AQUA ind

AQUA 是一款分析型指标,展示六个周期上三根K线形态出现之后价格行为的统计。

用途

AQUA 研究短小K线组合的重复情况,并展示历史上类似情形在统计上是如何收场的。它的任务是给交易者一幅客观的统计图景,说明该品种对某个具体三根K线图形的反应;交易决定仍由用户自己作出。

每出现一根新K线,指标便在六个周期上并行地把最近三根已收盘K线编码为 48 种形态之一,在每个尺度上扫描多达数千根历史K线,找出全部相同的组合,计算其结果分布,评估统计显著性并重绘图形。同样的工作若用手工完成——翻查历史、标出相似图形、统计结果比例并在每个周期上判断显著性——需要数小时,而且容易数错。AQUA 在几分之一秒内完成,并在每根K线上重复一次。

当前形态在图表上被框出,历史上找到的相同组合也在整段历史中各自加框。这样交易者可以迅速跳到任一匹配处,查看它出现时的背景。

方法

形态由两个彼此独立的特征构成。第一是三根K线的方向,给出八种组合。第二是它们 high-low 振幅的次序,再给出六种。合计 48 种形态,每一种都有自己的名称,因此一个组合可以用一个词来称呼,而不必描述。

对每一个历史匹配,都会记录其后一根K线的结果。在这个样本上计算上涨与下跌结果的分布。优势的显著性用 z 值衡量,即针对结果等概率这一零假设的二项检验的正态近似。

多重比较校正

指标同时显示六个周期,并在每根K线上重新计算。眼前的行数越多,其中出现显眼巧合的次数就越多:若采用通常的阈值,六行中至少有一行几乎在每根K线上都会亮起,这仅仅源于标度的构造方式。

因此 AQUA 的显著性阈值按 Bonferroni 校正提高,并且针对整张表格,而非单独一行。实际后果值得事先知晓:多数时候指标会显示随机波动。这不是没有工作,而是正确的答案。同样的结果若采用宽松阈值,看上去就像一连串其实并不存在的发现。

匹配筛选

除形态一致之外,还提供两个附加过滤。

最小间隔排除彼此重叠的窗口:相邻匹配共用三根K线中的两根,其结果彼此相关,若无此过滤,样本看起来会比实际更大。

尺度过滤只保留与当前规模相当的案例。度量以此前一百根K线的平均振幅进行归一,因此既不依赖价格水平,也不依赖波动状态——即使品种在这段时期内翻了一倍,比较依然成立。该过滤默认关闭,用于检验稳健性:开启后可以看到所观察到的优势在同质子样本上是否依然存在。

解读表格

主体是一张表格,每一行对应一个周期。形态用三个三角形表示:每根K线的方向由形状与颜色给出,振幅由符号大小给出,因此组合一眼即可读出。旁边是形态名称、找到的匹配数量、上涨与下跌结果的比例、优势的 z 值以及用平实语言给出的评估。若过滤剔除了明显的一部分,该列会出现第二个数字——按形状找到了多少——以便筛选的代价保持可见。

汇总行归纳全部周期的数据。表格下方的文字块用语言解释当前局面,并在周期一致性之后附上随机巧合的概率:四比二的偏向大约每十次里有近七次会自行出现,这一点直说不讳。

轨迹扇形图

另一个可视区块展示历史上每一次相同形态之后价格的走法。每个历史案例都以自己的一条射线向前画出四根K线,因此看到的不是被平均掉的期望,而是全部结果及其离散程度。

在射线束之上绘出中位数以及包含一半案例的走廊,比例明确标注。网格按K线划分扇形图,从而清楚地看出移动发生在第几步。当前K线上的标记显示它在历史分布中的位置;该读数在接近收盘时出现,因为那时比较才是公平的。

时间带与前瞻估计

时间带以紧凑形式展示六个周期的方向历史。K线尚在形成时,指标会对其作出假设:若本根按当前走势收盘将形成哪种形态,以及这类组合过去是如何收场的。假设会给出形态名称,并在K线收盘时消失。

使用建议

指标可在终端中任何可用品种上运行。唯一条件是所用周期具备足够的报价历史。历史加载期间,指标会明确说明涉及哪些周期,并且不为它们显示统计与估计。

其他

支持十一种界面语言,并自动识别终端语言。区块位置、方向颜色、历史深度以及匹配筛选参数均可配置。内置的多页帮助直接在图表上说明如何阅读表格、扇形图与时间带。

重要提示

AQUA 提供的是市场过去行为的统计,并不保证未来结果。指标不发出交易信号,也不声称所发现的优势能够覆盖交易成本。它仅作为用户自身决策的分析支持。


作者的更多信息
LIME ind
Tatsiana Buinitskaya
Lime 是一款分析型指标,呈现价格在六个周期上形成价格循环时行为的可靠统计。 用途 Lime 研究K线连续(单一方向循环)的重复性,并展示历史上类似情形是如何收尾的。它的任务是为交易者提供一幅客观的统计图景,说明该品种对不同长度循环的反应,而交易决策仍由用户自行作出。 每根新K线出现时,指标在六个周期上同时识别当前连续,在每个尺度上扫描多达数千根历史K线,找出所有类似循环,计算其结果的分布,评估统计显著性并重建可视化。若以人工完成同样的工作——翻查历史、标记相似连续、统计结果占比并在每个周期上评估其显著性——将耗费数小时的细致劳动,且易出现计数错误。Lime 在几分之一秒内完成,并在每根K线上重复。 当前循环在图表上以醒目的边框标出,而找到的每个历史类似情形都在整段历史中以单独的边框圈出。因此在分析过程中,交易者可迅速跳转到任意匹配处,查看其发生的背景。 方法 指标识别当前同方向K线的连续,并在历史中找出所有相同长度的连续。对每个匹配,记录下一根K线的结果。基于该样本,计算上涨与下跌结果的分布。 偏向的统计显著性以 z 值评估——即针对结果等概率(50/50)零假设的二
筛选:
无评论
回复评论