新银行卡支付已上线 · 月付 $18 起,支持 USDT查看方案

多模型涨跌预测台BTC/USDT · 15m · 1h

BTC
BTC/USDTWEEX 永续合约
—
24h 高
—
24h 低
—
更新
—
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。
方法与依据

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。

  1. 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
  2. 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
  3. 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
  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×
  5. 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
  6. 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%

均线趋势EMA 9/21/55 + ADX

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
SuperTrendATR(10) × 3

价格位于 SuperTrend 线上方为多,距离越远越强

Seban (2009) SuperTrend; Wilder (1978) ATR
一目均衡表9/26/52 云图 + 转换/基准线

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
市场结构分形摆动 HH/HL · BOS

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
通道突破Donchian 20 + ATR

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%

动量组合RSI + MACD + ROC

RSI>50、MACD 柱为正且放大、ROC 为正为多

Wilder (1978) RSI; Appel (1979) MACD; Jegadeesh & Titman (1993)
均值回归布林 %B + Z 值 + 随机指标

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)
K 线形态吞没/锤子/流星/三兵/十字星

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%

量价资金流OBV + CMF + 放量方向

OBV 上行、CMF 为正、放量阳线为多

Granville (1963) OBV; Chaikin Money Flow
主动买卖差 CVDTaker 买入量 − 卖出量

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)
VWAP 偏离24h 滚动成交量加权均价

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%

多周期共振高一级周期 EMA21/55 + RSI

高一级周期(×4)趋势与动量向上为多

Elder (1985) Triple Screen
马尔可夫链3 阶涨跌状态转移

统计过去同一涨跌状态之后上涨的频率

Markov (1906); Fama (1965) random-walk tests
形态相似 KNN近 10 根收益率 · K=25

寻找最相似的历史走势,统计其后续涨跌

Cover & Hart (1967) nearest-neighbour classification
逻辑回归12 特征 · L2 · 前向验证

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

订单簿失衡200 档 · 0.25/0.5/1% 深度

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)
成交流向最近 1000 笔主动成交

主动买入金额占优、大单买入占优为多

Lee & Ready (1991) trade classification
资金费率与溢价当前/预测费率 + 标记-指数溢价

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
清算地图成交量分布 × 杠杆档位 × 维持保证金

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

  1. Wilder, J. W. (1978). New Concepts in Technical Trading Systems. Trend Research.
  2. Appel, G. (1979). The Moving Average Convergence-Divergence Method.
  3. Bollinger, J. (2001). Bollinger on Bollinger Bands. McGraw-Hill.
  4. Granville, J. (1963). Granville’s New Key to Stock Market Profits.
  5. Hosoda, G. (1969). Ichimoku Kinko Hyo.
  6. Nison, S. (1991). Japanese Candlestick Charting Techniques.
  7. Donchian, R. (1960). High finance in copper. Financial Analysts Journal.
  8. Elder, A. (1985). Triple Screen Trading System.
  9. Jegadeesh, N. & Titman, S. (1993). Returns to buying winners and selling losers. Journal of Finance.
  10. Moskowitz, T., Ooi, Y. H. & Pedersen, L. H. (2012). Time series momentum. Journal of Financial Economics.
  11. Poterba, J. & Summers, L. (1988). Mean reversion in stock prices. Journal of Financial Economics.
  12. Berkowitz, S., Logue, D. & Noser, E. (1988). The total cost of transactions on the NYSE. Journal of Finance.
  13. Lee, C. & Ready, M. (1991). Inferring trade direction from intraday data. Journal of Finance.
  14. Cont, R., Kukanov, A. & Stoikov, S. (2014). The price impact of order book events. Journal of Financial Econometrics.
  15. Easley, D., López de Prado, M. & O’Hara, M. (2012). Flow toxicity and liquidity in a high-frequency world. Review of Financial Studies.
  16. Cover, T. & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory.
  17. Cox, D. R. (1958). The regression analysis of binary sequences. JRSS Series B.
  18. Platt, J. (1999). Probabilistic outputs for support vector machines. Advances in Large Margin Classifiers.
  19. He, S., Manela, A., Ross, O. & von Wachter, V. (2022). Fundamentals of perpetual futures. arXiv:2212.06888.
  20. 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。