海龟增强：ADX、多周期与机器学习

本课的海龟基线是：20 日高点进入，10 日低点退出，ATR 周期 20，并把每个风险单位设为账户的 1%；最多四个单位，每上涨 0.5N 顺势增加一个单位，保护距离为 2N。

假设账户 100 万元，1% 风险预算就是 10,000 元。若 N=30，按 1N 口径计算单位数量：

单位数量 = 10,000 ÷ 30 ≈ 333 股

如果按 100 股向下取整，就是 300 股。2N 只是退出距离，不等于“最多只亏账户 1%”。

某段样本里，基线可能出现 9 笔交易只有 1 笔盈利。这个现象只能提出“是否需要过滤”的问题，不能直接证明某个过滤器有效。过滤器可能减少坏突破，也可能错过真突破。

ADX 是“平均趋向指数”，可以把它理解成趋势力量的刻度；它不负责告诉你方向。

先计算当天相对前一天的移动：

• up = 今日最高价 − 昨日最高价；
• down = 昨日最低价 − 今日最低价；
• 如果 up 大于 down 且 up>0，记 +DM=up，否则 +DM=0；
• 如果 down 大于 up 且 down>0，记 −DM=down，否则 −DM=0。

随后按固定方法平滑 DM 和真实波幅 TR，得到 +DI 与 −DI，再计算：

DX = 100 × |+DI−−DI| ÷ (+DI+−DI)

假设平滑后的向上力量是 50、向下力量是 30、波幅基数是 200，则：

+DI=50÷200×100=25，−DI=30÷200×100=15，DX=100×10÷40=25

这里算出的 25 是一次 DX，不是已经完成平滑的 ADX。分母为零、初始化方式和平滑方法，都要在实现中固定。

本课采用 14 周期 ADX、阈值 15：只有 ADX 不低于 15，才允许检查 20 日突破。低于门槛时不新开仓，但已有仓位的退出和止损仍必须执行。阈值 15 比 25 宽松，可能保留更多机会；这是待验证的参数，不是普遍正确答案。

曾经在平安银行、茅台和沪深 300 相关 ETF 的样本里观察到不同变化：有的收益、回撤和 Sharpe 改善，有的变化较小，有的改善有限。没有完整数据和成本，就不能把这些观察写成稳定结论。

把日线数据重采样成周线后，用过去 8 周的通道判断环境：

• 周收盘高于前 8 周高点，记为 up；
• 周收盘低于前 8 周低点，记为 down；
• 其余情况记为 neutral。

周线处于 down 时，过滤器拒绝新的日线开仓；up 和 neutral 允许继续检查日线条件。是否连已有仓位也退出，必须在策略版本中提前写明，不能看到结果后再决定。

假设前 8 周最高价为 100，本周已经结束的收盘价是 101，则周线状态可能为 up。假设前 8 周最低价为 95，本周已结束收盘价为 94，则为 down。关键是窗口和收盘都必须是当时已经完成的信息。

周中做决定时，本周的最高、最低和收盘尚未完成，不能使用“完整周线”判断。可以使用上一根已完成周线，或者只使用截至当前时刻已经发生的数据，但两种做法必须分开记录。

多周期过滤可能减少交易，也可能错过上升行情。它的价值要通过同一数据、同一成本和同一成交规则验证，不能只看交易数量变少。2N 保护退出也不能偷偷改成始终跟随最高价上移的移动止盈，改规则就要建立新的版本。

模型过滤不是让模型接管整个交易系统，而是给每个突破事件一个“是否放行”的判断。

可以使用八类特征：相对波动、ADX、量比、RSI、突破力度、五日动量、盘整天数和波动变化率。每个特征都要写出计算窗口和可用时点。例如突破力度若要跨价格比较，可以定义为：

突破力度 =（收盘价 − 前期通道高点）÷ ATR

假设收盘价 105、前期通道高点 100、ATR=2，则突破力度为 (105−100)÷2=2.5。不能只写“突破力度”，也不能把乘 ATR 当成默认正确公式。

标签可以定义为：突破事件之后 5 个交易日内，最高价是否超过事件参考价的 2%。假设参考价是 10 元，未来 5 日最高价是 10.2 元以上，标签记为 1，否则记为 0。

这个标签只表示“未来最高价是否达到阈值”，不等于策略实际赚了 2%。价格可能先跌到止损，最高价也可能只短暂出现，手续费和滑点还会减少收益。标签制作可以使用未来数据，但未来数据绝不能进入事件发生时的特征。

模型输出可以是通过概率，例如概率大于 0.5 才放行。0.5 也是参数，需要用验证区间选择。无论模型是否放行，海龟的仓位、加仓、退出和风险控制都不能被取消。

某组事件统计中，茅台有 17 次突破、约 18% 达到标签条件；宁德时代 32 次、约 56%；沪深 300 相关 ETF 31 次、约 29%；中芯国际 48 次。合并样本曾记录为 174 个事件，其中正例 72 个、负例 102 个。

如果模型测试准确率约 51%—51.6%，不能直接说它优于随机。因为只把 174 个事件都预测为负类，也能得到：

102 ÷ 174 ≈ 58.6%

因此至少要报告类别比例、混淆矩阵、精确率、召回率、阈值下保留的信号数量，以及完整交易回测的收益、回撤、换手和成本。若保留 20 个测试事件，普通准确率每次变化是 5 个百分点，也不能直接得到 51.6%；样本数量、切分或指标口径需要重新核对。

数据要按时间切分：较早事件用于训练，较晚事件用于测试；调参和选阈值还需要独立验证安排。标签向后看 5 天时，训练区间末尾事件的标签可能越过测试边界，要处理这种重叠。不同股票在同一市场日也可能共享市场状态，不能把它们随机拆开后假装样本完全独立。

树模型可以表达非线性关系，但小样本仍可能记住噪声。限制复杂度、正则化和跨行业样本有帮助，却不能只凭一个测试分数证明没有过拟合。

如果 ATR 变化率、ADX 和盘整天数在模型中较重要，可以提出一个待验证的组合假设：充分盘整后波动扩大、趋势力量增强，突破可能更容易延续。

但特征之间可能互相关联，模型重要性也会受到样本选择影响。它不能证明某个变量造成了上涨。

例如一个长期箱体整理的股票看起来很符合故事，也要按同一特征定义检查其他资产和其他时期，不能只挑一张最符合的图。大盘状态、行业状态、资金状态和过去 N 天特征可以作为后续扩展，但没有加入当前实验的字段，不能写成已经实现的模型。

接回海龟时，先保持退出和风险规则不变，只让过滤器影响新进入。这样才能回答“过滤器改变了什么”。

曾记录过这样的样本观察：平安银行总收益约从 8% 到 14%，年化约 4% 到 7%，最大回撤约 14% 到 9%，胜率约 40% 到 42%；换到茅台时，年化约为 −10% 到 −6%，最大回撤约 21% 到 12%。这些数字缺少完整源码、样本切分、成本和成交明细，不能当成可复现的投资预测器。

还有 18 个突破只放行 7 个、过滤 11 个的示意，放行比例是：

7 ÷ 18 ≈ 38.9%

过滤掉的信号里也可能有盈利机会，所以不能把“少交易”直接解释成“少坏交易”。

滚动验证可以让模型连续接受新考试：用过去一段窗口训练，预测后面一段；时间向前推进后，去掉最早数据并加入新数据，再重新训练。只有等未来 5 日标签窗口结束，事件才有资格进入训练集。每轮都记录训练区间、测试区间、样本数、类别比例、参数、模型版本和成绩。61%、62%、63%可以作为示意，不是已经验证的结果。

最终报告要把标签结果和真实交易结果分开，并与永远预测多数类、只用 ADX 的简单基准比较。