基于决策树的机器学习策略:从预测价格到预测市场结构

目录

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。

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。

1. 目标变量的重构:从预测未来走向“预测市场结构”

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。

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)”。

我们将市场结构划分为三种状态:

  • 上涨状态(标志为 +1)
  • 下跌状态(标志为 -1)
  • 震荡状态(标志为 0)

具体算法如下: 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。

  • 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)
  • 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)
  • 其余时间皆标记为 0(震荡状态)

最终,我们的目标变量被定义为:预测未来一天的市场结构。

核心机制解析

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 adviseLong(DTREE) 时,Zorro 底层是在拟合回归模型还是分类模型?

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,adviseLong 的实际输出却是一个受限的连续变量。

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”。

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:

  • 其中 100 个样本随后进入大涨状态(目标值 +100);
  • 其中 50 个样本随后进入大跌状态(目标值 -100);
  • 剩余 850 个样本随后陷入震荡状态(目标值 0)。

Zorro 会计算该叶子节点的目标系统算数平均期望。即: (100 * 100 + 50 * -100 + 850 * 0) / 1000 = +5

为了更直观地理解,我们可以将其梳理为以下图表:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
========================================================================
     ▶ 第一步:新数据进入漏斗 (Test Mode: 接收当前最新的一根 K 线)
========================================================================
  
        [ 当前特征集 Sigs ]
        Sig_MACD = 45.0
        Sig_Vola = 1.2
        Sig_Dist = -0.1
                 |
                 V
========================================================================
     ▶ 第二步:决策树模型层层筛选 (沿着规则树寻找归属)
========================================================================
                 
                       [ 节点 1 : Sig_MACD > 30? ]
                          /                   \
                      是(Yes)                否(No)
                        /                       \
           [ 节点 2 : Sig_Vola < 1.5? ]     [ 走向其他规则分支... ]
                   /              \
               是(Yes)           否(No)
                 /                  \
        【 叶子节点 A 】          【 叶子节点 B 】
     (当前K线匹配该规则,落入此桶)

========================================================================
     ▶ 第三步:调取“叶子节点 A”的先验概率 (从 Train Mode 的记忆中提取)
========================================================================

    +-------------------------------------------------------------+
    | 📦 叶子节点 A (Leaf Node) 档案室                              |
    |-------------------------------------------------------------|
    | 历史上所有满足 [MACD>30 且 Vola<1.5] 的 K 线共计 100 根。        |
    | 根据历史真实走势,这 100 根后续状态统计如下:                     |
    |                                                             |
    | 📈 状态分类      目标值(Target)   历史分布    经验概率P(x)      |
    | [1] 趋势大涨 -->     +100     -->   25次  -->    25%          |
    | [0] 陷入震荡 -->        0     -->   58次  -->    58%          |
    | [-1] 趋势大跌 -->    -100     -->   17次  -->    17%          |
    +-------------------------------------------------------------+
                 |
                 V
========================================================================
     ▶ 第四步:计算最终数学期望 (Zorro 的连续值转换公式)
========================================================================

    Output = ∑ [ 状态概率 * 状态目标值 ]
    Output = (25% * 100)  +  (58% * 0)  +  (17% * -100)
           =   +25        +      0      -     17
           =   +8
                 |
                 V
========================================================================
     ▶ 最终结果输出与执行
========================================================================

    [ Prediction = +8 ] 
    
    交给外层交易逻辑进行评判:
    "在当前的特征组合下,历史上做多具有净胜概率优势(+8分)。
     由于该期望值大于策略设定的入场阈值(如+5分),准许执行做多!"

2. 特征工程与标准化处理

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。

指标测度类型计算逻辑
AtrRatio波动率异动ATR(20) / ATR(100)
Distance2Trend趋势偏离度Price / Lowpass(Price, 300) - 1
FractalDimension市场微观分形FractalDimension(Price, 50)
MACDHistogram动能加速度MACD(12, 26, 9) Histogram
AroonOscillator市场内部动量AroonOsc(300)

在将其喂入机器学习模型前,数据标准化(归一化)处理至关重要。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。

  1. 均线偏离度 (Distance2Trend)
    • 特性: 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。
    • 处理公式: clamp(Dist2Trends[0] * 400, -100, 100)
  2. 分形维数 (FractalDimension)
    • 特性: 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。
    • 处理公式: clamp((Regimes[0] - 1.5) * 200, -100, 100)
  3. 动能加速度 (MACDHistogram)
    • 特性: 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。
  4. 波动性比率 (AtrRatio)
    • 特性: 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。
    • 处理公式: clamp((VolaRatios[0] - 1.0) * 100, -100, 100)
  5. 阿隆振荡器 (AroonOscillator)
    • 特性: 本身的数学定义即被限制在 [-100, 100] 之间,无需额外处理。

经过缩放处理后,所有输入特征均被严格规范在 [-100, 100] 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。

下图显示原始特征。

/posts/ml-decision-tree-v2/image.png

下图显示经过缩放的特征。

/posts/ml-decision-tree-v2/image1.png

3. 模型训练

  • 标的与样本: BTCUSDT,4 小时 K 线。
  • 回测区间: 2018 年 - 2025 年。
  • 验证方法: 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。

/posts/ml-decision-tree-v2/image2.png

下图显示样本外的预测结果。

/posts/ml-decision-tree-v2/image3.png

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 [-60, 30] ):

  • 0 轴附近: 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。
  • 显著高于 0: 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。
  • 显著低于 0: 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。

4. 策略逻辑与源码实现

基于上述模型信号,我们设计了简单的交易策略:

  • 当 预测信号 > 做多阈值 时,多头开仓(或单边市保持多头);
  • 当 预测信号 < 0 时,多头绝对动能丧失,多头平仓;
  • 当 预测信号 < 做空阈值 时,空头开仓;
  • 当 预测信号 > 0 时,空头绝对动能丧失,空头平仓。

Zorro C-Lite 源码:

  1
  2
  3
  4
  5
  6
  7
  8
  9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
#include <profile.c>
#include <utils.c>
#include <myindicators.c>

void tradeStrategy() {
    // ==================== 计算指标 ====================
	vars Prices = series(price());
    vars Trends = series(LowPass(Prices,300));
    vars Dist2Trends = series(Prices[0]/Trends[0]-1);
    vars Regimes = series(FractalDimension(Prices,50));
    MACD(Prices,12,26,9);
    vars Moms = series(rMACDHist);
    var ATR100 = ATR(100);
    vars VolaRatios = series(ATR(20)/ATR100);
    vars Aroons = series(AroonOsc(300));

    var ChannelUpper = Trends[0]+1.*ATR100;
    var ChannelLower = Trends[0]-1.*ATR100;
    var State = 0;
    if(rising(Trends) && Prices[0] > ChannelUpper) {
        State = 1;
    } else if (falling(Trends) && Prices[0] < ChannelLower) {
        State = -1;
    }

    // ==================== 特征缩放 ====================
    vars Sigs0 = series(clamp(Dist2Trends[0]*400,-100,100));
    vars Sigs1 = series(clamp((Regimes[0]-1.5)*200,-100,100));

    var MacdStd = StdDev(Moms,200);
    if(MacdStd < 0.00001) MacdStd = 0.00001;
    vars Sigs2 = series(clamp((Moms[0]/MacdStd)*33.3,-100,100));

    vars Sigs3 = series(clamp((VolaRatios[0]-1.0)*100,-100,100));
    vars Sigs4 = series(Aroons[0]);

	// ==================== 目标变量 ====================
    var Target = State*100;

	// ==================== 机器学习 ====================
	// 预测1天后的市场结构
	int Offset = ifelse(Train, 6, 0);
	var Prediction = adviseLong(DTREE, Target,
	                            Sigs0[Offset],
								Sigs1[Offset],
								Sigs2[Offset],
								Sigs3[Offset],
								Sigs4[Offset]);

	// ==================== 交易逻辑 ====================
	var EntryThresholdLong = 2;
	var EntryThresholdShort = -5;
	if(NumOpenLong > 0 && Prediction < 0)
	    exitLong();
	if(NumOpenShort > 0 && Prediction > 0)
	    exitShort();
	if(NumOpenLong == 0 && Prediction > EntryThresholdLong)
	    enterLong();
	if(NumOpenShort == 0 && Prediction < EntryThresholdShort)
	    enterShort();

	// ==================== 图表绘制 ====================
    if(Test && !is(LOOKBACK)) {
        // plot("Dist2Trend", Dist2Trends, NEW, RED);
        // plot("Regime", Regimes, NEW, RED);
        // plot("MACDHist", Moms, NEW, RED);
        // plot("VolaRatio", VolaRatios, NEW, RED);
        // plot("AroonOsc", Aroons, NEW, RED);

        // plot("Sig_Dist", Sigs0, NEW, BLUE);
        // plot("Sig_Regime", Sigs1, NEW, BLUE);
        // plot("Sig_MACD", Sigs2, NEW, BLUE);
        // plot("Sig_Vola", Sigs3, NEW, BLUE);
        // plot("Sig_Aroon", Sigs4, NEW, BLUE);

        plot("ChannelUpper", ChannelUpper, MAIN|BAND1, GREY);
        plot("ChannelLower", ChannelLower, MAIN|BAND2, GREEN+TRANSP);
        plot("State", State, NEW, RED);

        plot("Prediction", Prediction, NEW|BARS, GREEN+TRANSP);
        plot("Pred+", EntryThresholdLong, 0, GREY);
        plot("Pred-", EntryThresholdShort, 0, GREY);
    }
}

function run() {
    // --------------------------------------------------------- //
    // Zorro 环境设置
    // --------------------------------------------------------- //

    // 日志
    set(LOGFILE);
    Verbose = 3;

    // 图表
    set(PLOTNOW);
    setf(PlotMode,PL_DIFF);
    PlotScale = 8;
    PlotHeight2 = 320;

    // 训练参数
    set(PARAMETERS|RULES);
    setf(TrainMode,TRADES);
    DataSplit = 85;
    NumWFOCycles = 10;
    NumCores = 0;

    // K线生成规则:7*24小时交易机制
    resf(BarMode,BR_WEEKEND);
    StartWeek = 0;
    EndWeek = 62359;
    StartMarket = 0;
    EndMarket = 2359;
    BarPeriod = 240;
    BarZone = UTC;
    BarOffset = 0;
    TickFix = 60000;
	if(Live) TickFix = 0;

    // 测试样本区间
    StartDate = 20180101;
    EndDate = 20251230;
    LookBack = 5000;

    // 延迟成交模拟:下一根k线开盘价执行进/出场
    Fill = 3;

    // 固定规模
    Lots = 100;

    // --------------------------------------------------------- //
    // 策略主体调用
    // --------------------------------------------------------- //

    asset("BTCUSDT");
    Leverage = 5;
    MarginCost = priceClose()*LotAmount/Leverage;
    tradeStrategy();
}

5. 回测结果

WFO 样本外测试结果如下,表现差强人意:

  • 盈利因子: 1.23
  • 年均交易次数: 36 笔
  • 胜率: 36%

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。

/posts/ml-decision-tree-v2/image4.png

分析历史交易发现:

  1. 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。

/posts/ml-decision-tree-v2/image5.png

  1. 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。

/posts/ml-decision-tree-v2/image6.png

  1. 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。

6. 经验总结

此次实验虽然尚未打造稳定盈利的策略,但验证了 Zorro 平台 adviseLong 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。

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:

  1. 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。
  2. 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。