&lt;/td&gt;&#10; &lt;td&gt;13&lt;/td&gt;&#10; &lt;td&gt;22&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;交易次数&lt;/td&gt;&#10; &lt;td&gt;443&lt;/td&gt;&#10; &lt;td&gt;353&lt;/td&gt;&#10; &lt;td&gt;301&lt;/td&gt;&#10; &lt;td&gt;317&lt;/td&gt;&#10; &lt;td&gt;425&lt;/td&gt;&#10; &lt;td&gt;657&lt;/td&gt;&#10; &lt;td&gt;657&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;每周交易&lt;/td&gt;&#10; &lt;td&gt;2&lt;/td&gt;&#10; &lt;td&gt;1&lt;/td&gt;&#10; &lt;td&gt;1&lt;/td&gt;&#10; &lt;td&gt;1&lt;/td&gt;&#10; &lt;td&gt;1&lt;/td&gt;&#10; &lt;td&gt;2&lt;/td&gt;&#10; &lt;td&gt;2&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;胜率&lt;/td&gt;&#10; &lt;td&gt;26.4%&lt;/td&gt;&#10; &lt;td&gt;26.3%&lt;/td&gt;&#10; &lt;td&gt;29%&lt;/td&gt;&#10; &lt;td&gt;27.4%&lt;/td&gt;&#10; &lt;td&gt;50.1%&lt;/td&gt;&#10; &lt;td&gt;49.6%&lt;/td&gt;&#10; &lt;td&gt;49.6%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长连续亏损&lt;/td&gt;&#10; &lt;td&gt;19&lt;/td&gt;&#10; &lt;td&gt;14&lt;/td&gt;&#10; &lt;td&gt;16&lt;/td&gt;&#10; &lt;td&gt;17&lt;/td&gt;&#10; &lt;td&gt;10&lt;/td&gt;&#10; &lt;td&gt;16&lt;/td&gt;&#10; &lt;td&gt;16&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;年收益率&lt;/td&gt;&#10; &lt;td&gt;216%&lt;/td&gt;&#10; &lt;td&gt;178%&lt;/td&gt;&#10; &lt;td&gt;198%&lt;/td&gt;&#10; &lt;td&gt;210%&lt;/td&gt;&#10; &lt;td&gt;213%&lt;/td&gt;&#10; &lt;td&gt;232%&lt;/td&gt;&#10; &lt;td&gt;48%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;盈利因子&lt;/td&gt;&#10; &lt;td&gt;1.76&lt;/td&gt;&#10; &lt;td&gt;1.83&lt;/td&gt;&#10; &lt;td&gt;1.86&lt;/td&gt;&#10; &lt;td&gt;1.85&lt;/td&gt;&#10; &lt;td&gt;1.77&lt;/td&gt;&#10; &lt;td&gt;1.82&lt;/td&gt;&#10; &lt;td&gt;2.20&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;PRR&lt;/td&gt;&#10; &lt;td&gt;1.51&lt;/td&gt;&#10; &lt;td&gt;1.55&lt;/td&gt;&#10; &lt;td&gt;1.56&lt;/td&gt;&#10; &lt;td&gt;1.55&lt;/td&gt;&#10; &lt;td&gt;1.54&lt;/td&gt;&#10; &lt;td&gt;1.63&lt;/td&gt;&#10; &lt;td&gt;1.97&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;夏普比率&lt;/td&gt;&#10; &lt;td&gt;1.09&lt;/td&gt;&#10; &lt;td&gt;1.02&lt;/td&gt;&#10; &lt;td&gt;1.02&lt;/td&gt;&#10; &lt;td&gt;1.01&lt;/td&gt;&#10; &lt;td&gt;0.97&lt;/td&gt;&#10; &lt;td&gt;1.05&lt;/td&gt;&#10; &lt;td&gt;1.30&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;R2&lt;/td&gt;&#10; &lt;td&gt;44%&lt;/td&gt;&#10; &lt;td&gt;56%&lt;/td&gt;&#10; &lt;td&gt;65%&lt;/td&gt;&#10; &lt;td&gt;56%&lt;/td&gt;&#10; &lt;td&gt;66%&lt;/td&gt;&#10; &lt;td&gt;76%&lt;/td&gt;&#10; &lt;td&gt;94%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;平均回撤&lt;/td&gt;&#10; &lt;td&gt;4.7%&lt;/td&gt;&#10; &lt;td&gt;6.8%&lt;/td&gt;&#10; &lt;td&gt;6.4%&lt;/td&gt;&#10; &lt;td&gt;6.6%&lt;/td&gt;&#10; &lt;td&gt;7.0%&lt;/td&gt;&#10; &lt;td&gt;6.2%&lt;/td&gt;&#10; &lt;td&gt;4.8%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;BTC PF&lt;/td&gt;&#10; &lt;td&gt;1.51&lt;/td&gt;&#10; &lt;td&gt;1.77&lt;/td&gt;&#10; &lt;td&gt;1.82&lt;/td&gt;&#10; &lt;td&gt;1.82&lt;/td&gt;&#10; &lt;td&gt;1.94&lt;/td&gt;&#10; &lt;td&gt;1.99&lt;/td&gt;&#10; &lt;td&gt;2.72&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;ETH PF&lt;/td&gt;&#10; &lt;td&gt;1.99&lt;/td&gt;&#10; &lt;td&gt;1.88&lt;/td&gt;&#10; &lt;td&gt;1.89&lt;/td&gt;&#10; &lt;td&gt;1.87&lt;/td&gt;&#10; &lt;td&gt;1.66&lt;/td&gt;&#10; &lt;td&gt;1.72&lt;/td&gt;&#10; &lt;td&gt;1.88&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;h2 class="heading-element" id="4-稳健性检验-wfo"&gt;&lt;span&gt;4. 稳健性检验 (WFO)&lt;/span&gt;&#10; &lt;a href="#4-%e7%a8%b3%e5%81%a5%e6%80%a7%e6%a3%80%e9%aa%8c-wfo" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;为了验证策略的鲁棒性，我们进行策略表现对WFO参数的敏感性分析，训练集比例保持在85%。&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;固定资金测试&lt;/strong&gt;：WFO周期在14-24之间时，PRR稳定在1.6-1.8的高位。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;固定风险测试&lt;/strong&gt;：WFO周期在10-22之间时，PRR进一步提升至1.8-2.0。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;结论：&lt;strong&gt;策略通过了稳健性检验&lt;/strong&gt;。建议每5个月重新训练一次，WFO周期数设为15。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_11.png' alt="image.png" height="1146" width="1706"&gt;&#10;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-4h-strategy/image_12.png' alt="image.png" height="1138" width="1704"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="5-总结"&gt;&lt;span&gt;5. 总结&lt;/span&gt;&#10; &lt;a href="#5-%e6%80%bb%e7%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;&lt;strong&gt;研究结论&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;&lt;strong&gt;低通滤波器 + 模糊逻辑&lt;/strong&gt; 是划分趋势与震荡的强大工具。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;非对称平仓&lt;/strong&gt; 与 &lt;strong&gt;盈亏平衡机制&lt;/strong&gt; 是提升策略胜率和生存率的核心要素。&lt;/li&gt;&#10;&lt;li&gt;波动性滤波器在抑制噪音方面表现出色，有效缩短了回撤周期。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;&lt;strong&gt;改进方向&lt;/strong&gt;：策略在面对“短期剧烈波动但无长期趋势”的行情时无法盈利。未来的优化方向将聚焦于&lt;strong&gt;短期趋势的平仓时机优化&lt;/strong&gt;，以及引入更多元的相关性滤波器来应对极端的黑天鹅事件。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="附录zorro-源代码"&gt;&lt;span&gt;附录：Zorro 源代码&lt;/span&gt;&#10; &lt;a href="#%e9%99%84%e5%bd%95zorro-%e6%ba%90%e4%bb%a3%e7%a0%81" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;pre&gt;&lt;code&gt;#include &amp;lt;profile.c&amp;gt;&#10;#include &amp;lt;utils.c&amp;gt;&#10;#include &amp;lt;myindicators.c&amp;gt;&#10;&#10;function tradeStrategy() {&#10; // ---------------------------------------------------------&#10; // 参数设置&#10; // ---------------------------------------------------------&#10; int TrendPeriod = round(optimize(200,100,400,20));&#10; var FuzzyFactor = 0.1;&#10; var EntryProbThreshold = 0.6;&#10; var VolaThreshold = optimize(0,0,2,0.2);&#10; var AtrStopFactor = optimize(0,1,5,0.5);&#10; var AtrTrailFactor = optimize(0,1,5,0.5);&#10; var ShortProfitThreshold = optimize(0,3,15,1);&#10; var FixedCapital = 0;&#10; var FixedRisk = 0.02;&#10;&#10; // ---------------------------------------------------------&#10; // 指标计算&#10; // ---------------------------------------------------------&#10; vars Prices = series(price());&#10; vars Trends = series(LowPass(Prices, TrendPeriod));&#10; vars Cycles = series(fisherTransform(Prices, 10));&#10; var ATR100 = ATR(100);&#10; var Deviation = abs(Prices[0] - Trends[0]) / ATR100;&#10;&#10; var LongNormalizedProfit = getLongNormalizedProfit(ATR100);&#10; var ShortNormalizedProfit = getShortNormalizedProfit(ATR100);&#10;&#10; // ---------------------------------------------------------&#10; // 交易信号&#10; // ---------------------------------------------------------&#10; FuzzyRange = FuzzyFactor*ATR100;&#10; var RisingProb = risingF(Trends);&#10; var FallingProb = fallingF(Trends);&#10;&#10; bool LongConditionBase = RisingProb &amp;gt;= EntryProbThreshold;&#10; bool LongMomentumRising = Cycles[0] &amp;lt; 4. &amp;amp;&amp;amp; rising(Cycles);&#10; bool LongEntry = LongConditionBase &amp;amp;&amp;amp; LongMomentumRising;&#10; bool LongExit = peak(Trends);&#10;&#10; bool ShortConditionBase = FallingProb &amp;gt;= EntryProbThreshold;&#10; bool ShortMomentumRising = Cycles[0] &amp;gt; -4. &amp;amp;&amp;amp; falling(Cycles);&#10; bool ShortEntry = ShortConditionBase &amp;amp;&amp;amp; ShortMomentumRising;&#10; bool ShortExit = valley(Trends);&#10;&#10; if(VolaThreshold &amp;gt; 0) {&#10; LongEntry = LongEntry &amp;amp;&amp;amp; Deviation &amp;gt;= VolaThreshold;&#10; ShortEntry = ShortEntry &amp;amp;&amp;amp; Deviation &amp;gt;= VolaThreshold;&#10; }&#10;&#10; // ---------------------------------------------------------&#10; // 状态管理：再进场限制 (AlgoVar[0])&#10; // ---------------------------------------------------------&#10;&#10; // 触发部分止盈后，开始跟踪跟踪剩余头寸，并进入观望期&#10; if(AlgoVar[0] == 1) {&#10; // 限制进场&#10; ShortEntry = false;&#10;&#10; // 管理剩余持仓：锁定 10% 利润&#10; for(current_trades) {&#10; if(TradeIsOpen &amp;amp;&amp;amp; TradeIsShort) {&#10; TradeTrailLock = 0.1;&#10; }&#10; }&#10;&#10; // 解锁条件：空仓且趋势反转&#10; if(NumOpenShort == 0) {&#10; if(peak(Trends) || valley(Trends)) {&#10; AlgoVar[0] = 0; // 允许下一波行情进场&#10; }&#10; }&#10; }&#10;&#10; // ---------------------------------------------------------&#10; // 风控&#10; // ---------------------------------------------------------&#10; Stop = AtrStopFactor*ATR100;&#10; Trail = AtrTrailFactor*ATR100;&#10; TrailLock = 10;&#10; TrailSlope = 0;&#10;&#10; // ---------------------------------------------------------&#10; // 资金管理&#10; // ---------------------------------------------------------&#10; Lots = 100;&#10; var MinLots = getMinLots();&#10; if(!Train &amp;amp;&amp;amp; FixedCapital &amp;gt; 0)&#10; Lots = floor(FixedCapital/priceC()/LotAmount);&#10; if(!Train &amp;amp;&amp;amp; Capital &amp;gt; 0 &amp;amp;&amp;amp; FixedRisk &amp;gt; 0 &amp;amp;&amp;amp; AtrStopFactor &amp;gt; 0)&#10; Lots = fixedRiskLots(FixedRisk);&#10; if(Lots &amp;lt; MinLots) Lots = MinLots;&#10;&#10; // ---------------------------------------------------------&#10; // 订单管理&#10; // ---------------------------------------------------------&#10; if(NumOpenLong &amp;gt; 0 &amp;amp;&amp;amp; LongExit)&#10; exitLong();&#10; if(NumOpenShort &amp;gt; 0 &amp;amp;&amp;amp; ShortExit)&#10; exitShort();&#10; if(NumOpenLong == 0 &amp;amp;&amp;amp; LongEntry)&#10; enterLong();&#10; if(NumOpenShort == 0 &amp;amp;&amp;amp; ShortEntry) {&#10; if(ShortProfitThreshold &amp;gt; 0)&#10; enterShortMultipleOrders(2, MinLots);&#10; else&#10; enterShort();&#10; }&#10;&#10; // 空头部分止盈逻辑&#10; if(ShortProfitThreshold &amp;gt; 0 &amp;amp;&amp;amp; NumOpenShort &amp;gt; 0 &amp;amp;&amp;amp; AlgoVar[0] == 0) {&#10; if(ShortNormalizedProfit &amp;gt;= ShortProfitThreshold) {&#10; // 平仓50%&#10; exitProfitShortOrders(1);&#10; // 标记进入剩余头寸管理模式&#10; AlgoVar[0] = 1;&#10; }&#10; }&#10;&#10; // ---------------------------------------------------------&#10; // 绘图&#10; // ---------------------------------------------------------&#10; if((Test &amp;amp;&amp;amp; !is(LOOKBACK)) || Live) {&#10; plot2(&amp;#34;Trend&amp;#34;, Trends[0], MAIN, rising(Trends), GREEN, RED);&#10;&#10; var BullishState = ifelse(LongConditionBase, 1, 0);&#10; var BearishState = ifelse(ShortConditionBase, 1, 0);&#10; plot(&amp;#34;BullishState&amp;#34;, BullishState, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;BearishState&amp;#34;, BearishState, 0|BARS, RED&amp;#43;TRANSP);&#10; plot(&amp;#34;RisingProb&amp;#34;, RisingProb, 0|LINE, BLUE);&#10; plot(&amp;#34;BullT&amp;#34;, EntryProbThreshold, 0, GREY);&#10; plot(&amp;#34;BearT&amp;#34;, 1-EntryProbThreshold, 0, GREY);&#10;&#10; plot(&amp;#34;Cycle&amp;#34;, Cycles, NEW, RED);&#10; plot(&amp;#34;Cycle0&amp;#34;, 0, 0, GREY);&#10; plot(&amp;#34;Cycle&amp;#43;&amp;#34;, 2, 0, GREY);&#10; plot(&amp;#34;Cycle-&amp;#34;, -2, 0, GREY);&#10; plot(&amp;#34;Cycle&amp;#43;&amp;#43;&amp;#34;, 4, 0, GREY);&#10; plot(&amp;#34;Cycle--&amp;#34;, -4, 0, GREY);&#10;&#10; if(VolaThreshold &amp;gt; 0) {&#10; var HighVolaBar = ifelse(Deviation &amp;gt;= VolaThreshold, Deviation, 0);&#10; var LowVolaBar = ifelse(Deviation &amp;lt; VolaThreshold, Deviation, 0);&#10; plot(&amp;#34;HighVola&amp;#34;, HighVolaBar, NEW|BARS, BLUE);&#10; plot(&amp;#34;LowVola&amp;#34;, LowVolaBar, 0|BARS, BLUE&amp;#43;TRANSP);&#10; plot(&amp;#34;VolaThreshold&amp;#34;, VolaThreshold, 0, GREY);&#10; }&#10;&#10; if(ShortProfitThreshold &amp;gt; 0) {&#10; plot(&amp;#34;LongProfit&amp;#34;, LongNormalizedProfit, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;ShortProfit&amp;#34;, ShortNormalizedProfit, 0|BARS, RED&amp;#43;TRANSP);&#10; plot(&amp;#34;ShortProfitT&amp;#34;, ShortProfitThreshold, 0, RED);&#10; }&#10;&#10; if(AtrStopFactor &amp;gt; 0 &amp;amp;&amp;amp; NumOpenTotal &amp;gt; 0) {&#10; var CurrentStop = 0;&#10; for(current_trades) {&#10; CurrentStop = (var)TradeStopLimit;&#10; break_trades;&#10; }&#10; if(CurrentStop &amp;gt; 0) plot(&amp;#34;Stop&amp;#34;, CurrentStop, MAIN|DOT, LIGHTBLUE);&#10; }&#10; }&#10;}&#10;&#10;function run() {&#10; // --------------------------------------------------------- //&#10; // Zorro 设置&#10; // --------------------------------------------------------- //&#10;&#10; // 日志&#10; set(LOGFILE);&#10; Verbose = 3;&#10;&#10; // 图表&#10; set(PLOTNOW);&#10; setf(PlotMode,PL_DIFF);&#10; PlotScale = 8;&#10; PlotHeight2 = 320;&#10;&#10; // 训练&#10; set(PARAMETERS);&#10; setf(TrainMode,TRADES);&#10; DataSplit = 85;&#10; NumWFOCycles = 15;&#10; NumCores = 4;&#10;&#10; // k线生成规则，7*24交易&#10; resf(BarMode,BR_WEEKEND);&#10; StartWeek = 0;&#10; EndWeek = 62359;&#10; StartMarket = 0;&#10; EndMarket = 2359;&#10; BarPeriod = 240;&#10; BarZone = UTC;&#10; BarOffset = 0;&#10; TickFix = 60000;&#10;&#9; if(Live) TickFix = 0;&#10;&#10; // 测试样本&#10; StartDate = 20170101;&#10; EndDate = 20251230;&#10; LookBack = 1000;&#10;&#10; // 初始资本&#10; if(Train) Capital = 0;&#10; if(Test) Capital = 10000;&#10; if(Live) Capital = 0;&#10;&#10; // 下一根k线开盘时进场/平仓&#10; Fill = 3;&#10;&#10; // --------------------------------------------------------- //&#10; // 交易策略&#10; // --------------------------------------------------------- //&#10;&#10; while(asset(loop(&amp;#34;BTCUSDT&amp;#34;,&amp;#34;ETHUSDT&amp;#34;))) {&#10; Leverage = 10;&#10; MarginCost = priceClose()*LotAmount/Leverage;&#10; tradeStrategy();&#10; }&#10;}&lt;/code&gt;&lt;/pre&gt;</description></item><item><title>低通滤波器策略：在小时图上捕捉中期动量</title><link>http://localhost:1313/posts/lowpass-hourly-strategy/</link><pubDate>Thu, 12 Feb 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/lowpass-hourly-strategy/</guid><category domain="http://localhost:1313/categories/%E4%BA%A4%E6%98%93%E7%AD%96%E7%95%A5/">交易策略</category><description>&lt;img src="http://localhost:1313/posts/lowpass-hourly-strategy/image.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;p&gt;本文介绍了一套针对加密货币的中期动量交易策略，核心思想是运用低通滤波器（Low Pass Filter）平滑价格序列，并借助模糊逻辑识别趋势状态。策略历经七轮迭代优化：从参数优化到风险控制，最终实现了夏普比率 1.26、盈利因子 1.81的稳健表现。本文将完整呈现从假设提出、参数扫描到样本外验证的全流程，为读者提供一套可复用的策略开发方法论。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="1-核心逻辑"&gt;&lt;span&gt;1. 核心逻辑&lt;/span&gt;&#10; &lt;a href="#1-%e6%a0%b8%e5%bf%83%e9%80%bb%e8%be%91" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="11-为什么选择低通滤波器"&gt;&lt;span&gt;1.1 为什么选择低通滤波器？&lt;/span&gt;&#10; &lt;a href="#11-%e4%b8%ba%e4%bb%80%e4%b9%88%e9%80%89%e6%8b%a9%e4%bd%8e%e9%80%9a%e6%bb%a4%e6%b3%a2%e5%99%a8" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;在量化交易中，趋势跟随策略的核心难题在于&lt;strong&gt;如何在噪声中提取有效信号&lt;/strong&gt;。传统移动平均线（MA）存在滞后性，而低通滤波器通过频域设计，能够在平滑价格的同时保留关键的转折点信息。&lt;/p&gt;&#10;&lt;p&gt;策略核心假设：当价格围绕趋势线窄幅震荡时，市场处于无序状态，策略应避免交易；当价格沿趋势线方向运动时，市场处于有序状态，策略应顺势交易。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="12-模糊逻辑"&gt;&lt;span&gt;1.2 模糊逻辑&lt;/span&gt;&#10; &lt;a href="#12-%e6%a8%a1%e7%b3%8a%e9%80%bb%e8%be%91" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;仅凭单一滤波器难以应对市场的非线性特征。我们引入模糊逻辑（Fuzzy Logic），通过概率化的方式判断趋势方向：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;上涨概率（RisingProb）：衡量趋势向上的置信度&lt;/li&gt;&#10;&lt;li&gt;下跌概率（FallingProb）：衡量趋势向下的置信度&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;当置信度超过阈值（&lt;code&gt;EntryProbThreshold = 0.6&lt;/code&gt;）时，触发相应方向的交易信号。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="2-回溯检验设置"&gt;&lt;span&gt;2. 回溯检验设置&lt;/span&gt;&#10; &lt;a href="#2-%e5%9b%9e%e6%ba%af%e6%a3%80%e9%aa%8c%e8%ae%be%e7%bd%ae" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;我们将使用 Zorro 进行策略开发。&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;Asset&lt;/th&gt;&#10; &lt;th&gt;BTCUSDT, ETHUSDT&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;BarPeriod&lt;/td&gt;&#10; &lt;td&gt;60&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;StartDate&lt;/td&gt;&#10; &lt;td&gt;20180101&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;EndDate&lt;/td&gt;&#10; &lt;td&gt;20251230&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Lookback&lt;/td&gt;&#10; &lt;td&gt;5000&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Leverage&lt;/td&gt;&#10; &lt;td&gt;5&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Commission&lt;/td&gt;&#10; &lt;td&gt;-0.1&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Slippage&lt;/td&gt;&#10; &lt;td&gt;5&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;NumWFOCycles&lt;/td&gt;&#10; &lt;td&gt;10&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;DataSplit&lt;/td&gt;&#10; &lt;td&gt;85&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;FixedCapital&lt;/td&gt;&#10; &lt;td&gt;10000&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;p&gt;测试时间约 8 年，涵盖 2018 年熊市、2021 年牛市及 2022 年震荡市，具备较强的样本代表性。Walk-Forward Optimization（WFO）采用 10 个周期、85% 数据分割比例，以验证参数的稳定性和泛化能力。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="3-迭代优化"&gt;&lt;span&gt;3. 迭代优化&lt;/span&gt;&#10; &lt;a href="#3-%e8%bf%ad%e4%bb%a3%e4%bc%98%e5%8c%96" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="31-基础策略"&gt;&lt;span&gt;3.1 基础策略&lt;/span&gt;&#10; &lt;a href="#31-%e5%9f%ba%e7%a1%80%e7%ad%96%e7%95%a5" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;初始参数设定&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;趋势线回溯期 &lt;code&gt;TrendPeriod = 800&lt;/code&gt;&lt;/li&gt;&#10;&lt;li&gt;模糊因子 &lt;code&gt;FuzzyFactor = 0.1&lt;/code&gt;&lt;/li&gt;&#10;&lt;li&gt;进场概率阈值 &lt;code&gt;EntryProbThreshold = 0.6&lt;/code&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;回测表现分析&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;p&gt;基础策略展现出&lt;strong&gt;长期正向收益&lt;/strong&gt;，净值曲线整体向上。然而，在&lt;strong&gt;窄幅震荡行情&lt;/strong&gt;中，价格围绕趋势线小幅波动，策略频繁触发假信号，导致&lt;strong&gt;持续亏损&lt;/strong&gt;，这是后续优化需要解决的核心问题。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image.png' alt="image.png" height="1832" width="2838"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="32-优化趋势线回溯期"&gt;&lt;span&gt;3.2 优化趋势线回溯期&lt;/span&gt;&#10; &lt;a href="#32-%e4%bc%98%e5%8c%96%e8%b6%8b%e5%8a%bf%e7%ba%bf%e5%9b%9e%e6%ba%af%e6%9c%9f" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;优化假设&lt;/strong&gt;：低通滤波器的回溯期直接决定了趋势识别的灵敏度。过短的回溯期会引入噪声，过长则导致滞后。通过参数扫描寻找稳健区间。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;参数扫描设置&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;区间：500-1200&lt;/li&gt;&#10;&lt;li&gt;步长：50&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;测试结果&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image_1.png' alt="image.png" height="1488" width="1142"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image_2.png' alt="image.png" height="1818" width="2828"&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;BTC 的平稳参数区间&lt;/strong&gt;：900-1000&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;ETH 的平稳参数区间&lt;/strong&gt;：700-1000&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;样本外表现&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;盈利因子从 1.57 微升至 1.60&lt;/li&gt;&#10;&lt;li&gt;PRR 从 1.35 提升至 1.37&lt;/li&gt;&#10;&lt;li&gt;交易次数减少约 10%&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;结论&lt;/strong&gt;：虽然策略表现提升有限，但优化回溯期能够更好地适应市场变异。建议采用优化参数，以增强策略对市场结构变化的适应能力。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="33-优化模糊因子"&gt;&lt;span&gt;3.3 优化模糊因子&lt;/span&gt;&#10; &lt;a href="#33-%e4%bc%98%e5%8c%96%e6%a8%a1%e7%b3%8a%e5%9b%a0%e5%ad%90" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;优化假设&lt;/strong&gt;：模糊因子是模糊逻辑的核心参数，它决定了识别趋势和震荡行情的准确度。优化该参数或许能够减少震荡行情中的亏损。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;参数扫描设置&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;区间：0-0.3&lt;/li&gt;&#10;&lt;li&gt;步长：0.02&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;测试结果&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image_3.png' alt="image.png" height="740" width="1174"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image_4.png' alt="image.png" height="1822" width="2824"&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;BTC 的局部高点区间&lt;/strong&gt;：0.2-0.26&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;ETH 的局部高点区间&lt;/strong&gt;：0.12-0.20&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;样本外表现&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;盈利因子和 PRR 几乎无变化&lt;/li&gt;&#10;&lt;li&gt;夏普比率从 0.89 下降至 0.83&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;结论&lt;/strong&gt;：优化模糊因子可能导致&lt;strong&gt;过拟合&lt;/strong&gt;。局部高点在样本内表现优异，但在样本外无法保持优势。因此，&lt;strong&gt;不优化模糊因子，继续使用固定参数 0.1&lt;/strong&gt;。这一决策体现了量化开发中&amp;quot;稳健优先于最优&amp;quot;的原则。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="34-距离滤波器"&gt;&lt;span&gt;3.4 距离滤波器&lt;/span&gt;&#10; &lt;a href="#34-%e8%b7%9d%e7%a6%bb%e6%bb%a4%e6%b3%a2%e5%99%a8" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;优化假设&lt;/strong&gt;：当价格偏离趋势线过远时，市场存在强烈的&lt;strong&gt;均值回归需求&lt;/strong&gt;。此时进场往往面临回调风险，导致亏损。通过引入&lt;strong&gt;波动性滤波器&lt;/strong&gt;（距离滤波器），仅在价格偏离度低于阈值时允许进场，目标是降低宽幅震荡行情的亏损。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;参数扫描设置&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;区间：1-6（百分比距离）&lt;/li&gt;&#10;&lt;li&gt;步长：0.5&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;测试结果&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image_5.png' alt="image.png" height="740" width="886"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image_6.png' alt="image.png" height="1836" width="2834"&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;BTC 的平稳参数区间&lt;/strong&gt;：4-6&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;ETH 的平稳参数区间&lt;/strong&gt;：4-5&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;样本外表现&lt;/strong&gt;（显著提升）：&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;指标&lt;/th&gt;&#10; &lt;th&gt;优化前&lt;/th&gt;&#10; &lt;th&gt;优化后&lt;/th&gt;&#10; &lt;th&gt;提升幅度&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;盈利因子&lt;/td&gt;&#10; &lt;td&gt;1.60&lt;/td&gt;&#10; &lt;td&gt;&lt;strong&gt;1.75&lt;/strong&gt;&lt;/td&gt;&#10; &lt;td&gt;+9.4%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;PRR&lt;/td&gt;&#10; &lt;td&gt;1.37&lt;/td&gt;&#10; &lt;td&gt;&lt;strong&gt;1.47&lt;/strong&gt;&lt;/td&gt;&#10; &lt;td&gt;+7.3%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;夏普比率&lt;/td&gt;&#10; &lt;td&gt;0.89&lt;/td&gt;&#10; &lt;td&gt;&lt;strong&gt;1.02&lt;/strong&gt;&lt;/td&gt;&#10; &lt;td&gt;+14.6%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;p&gt;&lt;strong&gt;关键洞察&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;blockquote&gt;&#10;&lt;p&gt;⚠️ &lt;strong&gt;距离阈值是一把双刃剑&lt;/strong&gt;：它既能过滤宽幅震荡的亏损，也可能导致错过历史级别的趋势行情。&lt;/p&gt;&#10;&lt;/blockquote&gt;&#10;&lt;p&gt;然而，从风险调整后收益的角度，&lt;strong&gt;降低宽幅震荡的亏损比贪婪地捕捉每一轮趋势更为重要&lt;/strong&gt;。因此，保留距离滤波器机制。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="35-固定止损"&gt;&lt;span&gt;3.5 固定止损&lt;/span&gt;&#10; &lt;a href="#35-%e5%9b%ba%e5%ae%9a%e6%ad%a2%e6%8d%9f" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;优化假设&lt;/strong&gt;：趋势策略面临的最大风险是&lt;strong&gt;逆趋势大幅回撤&lt;/strong&gt;。通过基于 ATR（Average True Range）的动态止损，可以在趋势反转时及时退出。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;参数扫描设置&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;止损距离 = &lt;code&gt;k * ATR(100)&lt;/code&gt;&lt;/li&gt;&#10;&lt;li&gt;区间：3-8&lt;/li&gt;&#10;&lt;li&gt;步长：0.5&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;测试结果&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;两个交易对的平稳参数区间均集中在 &lt;strong&gt;5-8&lt;/strong&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;样本外表现&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;总收益率大幅下降&lt;/li&gt;&#10;&lt;li&gt;连续亏损次数大幅增加&lt;/li&gt;&#10;&lt;li&gt;风险调整收益率仅小幅下降&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;最长回撤周数显著减少&lt;/strong&gt;（从 34 周降至 24 周）&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;结论&lt;/strong&gt;：固定止损的核心价值在于&lt;strong&gt;控制回撤风险&lt;/strong&gt;，尽管它以牺牲部分收益为代价。保留该机制。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="36-盈亏平衡breakeven"&gt;&lt;span&gt;3.6 盈亏平衡（Breakeven）&lt;/span&gt;&#10; &lt;a href="#36-%e7%9b%88%e4%ba%8f%e5%b9%b3%e8%a1%a1breakeven" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;优化假设&lt;/strong&gt;：当交易产生一定浮盈后，将止损价调整至进场价，确保该笔交易至少不亏损。这有助于改善交易心理，并降低连续亏损对资金曲线的冲击。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;参数扫描设置&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;浮盈阈值 = &lt;code&gt;k * ATR(100)&lt;/code&gt;&lt;/li&gt;&#10;&lt;li&gt;区间：3-8&lt;/li&gt;&#10;&lt;li&gt;步长：0.5&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;样本外表现&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;风险调整收益率进一步下降&lt;/li&gt;&#10;&lt;li&gt;胜率提升至 45%&lt;/li&gt;&#10;&lt;li&gt;最长连续亏损次数从 27 笔锐减至 9 笔&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;strong&gt;结论&lt;/strong&gt;：盈亏平衡机制带来了显著改善，胜率的提升和连续亏损的锐减显著改善了资金曲线的平滑度。保留该机制。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="37-空头部分止盈"&gt;&lt;span&gt;3.7 空头部分止盈&lt;/span&gt;&#10; &lt;a href="#37-%e7%a9%ba%e5%a4%b4%e9%83%a8%e5%88%86%e6%ad%a2%e7%9b%88" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;优化假设&lt;/strong&gt;：空头交易往往面临不对称风险（价格上涨无上限）。当浮盈达到阈值后，先平仓 50% 以锁定利润，然后对剩余头寸启用动态跟踪止损。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;机制设计&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;设定盈利阈值，当浮盈超过阈值后平仓 50%&lt;/li&gt;&#10;&lt;li&gt;对剩余 50% 头寸启动跟踪止损，锁定已获利润&lt;/li&gt;&#10;&lt;li&gt;进入&amp;quot;观望模式&amp;quot;：不再新开空头，直到价格出现强劲反弹才允许再进场&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;&lt;strong&gt;测试结果&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;盈利因子从 1.61 提升至 &lt;strong&gt;1.69&lt;/strong&gt;&lt;/li&gt;&#10;&lt;li&gt;PRR 从 1.41 提升至 &lt;strong&gt;1.52&lt;/strong&gt;&lt;/li&gt;&#10;&lt;li&gt;夏普比率从 0.91 提升至 &lt;strong&gt;1.19&lt;/strong&gt;&lt;/li&gt;&#10;&lt;li&gt;两个交易对的&lt;strong&gt;空头盈利因子均有提升&lt;/strong&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h3 class="heading-element" id="38-资金管理"&gt;&lt;span&gt;3.8 资金管理&lt;/span&gt;&#10; &lt;a href="#38-%e8%b5%84%e9%87%91%e7%ae%a1%e7%90%86" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;&lt;strong&gt;优化假设&lt;/strong&gt;：固定资金头寸法难以控制下行风险。采用固定风险头寸法（Fixed Risk），每笔交易使用账户净值的固定比例（2%）进行冒险，可以实现收益的复利增长，且有效控制回撤风险。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;样本外表现&lt;/strong&gt;：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;净值曲线更加平滑&lt;/li&gt;&#10;&lt;li&gt;夏普比率提升至 1.26&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image_7.png' alt="image.png" height="1830" width="2834"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="4-总结"&gt;&lt;span&gt;4. 总结&lt;/span&gt;&#10; &lt;a href="#4-%e6%80%bb%e7%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;迭代优化记录总表。&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;核心指标&lt;/th&gt;&#10; &lt;th&gt;基础策略&lt;/th&gt;&#10; &lt;th&gt;优化趋势线&lt;/th&gt;&#10; &lt;th&gt;距离滤波器&lt;/th&gt;&#10; &lt;th&gt;固定止损&lt;/th&gt;&#10; &lt;th&gt;盈亏平衡&lt;/th&gt;&#10; &lt;th&gt;优化空头平仓&lt;/th&gt;&#10; &lt;th&gt;资金管理&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最大回撤&lt;/td&gt;&#10; &lt;td&gt;12%&lt;/td&gt;&#10; &lt;td&gt;12.5%&lt;/td&gt;&#10; &lt;td&gt;11%&lt;/td&gt;&#10; &lt;td&gt;15%&lt;/td&gt;&#10; &lt;td&gt;14%&lt;/td&gt;&#10; &lt;td&gt;12%&lt;/td&gt;&#10; &lt;td&gt;10.7%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;MAE&lt;/td&gt;&#10; &lt;td&gt;18%&lt;/td&gt;&#10; &lt;td&gt;18.7%&lt;/td&gt;&#10; &lt;td&gt;20%&lt;/td&gt;&#10; &lt;td&gt;25%&lt;/td&gt;&#10; &lt;td&gt;24%&lt;/td&gt;&#10; &lt;td&gt;16%&lt;/td&gt;&#10; &lt;td&gt;14%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长回撤周数&lt;/td&gt;&#10; &lt;td&gt;34&lt;/td&gt;&#10; &lt;td&gt;34&lt;/td&gt;&#10; &lt;td&gt;34&lt;/td&gt;&#10; &lt;td&gt;24&lt;/td&gt;&#10; &lt;td&gt;34&lt;/td&gt;&#10; &lt;td&gt;24&lt;/td&gt;&#10; &lt;td&gt;24&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;交易次数&lt;/td&gt;&#10; &lt;td&gt;440&lt;/td&gt;&#10; &lt;td&gt;403&lt;/td&gt;&#10; &lt;td&gt;332&lt;/td&gt;&#10; &lt;td&gt;346&lt;/td&gt;&#10; &lt;td&gt;467&lt;/td&gt;&#10; &lt;td&gt;748&lt;/td&gt;&#10; &lt;td&gt;748&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;每周交易&lt;/td&gt;&#10; &lt;td&gt;2&lt;/td&gt;&#10; &lt;td&gt;2&lt;/td&gt;&#10; &lt;td&gt;1&lt;/td&gt;&#10; &lt;td&gt;1&lt;/td&gt;&#10; &lt;td&gt;2&lt;/td&gt;&#10; &lt;td&gt;3&lt;/td&gt;&#10; &lt;td&gt;3&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;胜率&lt;/td&gt;&#10; &lt;td&gt;28%&lt;/td&gt;&#10; &lt;td&gt;27%&lt;/td&gt;&#10; &lt;td&gt;28%&lt;/td&gt;&#10; &lt;td&gt;26%&lt;/td&gt;&#10; &lt;td&gt;45%&lt;/td&gt;&#10; &lt;td&gt;45%&lt;/td&gt;&#10; &lt;td&gt;45%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长连续亏损&lt;/td&gt;&#10; &lt;td&gt;18&lt;/td&gt;&#10; &lt;td&gt;14&lt;/td&gt;&#10; &lt;td&gt;13&lt;/td&gt;&#10; &lt;td&gt;27&lt;/td&gt;&#10; &lt;td&gt;9&lt;/td&gt;&#10; &lt;td&gt;18&lt;/td&gt;&#10; &lt;td&gt;18&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;年收益率&lt;/td&gt;&#10; &lt;td&gt;119%&lt;/td&gt;&#10; &lt;td&gt;116%&lt;/td&gt;&#10; &lt;td&gt;121%&lt;/td&gt;&#10; &lt;td&gt;99%&lt;/td&gt;&#10; &lt;td&gt;100%&lt;/td&gt;&#10; &lt;td&gt;117%&lt;/td&gt;&#10; &lt;td&gt;45.8%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;盈利因子&lt;/td&gt;&#10; &lt;td&gt;1.57&lt;/td&gt;&#10; &lt;td&gt;1.60&lt;/td&gt;&#10; &lt;td&gt;1.75&lt;/td&gt;&#10; &lt;td&gt;1.70&lt;/td&gt;&#10; &lt;td&gt;1.61&lt;/td&gt;&#10; &lt;td&gt;1.69&lt;/td&gt;&#10; &lt;td&gt;1.81&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;PRR&lt;/td&gt;&#10; &lt;td&gt;1.35&lt;/td&gt;&#10; &lt;td&gt;1.37&lt;/td&gt;&#10; &lt;td&gt;1.47&lt;/td&gt;&#10; &lt;td&gt;1.43&lt;/td&gt;&#10; &lt;td&gt;1.41&lt;/td&gt;&#10; &lt;td&gt;1.52&lt;/td&gt;&#10; &lt;td&gt;1.63&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;夏普比率&lt;/td&gt;&#10; &lt;td&gt;0.91&lt;/td&gt;&#10; &lt;td&gt;0.89&lt;/td&gt;&#10; &lt;td&gt;1.02&lt;/td&gt;&#10; &lt;td&gt;0.98&lt;/td&gt;&#10; &lt;td&gt;0.91&lt;/td&gt;&#10; &lt;td&gt;1.19&lt;/td&gt;&#10; &lt;td&gt;1.26&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;R2&lt;/td&gt;&#10; &lt;td&gt;77%&lt;/td&gt;&#10; &lt;td&gt;75%&lt;/td&gt;&#10; &lt;td&gt;83%&lt;/td&gt;&#10; &lt;td&gt;77%&lt;/td&gt;&#10; &lt;td&gt;80%&lt;/td&gt;&#10; &lt;td&gt;89%&lt;/td&gt;&#10; &lt;td&gt;83%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;平均回撤&lt;/td&gt;&#10; &lt;td&gt;7.2%&lt;/td&gt;&#10; &lt;td&gt;7.3%&lt;/td&gt;&#10; &lt;td&gt;8.1%&lt;/td&gt;&#10; &lt;td&gt;9.4%&lt;/td&gt;&#10; &lt;td&gt;9.5%&lt;/td&gt;&#10; &lt;td&gt;5.8%&lt;/td&gt;&#10; &lt;td&gt;5.2%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;BTC PF&lt;/td&gt;&#10; &lt;td&gt;1.43&lt;/td&gt;&#10; &lt;td&gt;1.57&lt;/td&gt;&#10; &lt;td&gt;1.84&lt;/td&gt;&#10; &lt;td&gt;1.80&lt;/td&gt;&#10; &lt;td&gt;1.74&lt;/td&gt;&#10; &lt;td&gt;1.83&lt;/td&gt;&#10; &lt;td&gt;1.86&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;ETH PF&lt;/td&gt;&#10; &lt;td&gt;1.80&lt;/td&gt;&#10; &lt;td&gt;1.62&lt;/td&gt;&#10; &lt;td&gt;1.68&lt;/td&gt;&#10; &lt;td&gt;1.62&lt;/td&gt;&#10; &lt;td&gt;1.51&lt;/td&gt;&#10; &lt;td&gt;1.58&lt;/td&gt;&#10; &lt;td&gt;1.76&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;p&gt;关键发现：&lt;/p&gt;&#10;&lt;ol&gt;&#10;&lt;li&gt;&lt;strong&gt;距离滤波器&lt;/strong&gt;是风险调整后收益提升的核心驱动力，夏普比率首次突破 1.0&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;盈亏平衡机制&lt;/strong&gt;大幅改善了胜率（从 28% 跃升至 45%）和降低连续亏损次数&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;空头优化&lt;/strong&gt;显著提升了策略的夏普比率，证明了单独优化空头平仓的价值&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;固定风险资金管理&lt;/strong&gt;虽然降低了名义收益率（45.8% vs 117%），但实现了更平滑的资金曲线和更高的夏普比率（1.26）&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;长期表现特征：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;表现最糟糕的时期&lt;/strong&gt;：2022 年下半年，连续四个月亏损&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;整体表现&lt;/strong&gt;：其余年份均能稳定盈利，平均每年约四个月亏损，三分之二时间盈利&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;震荡市应对&lt;/strong&gt;：当市场陷入窄幅震荡时，策略会持续亏损。未来可考虑加入&lt;strong&gt;波动性滤波器&lt;/strong&gt;（当波动性过低时暂停交易）作为进一步优化方向&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="5-稳健性检验"&gt;&lt;span&gt;5. 稳健性检验&lt;/span&gt;&#10; &lt;a href="#5-%e7%a8%b3%e5%81%a5%e6%80%a7%e6%a3%80%e9%aa%8c" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;为验证策略的稳健性，我们对 Walk-Forward Optimization（WFO）的周期数进行敏感性分析。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="51-测试设置"&gt;&lt;span&gt;5.1 测试设置&lt;/span&gt;&#10; &lt;a href="#51-%e6%b5%8b%e8%af%95%e8%ae%be%e7%bd%ae" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;Asset&lt;/th&gt;&#10; &lt;th&gt;BTCUSDT, ETHUSDT&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;BarPeriod&lt;/td&gt;&#10; &lt;td&gt;60&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;StartDate&lt;/td&gt;&#10; &lt;td&gt;20180101&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;EndDate&lt;/td&gt;&#10; &lt;td&gt;20251230&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Lookback&lt;/td&gt;&#10; &lt;td&gt;5000&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Leverage&lt;/td&gt;&#10; &lt;td&gt;5&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Commission&lt;/td&gt;&#10; &lt;td&gt;-0.1&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;Slippage&lt;/td&gt;&#10; &lt;td&gt;5&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;NumWFOCycles&lt;/td&gt;&#10; &lt;td&gt;2-30&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;DataSplit&lt;/td&gt;&#10; &lt;td&gt;85&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;h3 class="heading-element" id="52-固定资金模式每交易对-10000-美元"&gt;&lt;span&gt;5.2 固定资金模式（每交易对 10000 美元）&lt;/span&gt;&#10; &lt;a href="#52-%e5%9b%ba%e5%ae%9a%e8%b5%84%e9%87%91%e6%a8%a1%e5%bc%8f%e6%af%8f%e4%ba%a4%e6%98%93%e5%af%b9-10000-%e7%be%8e%e5%85%83" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;当周期数处于 &lt;strong&gt;10-16&lt;/strong&gt; 时，PRR 创局部高点并保持稳定。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image_8.png' alt="image.png" height="1158" width="1722"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="53-固定风险模式初始资金-10000风险率-2"&gt;&lt;span&gt;5.3 固定风险模式（初始资金 10000，风险率 2%）&lt;/span&gt;&#10; &lt;a href="#53-%e5%9b%ba%e5%ae%9a%e9%a3%8e%e9%99%a9%e6%a8%a1%e5%bc%8f%e5%88%9d%e5%a7%8b%e8%b5%84%e9%87%91-10000%e9%a3%8e%e9%99%a9%e7%8e%87-2" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;当周期数处于 &lt;strong&gt;10-20&lt;/strong&gt; 时，PRR 创局部高点并保持稳定，局部高点区间为 &lt;strong&gt;1.6-1.7&lt;/strong&gt;。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/lowpass-hourly-strategy/image_9.png' alt="image.png" height="1152" width="1732"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="54-稳健性结论"&gt;&lt;span&gt;5.4 稳健性结论&lt;/span&gt;&#10; &lt;a href="#54-%e7%a8%b3%e5%81%a5%e6%80%a7%e7%bb%93%e8%ae%ba" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;blockquote&gt;&#10;&lt;p&gt;&lt;strong&gt;策略通过稳健性检验。&lt;/strong&gt;&lt;/p&gt;&#10;&lt;/blockquote&gt;&#10;&lt;p&gt;推荐的 WFO 参数设置：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;code&gt;StartDate = 20180101&lt;/code&gt;&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;EndDate = 20251230&lt;/code&gt;&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;NumWFOCycles = 15&lt;/code&gt;&lt;/li&gt;&#10;&lt;li&gt;&lt;code&gt;DataSplit = 85&lt;/code&gt;&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="附录策略源码"&gt;&lt;span&gt;附录：策略源码&lt;/span&gt;&#10; &lt;a href="#%e9%99%84%e5%bd%95%e7%ad%96%e7%95%a5%e6%ba%90%e7%a0%81" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;以下代码完整呈现了策略的实现逻辑，包含指标计算、信号生成、状态管理、风险控制、资金管理和订单执行等模块。&lt;/p&gt;&#10;&lt;pre&gt;&lt;code&gt;/*&#10;基于低通滤波器识别中期趋势反转&#10;*/&#10;&#10;#include &amp;lt;profile.c&amp;gt;&#10;#include &amp;lt;utils.c&amp;gt;&#10;#include &amp;lt;myindicators.c&amp;gt;&#10;&#10;function tradeStrategy() {&#10; // ---------------------------------------------------------&#10; // 参数设置&#10; // ---------------------------------------------------------&#10; int TrendPeriod = 800;&#10; var FuzzyFactor = 0.1;&#10; var EntryProbThreshold = 0.6;&#10; var DeviationThreshold = 0;&#10; var AtrStopFactor = 0;&#10; var AtrTrailFactor = 0;&#10; var ShortProfitThreshold = 0;&#10; var FixedCapital = 10000;&#10; var FixedRisk = 0;&#10;&#10; // ---------------------------------------------------------&#10; // 指标计算&#10; // ---------------------------------------------------------&#10; vars Prices = series(price());&#10; vars Trends = series(LowPass(Prices, TrendPeriod));&#10; var ATR100 = ATR(100);&#10; var PercentDeviation = abs(Prices[0]-Trends[0])/Trends[0]*100;&#10;&#10; var LongNormalizedProfit = getLongNormalizedProfit(ATR100);&#10; var ShortNormalizedProfit = getShortNormalizedProfit(ATR100);&#10;&#10; // ---------------------------------------------------------&#10; // 交易信号&#10; // ---------------------------------------------------------&#10; FuzzyRange = FuzzyFactor*ATR100;&#10; var RisingProb = risingF(Trends);&#10; var FallingProb = fallingF(Trends);&#10;&#10; bool LongEntry = RisingProb &amp;gt;= EntryProbThreshold;&#10; bool LongExit = peak(Trends);&#10; bool ShortEntry = FallingProb &amp;gt;= EntryProbThreshold;&#10; bool ShortExit = valley(Trends);&#10;&#10; if(DeviationThreshold &amp;gt; 0) {&#10; LongEntry = LongEntry &amp;amp;&amp;amp; PercentDeviation &amp;lt;= DeviationThreshold;&#10; ShortEntry = ShortEntry &amp;amp;&amp;amp; PercentDeviation &amp;lt;= DeviationThreshold;&#10; }&#10;&#10; // ---------------------------------------------------------&#10; // 状态管理：再进场限制 (AlgoVar[0])&#10; // ---------------------------------------------------------&#10;&#10; // 触发部分止盈后，开始跟踪跟踪剩余头寸，并进入观望期&#10; if(AlgoVar[0] == 1) {&#10; // 限制进场&#10; ShortEntry = false;&#10;&#10; // 管理剩余持仓：锁定 50% 利润&#10; for(current_trades) {&#10; if(TradeIsOpen &amp;amp;&amp;amp; TradeIsShort) {&#10; TradeTrailLock = 0.5;&#10; }&#10; }&#10;&#10; // 解锁条件：空仓且趋势反转&#10; if(NumOpenShort == 0) {&#10; if(RisingProb &amp;gt; 0.4 || valley(Trends) || peak(Trends)) {&#10; AlgoVar[0] = 0;&#10; }&#10; }&#10; }&#10;&#10; // ---------------------------------------------------------&#10; // 风控&#10; // ---------------------------------------------------------&#10; Stop = AtrStopFactor*ATR100;&#10; Trail = AtrTrailFactor*ATR100;&#10; TrailLock = 10;&#10; TrailSlope = 0;&#10;&#10; // ---------------------------------------------------------&#10; // 资金管理&#10; // ---------------------------------------------------------&#10; Lots = 100;&#10; var MinLots = getMinLots();&#10; if(!Train &amp;amp;&amp;amp; FixedCapital &amp;gt; 0)&#10; Lots = floor(FixedCapital/priceC()/LotAmount);&#10; if(!Train &amp;amp;&amp;amp; Capital &amp;gt; 0 &amp;amp;&amp;amp; FixedRisk &amp;gt; 0 &amp;amp;&amp;amp; AtrStopFactor &amp;gt; 0)&#10; Lots = fixedRiskLots(FixedRisk);&#10; if(Lots &amp;lt; MinLots) Lots = MinLots;&#10;&#10; // ---------------------------------------------------------&#10; // 订单管理&#10; // ---------------------------------------------------------&#10; if(NumOpenLong &amp;gt; 0 &amp;amp;&amp;amp; LongExit)&#10; exitLong();&#10; if(NumOpenShort &amp;gt; 0 &amp;amp;&amp;amp; ShortExit)&#10; exitShort();&#10; if(NumOpenLong == 0 &amp;amp;&amp;amp; LongEntry)&#10; enterLong();&#10; if(NumOpenShort == 0 &amp;amp;&amp;amp; ShortEntry) {&#10; if(ShortProfitThreshold &amp;gt; 0)&#10; enterShortMultipleOrders(2, MinLots);&#10; else&#10; enterShort();&#10; }&#10;&#10; // 空头部分止盈逻辑&#10; if(ShortProfitThreshold &amp;gt; 0 &amp;amp;&amp;amp; NumOpenShort &amp;gt; 0 &amp;amp;&amp;amp; AlgoVar[0] == 0) {&#10; if(ShortNormalizedProfit &amp;gt;= ShortProfitThreshold) {&#10; // 平仓50%&#10; exitProfitShortOrders(1);&#10; // 标记进入剩余头寸管理模式&#10; AlgoVar[0] = 1;&#10; }&#10; }&#10;&#10; // ---------------------------------------------------------&#10; // 绘图&#10; // ---------------------------------------------------------&#10; if((Test &amp;amp;&amp;amp; !is(LOOKBACK)) || Live) {&#10; plot2(&amp;#34;Trend&amp;#34;, Trends[0], MAIN, rising(Trends), GREEN, RED);&#10;&#10; var BullishState = ifelse(RisingProb &amp;gt;= EntryProbThreshold, 1, 0);&#10; var BearishState = ifelse(FallingProb &amp;gt;= EntryProbThreshold, 1, 0);&#10; plot(&amp;#34;BullishState&amp;#34;, BullishState, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;BearishState&amp;#34;, BearishState, 0|BARS, RED&amp;#43;TRANSP);&#10; plot(&amp;#34;RisingProb&amp;#34;, RisingProb, 0|LINE, BLUE);&#10; plot(&amp;#34;BullT&amp;#34;, EntryProbThreshold, 0, GREY);&#10; plot(&amp;#34;BearT&amp;#34;, 1-EntryProbThreshold, 0, GREY);&#10;&#10; if(DeviationThreshold &amp;gt; 0) {&#10; plot(&amp;#34;Deviation&amp;#34;, PercentDeviation, NEW, RED);&#10; plot(&amp;#34;Deviation&amp;#43;&amp;#34;, DeviationThreshold, 0, GREY);&#10; }&#10;&#10; if(ShortProfitThreshold &amp;gt; 0) {&#10; plot(&amp;#34;LongProfit&amp;#34;, LongNormalizedProfit, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;ShortProfit&amp;#34;, ShortNormalizedProfit, 0|BARS, RED&amp;#43;TRANSP);&#10; plot(&amp;#34;ShortProfitT&amp;#34;, ShortProfitThreshold, 0, RED);&#10; }&#10;&#10; if(AtrStopFactor &amp;gt; 0 &amp;amp;&amp;amp; NumOpenTotal &amp;gt; 0) {&#10; var CurrentStop = 0;&#10; for(current_trades) {&#10; CurrentStop = (var)TradeStopLimit;&#10; break_trades;&#10; }&#10; if(CurrentStop &amp;gt; 0) plot(&amp;#34;Stop&amp;#34;, CurrentStop, MAIN|DOT, LIGHTBLUE);&#10; }&#10;&#10; // if(AlgoVar[0] &amp;gt; 0) plot(&amp;#34;LockMode&amp;#34;, 10, NEW|BARS, BLUE);&#10; }&#10;}&#10;&#10;function run() {&#10; // --------------------------------------------------------- //&#10; // Zorro 设置&#10; // --------------------------------------------------------- //&#10;&#10; // 日志&#10; set(LOGFILE);&#10; Verbose = 3;&#10;&#10; // 图表&#10; set(PLOTNOW);&#10; setf(PlotMode,PL_DIFF);&#10; PlotScale = 8;&#10; PlotHeight2 = 320;&#10; if(Live) PlotBars = -250;&#10;&#10; // 训练&#10; set(PARAMETERS);&#10; setf(TrainMode,TRADES);&#10; DataSplit = 85;&#10; NumWFOCycles = 10;&#10; NumCores = 4;&#10;&#10; // 实盘&#10; if(Live) {&#10; set(NOLOCK); // 禁止同步 zorro 实例&#10; setf(SaveMode,SV_STATS|SV_TRADES|SV_ALGOVARS|SV_SLIDERS);&#10; TickTime = 1000;&#10; TockTime = 60000;&#10; slider(1,2000,0,3000,&amp;#34;.Risk(%)&amp;#34;,0); // 通过滑块设置风险率&#10; }&#10;&#10; // k线生成规则，7*24交易&#10; resf(BarMode,BR_WEEKEND);&#10; StartWeek = 0;&#10; EndWeek = 62359;&#10; StartMarket = 0;&#10; EndMarket = 2359;&#10; BarPeriod = 60;&#10; BarZone = UTC;&#10; BarOffset = 0;&#10; TickFix = 60000;&#10; &#9; if(Live) TickFix = 0;&#10;&#10; // 测试样本&#10; StartDate = 20180101;&#10; EndDate = 20251230;&#10; LookBack = 5000;&#10;&#10; // 初始资本&#10; if(Train) Capital = 0;&#10; if(Test) Capital = 0;&#10; if(Live) Capital = 0;&#10;&#10; // 下一根k线开盘时进场/平仓&#10; Fill = 3;&#10;&#10; // --------------------------------------------------------- //&#10; // 交易策略&#10; // --------------------------------------------------------- //&#10;&#10; while(asset(loop(&amp;#34;BTCUSDT&amp;#34;,&amp;#34;ETHUSDT&amp;#34;))) {&#10; Leverage = 5;&#10; MarginCost = priceClose()*LotAmount/Leverage;&#10; tradeStrategy();&#10; }&#10;}&lt;/code&gt;&lt;/pre&gt;</description></item><item><title>使用控制论振荡器捕捉中短期动量</title><link>http://localhost:1313/posts/cybernetic-oscillator-hourly/</link><pubDate>Sun, 08 Feb 2026 00:00:00 +0800</pubDate><author>scofieldchen0011@gmail.com (量化炼金)</author><guid>http://localhost:1313/posts/cybernetic-oscillator-hourly/</guid><category domain="http://localhost:1313/categories/%E4%BA%A4%E6%98%93%E7%AD%96%E7%95%A5/">交易策略</category><description>&lt;img src="http://localhost:1313/posts/cybernetic-oscillator-hourly/image.png" alt="featured image" referrerpolicy="no-referrer"&gt;&lt;p&gt;传统的动量指标往往在震荡行情中频繁发出假信号，而在趋势行情中又容易显得滞后。本文将深入探讨一种基于控制论（Cybernetics）原理的交易策略。&lt;/p&gt;&#10;&lt;p&gt;通过结合约翰·埃勒斯（John Ehlers）的控制论振荡器（Cybernetic Oscillator）、低通滤波器（Low-Pass Filter）以及模糊逻辑（Fuzzy Logic），我们构建了一套能够准确捕捉 BTC 与 ETH 中短期动量的交易策略。本文将详细展示该策略从基础原型到最终优化的全迭代过程，并揭示其在极端行情下的表现与风险控制。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="1-回测环境"&gt;&lt;span&gt;1. 回测环境&lt;/span&gt;&#10; &lt;a href="#1-%e5%9b%9e%e6%b5%8b%e7%8e%af%e5%a2%83" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;为了确保研究的严谨性，我们使用 Zorro 进行回溯检验。涵盖了从 2018 年 至 2025 年的多个牛熊周期，力求验证策略在不同市场环境下的稳健性。&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;配置项&lt;/th&gt;&#10; &lt;th&gt;参数值&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;交易标的 (Asset)&lt;/td&gt;&#10; &lt;td&gt;BTCUSDT, ETHUSDT&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;K线周期 (BarPeriod)&lt;/td&gt;&#10; &lt;td&gt;60 分钟 (1小时)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;回测起点 (StartDate)&lt;/td&gt;&#10; &lt;td&gt;2018-01-01&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;回测终点 (EndDate)&lt;/td&gt;&#10; &lt;td&gt;2025-12-30&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;回望期 (Lookback)&lt;/td&gt;&#10; &lt;td&gt;5000 根 K线&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;杠杆倍数 (Leverage)&lt;/td&gt;&#10; &lt;td&gt;5倍&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;佣金费率 (Commission)&lt;/td&gt;&#10; &lt;td&gt;-0.1% (按成交额)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;滑点设置 (Slippage)&lt;/td&gt;&#10; &lt;td&gt;5 (延迟5秒进场)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;WFO 循环数 (NumWFOCycles)&lt;/td&gt;&#10; &lt;td&gt;10&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;数据分割比例 (DataSplit)&lt;/td&gt;&#10; &lt;td&gt;85% (训练集/测试集)&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;训练阶段&lt;/strong&gt;：采用固定 100 手的数量，排除资金管理对策略表现的影响。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;测试阶段&lt;/strong&gt;：固定资金，每个交易对每笔交易使用10000美元。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="2-策略逻辑"&gt;&lt;span&gt;2. 策略逻辑&lt;/span&gt;&#10; &lt;a href="#2-%e7%ad%96%e7%95%a5%e9%80%bb%e8%be%91" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;本策略的核心理念是&lt;strong&gt;顺大势，追动量&lt;/strong&gt;。我们利用多重滤波器对原始价格进行降噪，提取最准确的趋势信号。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="21-市场结构划分"&gt;&lt;span&gt;2.1 市场结构划分&lt;/span&gt;&#10; &lt;a href="#21-%e5%b8%82%e5%9c%ba%e7%bb%93%e6%9e%84%e5%88%92%e5%88%86" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;我们不使用传统的移动平均线，而是采用更具平滑度且滞后更低的低通滤波器，结合模糊逻辑来动态概率性地评估市场趋势：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;突破做多&lt;/strong&gt;：当趋势线指示看涨，且动量指标在 0-2 之间快速攀升时入场。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;回调做多&lt;/strong&gt;：在看涨背景下，若动量指标跌破 -2 但出现筑底迹象，视为回撤买入机会。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;突破做空&lt;/strong&gt;：趋势看空且动量指标在 -2-0 之间持续下降时顺势做空。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;反弹做空&lt;/strong&gt;：趋势看空背景下，利用动量指标在 +2 上方的筑顶回落进场。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h3 class="heading-element" id="22-平仓机制"&gt;&lt;span&gt;2.2 平仓机制&lt;/span&gt;&#10; &lt;a href="#22-%e5%b9%b3%e4%bb%93%e6%9c%ba%e5%88%b6" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;策略采用动量回归逻辑，当动量指标回归 0 轴（即短期动量衰减至中性）时，果断平仓。&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="3-策略迭代"&gt;&lt;span&gt;3. 策略迭代&lt;/span&gt;&#10; &lt;a href="#3-%e7%ad%96%e7%95%a5%e8%bf%ad%e4%bb%a3" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;h3 class="heading-element" id="31-基础策略"&gt;&lt;span&gt;3.1 基础策略&lt;/span&gt;&#10; &lt;a href="#31-%e5%9f%ba%e7%a1%80%e7%ad%96%e7%95%a5" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;最初的策略原型展现了捕捉中短期趋势的潜力，但在市场波动率极低的趋势末期表现欠佳。&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;优势&lt;/strong&gt;：准确识别中短期主升/主降浪。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;痛点&lt;/strong&gt;：在趋势末期频繁产生逆势交易，导致利润回吐。交易频率过高（每周约 5 笔），增加了磨损成本。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image.png' alt="image.png" height="1828" width="2836"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="32-优化趋势线"&gt;&lt;span&gt;3.2 优化趋势线&lt;/span&gt;&#10; &lt;a href="#32-%e4%bc%98%e5%8c%96%e8%b6%8b%e5%8a%bf%e7%ba%bf" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;通过优化趋势线回溯期（扫描区间为 400-1000），我们发现 BTC 和 ETH 在 800-1000 区间存在显著的参数平稳区。&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;成果&lt;/strong&gt;：最大回撤从 36% 降至 29%，PRR（悲观回报率）小幅提升至 1.08。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_1.png' alt="image.png" height="1484" width="1036"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_2.png' alt="image.png" height="1820" width="2828"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="33-调整控制论振荡器"&gt;&lt;span&gt;3.3 调整控制论振荡器&lt;/span&gt;&#10; &lt;a href="#33-%e8%b0%83%e6%95%b4%e6%8e%a7%e5%88%b6%e8%ae%ba%e6%8c%af%e8%8d%a1%e5%99%a8" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;控制论振荡器的高通滤波截止频率直接决定了信号的灵敏度。经过优化（200-800 区间），BTC 偏好 450-600，而 ETH 则在 300-500 表现更佳。&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;成果&lt;/strong&gt;：最大回撤减半至 14%，盈利因子跃升至 1.36。每周交易次数降至 3 笔，显著提升了单笔交易的风险回报率。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_3.png' alt="image.png" height="742" width="1002"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_4.png' alt="image.png" height="1818" width="2834"&gt;&lt;/p&gt;&#10;&lt;blockquote&gt;&#10;&lt;p&gt;尽管性能提升明显，但从下图可以看出，策略在趋势转换阶段（波动性枯竭时）持续亏损。这说明我们需要一个“波动性开关”。&lt;/p&gt;&#10;&lt;/blockquote&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_5.png' alt="image.png" height="1818" width="2798"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="34-引入波动性滤波器"&gt;&lt;span&gt;3.4 引入波动性滤波器&lt;/span&gt;&#10; &lt;a href="#34-%e5%bc%95%e5%85%a5%e6%b3%a2%e5%8a%a8%e6%80%a7%e6%bb%a4%e6%b3%a2%e5%99%a8" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;我们引入了 ATR 比率指标（ATR20 / ATR100），以此过滤低波动环境。&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;核心逻辑&lt;/strong&gt;：当波动率极低时，往往预示着趋势的衰减或陷入横盘震荡。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;成果&lt;/strong&gt;：BTC 和 ETH 分别在 1.0 左右的阈值处表现最优。夏普比率提升至 1.07，最长连续亏损次数大幅减少。虽然牺牲了部分盈利机会，但整体期望值显著改善。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_6.png' alt="image.png" height="734" width="1124"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="35-优化空头平仓"&gt;&lt;span&gt;3.5 优化空头平仓&lt;/span&gt;&#10; &lt;a href="#35-%e4%bc%98%e5%8c%96%e7%a9%ba%e5%a4%b4%e5%b9%b3%e4%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;空头交易的表现远不如多头交易，因此我们单独优化。计算空头交易的盈利（经过ATR调整），当浮盈超过阈值，先平仓50%，然后追踪剩余50%的头寸，不断调整止损价格以锁定50%利润。&lt;/p&gt;&#10;&lt;p&gt;优化盈利阈值，两个交易对均有平稳参数区间，分别是3-8。样本外策略表现显著提升。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_7.png' alt="image.png" height="730" width="996"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="4-回测结果"&gt;&lt;span&gt;4. 回测结果&lt;/span&gt;&#10; &lt;a href="#4-%e5%9b%9e%e6%b5%8b%e7%bb%93%e6%9e%9c" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;通过多轮迭代优化，策略在各项核心指标上均实现了质的飞跃。&lt;/p&gt;&#10;&lt;div class="table-wrapper"&gt;&#10; &lt;table data-sortable&gt;&lt;thead&gt;&#10; &lt;tr&gt;&#10; &lt;th&gt;核心指标&lt;/th&gt;&#10; &lt;th&gt;基础策略&lt;/th&gt;&#10; &lt;th&gt;优化趋势线&lt;/th&gt;&#10; &lt;th&gt;优化控制论振荡器&lt;/th&gt;&#10; &lt;th&gt;波动性滤波器&lt;/th&gt;&#10; &lt;th&gt;ATR止损&lt;/th&gt;&#10; &lt;th&gt;盈亏平衡&lt;/th&gt;&#10; &lt;th&gt;优化空头平仓&lt;/th&gt;&#10; &lt;th&gt;资金管理&lt;/th&gt;&#10; &lt;/tr&gt;&#10; &lt;/thead&gt;&#10; &lt;tbody&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最大回撤&lt;/td&gt;&#10; &lt;td&gt;36%&lt;/td&gt;&#10; &lt;td&gt;29%&lt;/td&gt;&#10; &lt;td&gt;14%&lt;/td&gt;&#10; &lt;td&gt;14%&lt;/td&gt;&#10; &lt;td&gt;19%&lt;/td&gt;&#10; &lt;td&gt;24%&lt;/td&gt;&#10; &lt;td&gt;14%&lt;/td&gt;&#10; &lt;td&gt;10.8%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;MAE&lt;/td&gt;&#10; &lt;td&gt;40%&lt;/td&gt;&#10; &lt;td&gt;31%&lt;/td&gt;&#10; &lt;td&gt;19%&lt;/td&gt;&#10; &lt;td&gt;16%&lt;/td&gt;&#10; &lt;td&gt;21%&lt;/td&gt;&#10; &lt;td&gt;28%&lt;/td&gt;&#10; &lt;td&gt;16%&lt;/td&gt;&#10; &lt;td&gt;13.3%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长回撤周数&lt;/td&gt;&#10; &lt;td&gt;32&lt;/td&gt;&#10; &lt;td&gt;25&lt;/td&gt;&#10; &lt;td&gt;21&lt;/td&gt;&#10; &lt;td&gt;26&lt;/td&gt;&#10; &lt;td&gt;26&lt;/td&gt;&#10; &lt;td&gt;74&lt;/td&gt;&#10; &lt;td&gt;26&lt;/td&gt;&#10; &lt;td&gt;21&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;交易次数&lt;/td&gt;&#10; &lt;td&gt;1301&lt;/td&gt;&#10; &lt;td&gt;1293&lt;/td&gt;&#10; &lt;td&gt;869&lt;/td&gt;&#10; &lt;td&gt;693&lt;/td&gt;&#10; &lt;td&gt;702&lt;/td&gt;&#10; &lt;td&gt;731&lt;/td&gt;&#10; &lt;td&gt;957&lt;/td&gt;&#10; &lt;td&gt;957&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;周交易次数&lt;/td&gt;&#10; &lt;td&gt;5&lt;/td&gt;&#10; &lt;td&gt;5&lt;/td&gt;&#10; &lt;td&gt;3&lt;/td&gt;&#10; &lt;td&gt;3&lt;/td&gt;&#10; &lt;td&gt;3&lt;/td&gt;&#10; &lt;td&gt;3&lt;/td&gt;&#10; &lt;td&gt;4&lt;/td&gt;&#10; &lt;td&gt;4&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;胜率&lt;/td&gt;&#10; &lt;td&gt;36%&lt;/td&gt;&#10; &lt;td&gt;36%&lt;/td&gt;&#10; &lt;td&gt;37%&lt;/td&gt;&#10; &lt;td&gt;40%&lt;/td&gt;&#10; &lt;td&gt;40%&lt;/td&gt;&#10; &lt;td&gt;44%&lt;/td&gt;&#10; &lt;td&gt;40%&lt;/td&gt;&#10; &lt;td&gt;40%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;最长连续亏损&lt;/td&gt;&#10; &lt;td&gt;18&lt;/td&gt;&#10; &lt;td&gt;18&lt;/td&gt;&#10; &lt;td&gt;15&lt;/td&gt;&#10; &lt;td&gt;11&lt;/td&gt;&#10; &lt;td&gt;11&lt;/td&gt;&#10; &lt;td&gt;9&lt;/td&gt;&#10; &lt;td&gt;18&lt;/td&gt;&#10; &lt;td&gt;18&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;年收益率&lt;/td&gt;&#10; &lt;td&gt;55%&lt;/td&gt;&#10; &lt;td&gt;67%&lt;/td&gt;&#10; &lt;td&gt;131%&lt;/td&gt;&#10; &lt;td&gt;132%&lt;/td&gt;&#10; &lt;td&gt;104%&lt;/td&gt;&#10; &lt;td&gt;82%&lt;/td&gt;&#10; &lt;td&gt;131%&lt;/td&gt;&#10; &lt;td&gt;36.7%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;盈利因子&lt;/td&gt;&#10; &lt;td&gt;1.15&lt;/td&gt;&#10; &lt;td&gt;1.17&lt;/td&gt;&#10; &lt;td&gt;1.36&lt;/td&gt;&#10; &lt;td&gt;1.46&lt;/td&gt;&#10; &lt;td&gt;1.40&lt;/td&gt;&#10; &lt;td&gt;1.33&lt;/td&gt;&#10; &lt;td&gt;1.50&lt;/td&gt;&#10; &lt;td&gt;1.63&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;PRR&lt;/td&gt;&#10; &lt;td&gt;1.06&lt;/td&gt;&#10; &lt;td&gt;1.08&lt;/td&gt;&#10; &lt;td&gt;1.23&lt;/td&gt;&#10; &lt;td&gt;1.31&lt;/td&gt;&#10; &lt;td&gt;1.26&lt;/td&gt;&#10; &lt;td&gt;1.20&lt;/td&gt;&#10; &lt;td&gt;1.36&lt;/td&gt;&#10; &lt;td&gt;1.48&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;夏普比率&lt;/td&gt;&#10; &lt;td&gt;0.54&lt;/td&gt;&#10; &lt;td&gt;0.61&lt;/td&gt;&#10; &lt;td&gt;0.96&lt;/td&gt;&#10; &lt;td&gt;1.07&lt;/td&gt;&#10; &lt;td&gt;0.98&lt;/td&gt;&#10; &lt;td&gt;0.81&lt;/td&gt;&#10; &lt;td&gt;1.27&lt;/td&gt;&#10; &lt;td&gt;1.53&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;R2&lt;/td&gt;&#10; &lt;td&gt;64%&lt;/td&gt;&#10; &lt;td&gt;61%&lt;/td&gt;&#10; &lt;td&gt;57%&lt;/td&gt;&#10; &lt;td&gt;55%&lt;/td&gt;&#10; &lt;td&gt;43%&lt;/td&gt;&#10; &lt;td&gt;43%&lt;/td&gt;&#10; &lt;td&gt;62%&lt;/td&gt;&#10; &lt;td&gt;91%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;平均回撤&lt;/td&gt;&#10; &lt;td&gt;11%&lt;/td&gt;&#10; &lt;td&gt;9.5%&lt;/td&gt;&#10; &lt;td&gt;6.1%&lt;/td&gt;&#10; &lt;td&gt;5%&lt;/td&gt;&#10; &lt;td&gt;5%&lt;/td&gt;&#10; &lt;td&gt;7%&lt;/td&gt;&#10; &lt;td&gt;3.8%&lt;/td&gt;&#10; &lt;td&gt;3.1%&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;BTC 盈利因子&lt;/td&gt;&#10; &lt;td&gt;1.00&lt;/td&gt;&#10; &lt;td&gt;1.03&lt;/td&gt;&#10; &lt;td&gt;1.15&lt;/td&gt;&#10; &lt;td&gt;1.27&lt;/td&gt;&#10; &lt;td&gt;1.21&lt;/td&gt;&#10; &lt;td&gt;1.18&lt;/td&gt;&#10; &lt;td&gt;1.25&lt;/td&gt;&#10; &lt;td&gt;1.53&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;tr&gt;&#10; &lt;td&gt;ETH 盈利因子&lt;/td&gt;&#10; &lt;td&gt;1.28&lt;/td&gt;&#10; &lt;td&gt;1.29&lt;/td&gt;&#10; &lt;td&gt;1.57&lt;/td&gt;&#10; &lt;td&gt;1.60&lt;/td&gt;&#10; &lt;td&gt;1.56&lt;/td&gt;&#10; &lt;td&gt;1.45&lt;/td&gt;&#10; &lt;td&gt;1.70&lt;/td&gt;&#10; &lt;td&gt;1.74&lt;/td&gt;&#10; &lt;/tr&gt;&#10; &lt;/tbody&gt;&#10; &lt;/table&gt;&#10;&lt;/div&gt;&lt;p&gt;最终策略的净值表现稳健，风险调整收益率很高，PRR和夏普比率均接近1.5。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_8.png' alt="image.png" height="1838" width="2824"&gt;&lt;/p&gt;&#10;&lt;h2 class="heading-element" id="5-稳健性检验"&gt;&lt;span&gt;5. 稳健性检验&lt;/span&gt;&#10; &lt;a href="#5-%e7%a8%b3%e5%81%a5%e6%80%a7%e6%a3%80%e9%aa%8c" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;我们使用步进前向分析（Walk Forward Analysis, WFO）来验证策略的稳定性，防止过拟合。&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="51-固定资金下的稳健性"&gt;&lt;span&gt;5.1 固定资金下的稳健性&lt;/span&gt;&#10; &lt;a href="#51-%e5%9b%ba%e5%ae%9a%e8%b5%84%e9%87%91%e4%b8%8b%e7%9a%84%e7%a8%b3%e5%81%a5%e6%80%a7" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;当 WFO 周期数处于 13-22 区间时，PRR 保持在局部高点且波动极小。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_9.png' alt="image.png" height="1154" width="1710"&gt;&lt;/p&gt;&#10;&lt;h3 class="heading-element" id="52-固定风险下的稳健性"&gt;&lt;span&gt;5.2 固定风险下的稳健性&lt;/span&gt;&#10; &lt;a href="#52-%e5%9b%ba%e5%ae%9a%e9%a3%8e%e9%99%a9%e4%b8%8b%e7%9a%84%e7%a8%b3%e5%81%a5%e6%80%a7" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h3&gt;&lt;p&gt;在固定风险模式（1.5% 风险敞口）下，12-23 周期的稳定性再次验证了系统的可靠性。&lt;/p&gt;&#10;&lt;p&gt;&lt;img loading="lazy" src='http://localhost:1313/posts/cybernetic-oscillator-hourly/image_10.png' alt="image.png" height="1160" width="1718"&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;WFO 建议参数配置：&lt;/strong&gt;&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;训练比例&lt;/strong&gt;：85%&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;优化周期&lt;/strong&gt;：15&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;再平衡频率&lt;/strong&gt;：每 5 个月重新训练参数以适应市场结构性变异。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="6-总结"&gt;&lt;span&gt;6. 总结&lt;/span&gt;&#10; &lt;a href="#6-%e6%80%bb%e7%bb%93" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;p&gt;研究证明，利用&lt;strong&gt;控制论振荡器&lt;/strong&gt;结合&lt;strong&gt;多重频率滤波器&lt;/strong&gt;，可以有效地在小时图级别捕捉到中短期动量机会。&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;核心结论&lt;/strong&gt;：低通滤波器与模糊逻辑构成的趋势滤滤波器表现出色，能够过滤掉大部分随机噪音；波动率滤波器则成功规避了趋势末期的低波动噪音。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;后续方向&lt;/strong&gt;：目前该策略在 BTC 和 ETH 上表现优异，未来可尝试将其扩展至一篮子山寨币组合，并探索更高频的执行逻辑。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;h2 class="heading-element" id="附录zorro-策略源代码"&gt;&lt;span&gt;附录：Zorro 策略源代码&lt;/span&gt;&#10; &lt;a href="#%e9%99%84%e5%bd%95zorro-%e7%ad%96%e7%95%a5%e6%ba%90%e4%bb%a3%e7%a0%81" class="heading-mark"&gt;&lt;svg class="octicon octicon-link" viewBox="0 0 16 16" version="1.1" width="16" height="16" aria-hidden="true"&gt;&lt;path d="m7.775 3.275 1.25-1.25a3.5 3.5 0 1 1 4.95 4.95l-2.5 2.5a3.5 3.5 0 0 1-4.95 0 .751.751 0 0 1 .018-1.042.751.751 0 0 1 1.042-.018 1.998 1.998 0 0 0 2.83 0l2.5-2.5a2.002 2.002 0 0 0-2.83-2.83l-1.25 1.25a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042Zm-4.69 9.64a1.998 1.998 0 0 0 2.83 0l1.25-1.25a.751.751 0 0 1 1.042.018.751.751 0 0 1 .018 1.042l-1.25 1.25a3.5 3.5 0 1 1-4.95-4.95l2.5-2.5a3.5 3.5 0 0 1 4.95 0 .751.751 0 0 1-.018 1.042.751.751 0 0 1-1.042.018 1.998 1.998 0 0 0-2.83 0l-2.5 2.5a1.998 1.998 0 0 0 0 2.83Z"&gt;&lt;/path&gt;&lt;/svg&gt;&lt;/a&gt;&#10;&lt;/h2&gt;&lt;pre&gt;&lt;code&gt;/*&#10;基于控制论振荡器的交易策略&#10;*/&#10;&#10;#include &amp;lt;profile.c&amp;gt;&#10;#include &amp;lt;utils.c&amp;gt;&#10;#include &amp;lt;myindicators.c&amp;gt;&#10;&#10;var CyberOsc(vars Data, int HPLength, int LPLength) {&#10; vars HP = series(HighPass2(Data,HPLength));&#10; vars LP = series(Smooth(HP,LPLength));&#10; var RMS = sqrt(SumSq(LP,100)/100);&#10; return LP[0]/fix0(RMS);&#10;}&#10;&#10;function tradeStrategy() {&#10; // ---------------------------------------------------------&#10; // 参数设置&#10; // ---------------------------------------------------------&#10; int TrendPeriod = round(optimize(800,400,1000,50));&#10; var FuzzyFactor = 0.1;&#10; var EntryProbThreshold = 0.6;&#10; int HPLength = round(optimize(200,200,800,50));&#10; int LPLength = 20;&#10; var VolaThreshold = optimize(0,0.5,1.2,0.05);&#10; var AtrStopFactor = optimize(0,3,8,0.5);&#10; var AtrTrailFactor = 0;&#10; var ShortProfitThreshold = optimize(0,3,15,1);&#10; var FixedCapital = 0;&#10; var FixedRisk = 0.015;&#10;&#10; // ---------------------------------------------------------&#10; // 指标计算&#10; // ---------------------------------------------------------&#10; vars Prices = series(price());&#10; vars Trends = series(LowPass(Prices, TrendPeriod));&#10; vars Moms = series(CyberOsc(Prices, HPLength, LPLength));&#10; var ATR100 = ATR(100);&#10; var VolaRatio = ATR(20)/ATR100;&#10;&#10; FuzzyRange = FuzzyFactor*ATR100;&#10; vars RisingProb = series(risingF(Trends));&#10; vars FallingProb = series(fallingF(Trends));&#10;&#10; var LongNormalizedProfit = getLongNormalizedProfit(ATR100);&#10; var ShortNormalizedProfit = getShortNormalizedProfit(ATR100);&#10;&#10; // ---------------------------------------------------------&#10; // 交易信号&#10; // ---------------------------------------------------------&#10; bool Bullish = RisingProb[0] &amp;gt;= EntryProbThreshold;&#10; bool Bearish = FallingProb[0] &amp;gt;= EntryProbThreshold;&#10; bool MomentumBuy = Moms[0] &amp;gt; 0 &amp;amp;&amp;amp; Moms[0] &amp;lt; 2 &amp;amp;&amp;amp; rising(Moms);&#10; bool PullbackBuy = Moms[0] &amp;lt; -2 &amp;amp;&amp;amp; valley(Moms);&#10; bool MomentumSell = Moms[0] &amp;lt; 0 &amp;amp;&amp;amp; Moms[0] &amp;gt; -2 &amp;amp;&amp;amp; falling(Moms);&#10; bool PullbackSell = Moms[0] &amp;gt; 2 &amp;amp;&amp;amp; peak(Moms);&#10;&#10; bool LongEntry = Bullish &amp;amp;&amp;amp; (MomentumBuy || PullbackBuy);&#10; bool LongExit = crossUnder(Moms, 0);&#10; bool ShortEntry = Bearish &amp;amp;&amp;amp; (MomentumSell || PullbackSell);&#10; bool ShortExit = crossOver(Moms, 0);&#10;&#10; if(VolaThreshold &amp;gt; 0) {&#10; bool LowVolatility = VolaRatio &amp;lt;= VolaThreshold;&#10; LongEntry = LongEntry &amp;amp;&amp;amp; !LowVolatility;&#10; ShortEntry = ShortEntry &amp;amp;&amp;amp; !LowVolatility;&#10; }&#10;&#10; // ---------------------------------------------------------&#10; // 状态管理：再进场限制 (AlgoVar[0])&#10; // ---------------------------------------------------------&#10;&#10; // 触发部分止盈后，开始跟踪跟踪剩余头寸，并进入观望期&#10; if(AlgoVar[0] == 1) {&#10; // 限制进场&#10; ShortEntry = false;&#10;&#10; // 管理剩余持仓：锁定 50% 利润&#10; for(current_trades) {&#10; if(TradeIsOpen &amp;amp;&amp;amp; TradeIsShort) {&#10; TradeStopLimit = min(TradeStopLimit, TradePriceOpen &amp;#43; (priceC() - TradePriceOpen)*0.5);&#10; }&#10; }&#10;&#10; // 解锁条件：空仓且短期趋势反转向上&#10; if(NumOpenShort == 0) {&#10; if(PullbackSell || peak(Trends) || crossOver(Prices,Trends)) {&#10; AlgoVar[0] = 0; // 允许下一波行情进场&#10; }&#10; }&#10; }&#10;&#10; // ---------------------------------------------------------&#10; // 风控&#10; // ---------------------------------------------------------&#10; Stop = AtrStopFactor*ATR100;&#10; Trail = AtrTrailFactor*ATR100;&#10; TrailLock = 10;&#10; TrailSlope = 0;&#10;&#10; // ---------------------------------------------------------&#10; // 资金管理&#10; // ---------------------------------------------------------&#10; Lots = 100;&#10; var MinLots = getMinLots();&#10; if(!Train &amp;amp;&amp;amp; FixedCapital &amp;gt; 0)&#10; Lots = floor(FixedCapital/priceC()/LotAmount);&#10; if(!Train &amp;amp;&amp;amp; Capital &amp;gt; 0 &amp;amp;&amp;amp; FixedRisk &amp;gt; 0 &amp;amp;&amp;amp; AtrStopFactor &amp;gt; 0)&#10; Lots = fixedRiskLots(FixedRisk);&#10; if(Lots &amp;lt; MinLots) Lots = MinLots;&#10;&#10; // ---------------------------------------------------------&#10; // 订单管理&#10; // ---------------------------------------------------------&#10; if(NumOpenLong &amp;gt; 0 &amp;amp;&amp;amp; LongExit)&#10; exitLong();&#10; if(NumOpenShort &amp;gt; 0 &amp;amp;&amp;amp; ShortExit)&#10; exitShort();&#10;&#10; if(NumOpenLong == 0 &amp;amp;&amp;amp; LongEntry)&#10; enterLong();&#10; if(NumOpenShort == 0 &amp;amp;&amp;amp; ShortEntry) {&#10; if(ShortProfitThreshold &amp;gt; 0)&#10; enterShortMultipleOrders(2, MinLots);&#10; else&#10; enterShort();&#10; }&#10;&#10; // 空头部分止盈逻辑&#10; if(ShortProfitThreshold &amp;gt; 0 &amp;amp;&amp;amp; NumOpenShort &amp;gt; 0 &amp;amp;&amp;amp; AlgoVar[0] == 0) {&#10; if(ShortNormalizedProfit &amp;gt;= ShortProfitThreshold) {&#10; // 平仓50%&#10; exitProfitShortOrders(1);&#10; // 标记进入剩余头寸管理模式&#10; AlgoVar[0] = 1;&#10; }&#10; }&#10;&#10; // ---------------------------------------------------------&#10; // 绘图&#10; // ---------------------------------------------------------&#10; if((Test &amp;amp;&amp;amp; !is(LOOKBACK)) || Live) {&#10; plot(&amp;#34;Mom&amp;#34;, Moms, NEW, RED);&#10; plot(&amp;#34;Mom&amp;#43;&amp;#34;, 0, 0, GREY);&#10; plot(&amp;#34;Mom&amp;#43;&amp;#43;&amp;#34;, 2, 0, GREY);&#10; plot(&amp;#34;Mom--&amp;#34;, -2, 0, GREY);&#10;&#10; if(TrendPeriod) plot2(&amp;#34;Trend&amp;#34;, Trends[0], MAIN, rising(Trends), GREEN, RED);&#10;&#10; var BullishState = ifelse(RisingProb[0] &amp;gt;= EntryProbThreshold, 1, 0);&#10; var BearishState = ifelse(FallingProb[0] &amp;gt;= EntryProbThreshold, 1, 0);&#10; plot(&amp;#34;BullishState&amp;#34;, BullishState, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;BearishState&amp;#34;, BearishState, 0|BARS, RED&amp;#43;TRANSP);&#10; plot(&amp;#34;RisingProb&amp;#34;, RisingProb[0], 0|LINE, BLUE);&#10; plot(&amp;#34;BullT&amp;#34;, EntryProbThreshold, 0, GREY);&#10; plot(&amp;#34;BearT&amp;#34;, 1-EntryProbThreshold, 0, GREY);&#10;&#10; plot(&amp;#34;VolaRatio&amp;#34;, VolaRatio, NEW, RED);&#10; plot(&amp;#34;Vola&amp;#43;&amp;#34;, VolaThreshold, 0, GREY);&#10;&#10; if(AtrStopFactor &amp;gt; 0 &amp;amp;&amp;amp; NumOpenTotal &amp;gt; 0) {&#10; var CurrentStop = 0;&#10; for(current_trades) {&#10; CurrentStop = (var)TradeStopLimit;&#10; break_trades;&#10; }&#10; if(CurrentStop &amp;gt; 0) plot(&amp;#34;Stop&amp;#34;, CurrentStop, MAIN|DOT, LIGHTBLUE);&#10; }&#10;&#10; if(ShortProfitThreshold &amp;gt; 0) {&#10; plot(&amp;#34;LongProfit&amp;#34;, LongNormalizedProfit, NEW|BARS, GREEN&amp;#43;TRANSP);&#10; plot(&amp;#34;ShortProfit&amp;#34;, ShortNormalizedProfit, 0|BARS, RED&amp;#43;TRANSP);&#10; plot(&amp;#34;ProfitT&amp;#34;,ShortProfitThreshold,0,GREY);&#10; }&#10;&#10; // if(AlgoVar[0] &amp;gt; 0) plot(&amp;#34;LockMode&amp;#34;, 10, NEW|BARS, BLUE);&#10; }&#10;}&#10;&#10;function run() {&#10; // --------------------------------------------------------- //&#10; // 回溯检验设置&#10; // --------------------------------------------------------- //&#10;&#10; // 日志&#10; set(LOGFILE);&#10; Verbose = 3;&#10;&#10; // 图表&#10; set(PLOTNOW);&#10; setf(PlotMode,PL_DIFF);&#10; PlotScale = 8;&#10; PlotHeight2 = 320;&#10;&#10; // 训练&#10; set(PARAMETERS);&#10; setf(TrainMode,TRADES);&#10; DataSplit = 85;&#10; NumWFOCycles = 15;&#10; NumCores = 4;&#10;&#10; // k线生成&#10; resf(BarMode,BR_WEEKEND);&#10; StartWeek = 0;&#10; EndWeek = 62359;&#10; StartMarket = 0;&#10; EndMarket = 2359;&#10; BarPeriod = 60;&#10; BarZone = UTC;&#10; BarOffset = 0;&#10; TickFix = 60000;&#10;&#9;if(Live) TickFix = 0;&#10;&#10; // 样本&#10; StartDate = 20180101;&#10; EndDate = 20251230;&#10; LookBack = 5000;&#10;&#10; // 初始资本&#10; if(Train) Capital = 0;&#10; if(Test) Capital = 10000;&#10; if(Live) Capital = 0;&#10;&#10; // 下一根k线开盘进场/平仓&#10; Fill = 3;&#10;&#10; // --------------------------------------------------------- //&#10; // 策略逻辑&#10; // --------------------------------------------------------- //&#10;&#10; while(asset(loop(&amp;#34;BTCUSDT&amp;#34;,&amp;#34;ETHUSDT&amp;#34;))) {&#10; Leverage = 10;&#10; MarginCost = priceClose()*LotAmount/Leverage;&#10; tradeStrategy();&#10; }&#10;}&lt;/code&gt;&lt;/pre&gt;</description></item></channel></rss>