均线多头排列且 EMA21 上行为多,ADX 越高权重越大
Wilder (1978) ADX; Moskowitz, Ooi & Pedersen (2012) time-series momentum实时 · 15m
选择币种、K 线周期和预测窗口,点击「开始分析」。系统将实时拉取订单簿、成交、资金费率与持仓量,运行 19 个算法并融合输出做多/做空结论。
算法过程结构
每次点击「开始分析」,系统都会实时拉取 WEEX 永续合约的 K 线、订单簿、成交、资金费率与持仓量,构建事件数据集,运行 19 个来自 5 个维度的算法,逐一前向回测并按可靠性加权融合,最终输出做多或做空、理由与交易计划。
- 01
数据层
- WEEX K 线(含主动买入量)
- 订单簿 200 档
- 最近 1000 笔成交
- 资金费率 · 标记/指数价
- 持仓量 · 风险档位
- 02
特征工程
- 49 个特征 / 每根 K 线
- 标签:窗口后收盘 > 当前
- 高一级周期重采样
- 分形摆动点
- 估算清算地图
- 03
19 个算法 · 5 维
- 趋势结构 ×5
- 动量振荡 ×3
- 量价订单流 ×3
- 统计学习 ×4
- 实时微观结构 ×4
- 04
前向回测
- 逐根只用历史数据打分
- 近 300 个可验证样本
- 贝叶斯收缩命中率
- 可靠性 0.25×–1.8×
- 05
融合引擎
- 维度预算 × 可靠性 = 权重
- S = Σ wᵢ·sᵢ
- Platt 校准 P(up)
- 置信度 0–100
- 06
决策输出
- 做多 / 做空 + 强弱
- 理由与反向风险
- 入场 / 止损 / 止盈
- 仓位与杠杆上限
融合引擎公式
- 算法输出
sᵢ ∈ [−1, 1](方向 × 强度),cᵢ = |sᵢ| × 历史可信度(实时因子 × 0.85)- 命中率(收缩)
hᵢ = (命中 + 5) / (出手次数 + 10),只统计 |sᵢ| ≥ 0.1 的样本- 可靠性
rᵢ = clamp(1 + 12·(hᵢ − 0.5), 0.25, 1.8);实时因子 rᵢ = 1,数据缺失时 rᵢ = 0- 融合权重
wᵢ = B(维度) × rᵢ / Σ r(同维度);B:趋势 26%、动量 14%、量价 20%、统计 16%、微观 24%,缺失维度按比例重新分配- 多空评分
S = Σ wᵢ·sᵢ,S > 0 做多,S < 0 做空;|S| ≥ 0.30 强、≥ 0.15 中,否则弱;|S| < 0.04 观望- 上涨概率
P(up) = σ(a + b·S),a、b 由同一融合在历史窗口上的结果做 Platt 拟合(b 限制在 1.5–6)- 置信度
100 × [0.38·min(1,|S|/0.35) + 0.27·一致度 + 0.17·融合回测优势 + 0.18·数据完整度] × 市场状态系数- 清算价
多头 = 开仓价 × (1 − 1/L + mmr),空头 = 开仓价 × (1 + 1/L − mmr),L ∈ {5,10,20,50,100},已被价格触及的剔除- 交易计划
止损取最近摆动点 / 1.2 倍预期波动 / 大额挂单之外的较远者;止盈 1.5R、2.5R,若清算密集区或挂单墙在 1R–3R 内则对齐到该位置
19 个算法与引用依据
趋势结构维度预算 26%
价格位于 SuperTrend 线上方为多,距离越远越强
Seban (2009) SuperTrend; Wilder (1978) ATR价格在云上、转换线>基准线、迟行线在 26 根前价格之上为多
Hosoda (1969) Ichimoku Kinko Hyo更高高点+更高低点为多;收盘突破最近摆动高点(BOS)为强多
Dow theory; Wyckoff; Williams (1995) fractals收盘突破 20 周期通道上沿为多,跌破下沿为空
Donchian (1960); Faith (2007) Turtle rules动量振荡维度预算 14%
RSI>50、MACD 柱为正且放大、ROC 为正为多
Wilder (1978) RSI; Appel (1979) MACD; Jegadeesh & Titman (1993)偏离 20 均线过远(>1.2σ)或超买超卖时反向
Bollinger (2001); Lane (1950s) Stochastic; Poterba & Summers (1988)看涨吞没、锤子线、红三兵偏多;看跌吞没、流星线、三只乌鸦偏空
Nison (1991) Japanese Candlestick Charting Techniques量价订单流维度预算 20%
OBV 上行、CMF 为正、放量阳线为多
Granville (1963) OBV; Chaikin Money Flow近 10 根主动买入占优且 CVD 上行为多;价格新高而 CVD 走弱为背离偏空
Easley, López de Prado & O’Hara (2012) order-flow toxicity; Cont, Kukanov & Stoikov (2014)价格在上行的 VWAP 之上为多;偏离超过 2.5 ATR 时转为回归
Berkowitz, Logue & Noser (1988) VWAP统计学习维度预算 16%
高一级周期(×4)趋势与动量向上为多
Elder (1985) Triple Screen统计过去同一涨跌状态之后上涨的频率
Markov (1906); Fama (1965) random-walk tests寻找最相似的历史走势,统计其后续涨跌
Cover & Hart (1967) nearest-neighbour classification用标准化特征预测上涨概率,先前向验证再全量重训
Cox (1958); Platt (1999) calibration实时微观结构维度预算 24% · 实时数据,不参与历史回测
近价买单深度大于卖单为多;大额挂单视为支撑/阻力
Cont, Kukanov & Stoikov (2014); Cao, Hansch & Wang (2009)主动买入金额占优、大单买入占优为多
Lee & Ready (1991) trade classification费率显著为正说明多头拥挤(反向偏空),为负说明空头拥挤(偏多)
He, Manela et al. (2022) perpetual futures funding附近空头清算密集区(上方)多于多头清算区(下方)时,价格倾向向上扫单
Estimated from volume profile, open interest and exchange risk tiers参考文献
- Wilder, J. W. (1978). New Concepts in Technical Trading Systems. Trend Research.
- Appel, G. (1979). The Moving Average Convergence-Divergence Method.
- Bollinger, J. (2001). Bollinger on Bollinger Bands. McGraw-Hill.
- Granville, J. (1963). Granville’s New Key to Stock Market Profits.
- Hosoda, G. (1969). Ichimoku Kinko Hyo.
- Nison, S. (1991). Japanese Candlestick Charting Techniques.
- Donchian, R. (1960). High finance in copper. Financial Analysts Journal.
- Elder, A. (1985). Triple Screen Trading System.
- Jegadeesh, N. & Titman, S. (1993). Returns to buying winners and selling losers. Journal of Finance.
- Moskowitz, T., Ooi, Y. H. & Pedersen, L. H. (2012). Time series momentum. Journal of Financial Economics.
- Poterba, J. & Summers, L. (1988). Mean reversion in stock prices. Journal of Financial Economics.
- Berkowitz, S., Logue, D. & Noser, E. (1988). The total cost of transactions on the NYSE. Journal of Finance.
- Lee, C. & Ready, M. (1991). Inferring trade direction from intraday data. Journal of Finance.
- Cont, R., Kukanov, A. & Stoikov, S. (2014). The price impact of order book events. Journal of Financial Econometrics.
- Easley, D., López de Prado, M. & O’Hara, M. (2012). Flow toxicity and liquidity in a high-frequency world. Review of Financial Studies.
- Cover, T. & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory.
- Cox, D. R. (1958). The regression analysis of binary sequences. JRSS Series B.
- Platt, J. (1999). Probabilistic outputs for support vector machines. Advances in Large Margin Classifiers.
- He, S., Manela, A., Ross, O. & von Wachter, V. (2022). Fundamentals of perpetual futures. arXiv:2212.06888.
- Pardo, R. (2008). The Evaluation and Optimization of Trading Strategies (walk-forward analysis). Wiley.
说明:加密货币短周期走势噪声很大,单个技术算法的历史命中率通常只在 50%–56% 之间。融合引擎的价值在于把多个弱信号按实测可靠性加权,并结合订单簿、资金费率与清算分布等实时信息给出方向和风控位置。结论与交易计划仅供研究参考,请自行控制仓位与风险。