不猜方向也能做策略？我用”内在时间”搭了一台全自动交易引擎

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：这篇文章我聊一个反直觉的思路：不做方向判断、不堆指标，仅靠价格事件的"内在时间"框架和配对关系，搭建一套全自动策略引擎。核心是三件事：事件驱动、关系对冲、自适应风控。

今天聊一个我琢磨了挺久的话题：能不能做一个”最懒”的策略引擎？不需要你看盘，不需要你猜方向，不需要你堆一堆指标，就安安静静地盯着价格，有动作才出手，没动作就歇着。

这个想法听起来挺浪漫的，但当我把约束条件一条条写下来的时候：全自动、不盯盘、不用指标、只用价格、不猜下一根K线，我发现市面上绝大多数”教程”直接就被排除了。后来翻了不少论文，跟圈内同行反复碰撞，才摸到一条窄但确实存在的路子：从”钟表时间”切换到”内在时间”，用事件驱动代替指标判断，用标的之间的关系代替方向押注，再用一套死板的风控外壳把所有东西包起来。

这篇文章，我就把这条路的逻辑、方法和代码框架完整拆开给你看。

一、为什么早期策略全部翻车

说句不丢人的话，我最早写的几个策略，都是”礼貌性的灾难”。均线、RSI、MACD，能粘的都粘上，再塞一个机器学习模型进去，回测曲线漂亮得能上杂志封面。结果一上实盘，曲线比过山车还刺激。

每次翻车都逼我多想一层。在真实的手续费、滑点和延迟面前，大部分对散户友好的想法都会”阵亡”：尤其是你没有深度行情数据、也没有毫秒级速度的时候。那些看起来很美的指标和预测模型，实际上带来的不是优势，而是滞后。

所以我把需求重新写了一遍：

• 全自动运行：策略跑起来之后，我不用盯盘也不用干预
• 只用价格数据：不依赖成交量、盘口或其他数据源
• 不用任何指标：均线、振荡器、平滑器统统不要
• 不猜方向：不尝试去判断下一根K线涨还是跌
• 诚实面对成本：滑点、手续费、漏单，全部按最差假设

这份清单一列出来，我发现网上看到的大部分内容都直接出局了。

踩坑心得
回测里好看的曲线，十有八九是”过度拟合 + 低估成本”的产物。真正在实盘中能活下来的策略，往往回测看起来平平无奇——但每笔的正期望值是真实的。

二、从”钟表时间”到”内在时间”：思维切换

这是整篇文章最核心的认知翻转。市场关心的不是你的日历，而是价格的变动。

我们习惯看的1分钟线、5分钟线、日线：这些固定间隔的K线，是软件为了画图方便搞出来的。但市场并不会因为5分钟到了就产生一个”事件”。行情平静的时候，5分钟里可能什么都没发生；行情剧烈的时候，5秒就能走出平时5小时的波动。

什么是”方向性变化”（DC）事件？

方向性变化方法（Directional Change，简称DC）的核心思想非常简单：你设一个阈值（通常叫delta，比如0.5%），然后盯着价格——只有当价格从最近一个极值变动超过这个阈值的时候，才算发生了一个”事件”。没超过？就当它不存在。

方向性变化（DC）事件示意图来源：Tsang (2017)，Directional Changes: A New Way to Look at Price Dynamics

这么做的好处立刻就能感受到：

“超调效应”：DC事件后面的尾巴

这是DC方法里最有价值的一个统计发现：每次方向性变化事件确认之后，价格通常会沿着同一方向继续跑一段，这段额外的行程叫做超调（Overshoot）。

你不需要猜价格会走到哪里。你只需要统计：对于某个delta，超调的平均幅度大概是多少。这就给了你结构性的交易依据——不是预测，而是统计规律。

关键认知：DC方法的本质不是”猜价格”，而是”定义事件 → 统计规律 → 条件反应”。你不知道下一条新闻是什么，但你知道价格迈出大步之后，通常还会惯性多走一段。

一个具体的算例

假设delta设为0.5%，统计发现平均超调约为0.3%。一个最简规则可以这样设计：

• 触发条件：一个向上DC事件确认
• 动作：开仓做多，极小仓位
• 目标：获利0.3%
• 退出：价格从入场回落0.2%时离场

如果这个规则的胜率大约是每5笔中3笔获利、2笔亏损，那么单笔期望值是：

单笔期望 = (3/5 × 0.3%) - (2/5 × 0.2%) = 0.18% - 0.08% = 0.10%

0.10%看起来很小，但它是正的，而且是可重复的。如果一年能跑几千笔，复利的力量会替你说话。

Python实现：一个周末就能搞定的DC事件引擎

下面这段代码是DC事件引擎的最小原型，把一串价格转成方向性变化事件：

delta = 0.005# 阈值 0.5%
events = []
last_extreme = prices[0]
direction = 0# 1=上升, -1=下降

forpriceinprices[1:]:
    move = (price - last_extreme) / last_extreme
    ifdirectionin (0, 1) andmove <= -delta:
        events.append(("down_dc", price))
        direction = -1
        last_extreme = price
    elifdirectionin (0, -1) andmove >= delta:
        events.append(("up_dc", price))
        direction = 1
        last_extreme = price

动手建议
找一个流动性好的品种，拿一天的高频数据喂进去。把DC事件标注在价格图上，量一量每次超调的幅度，再用上面那个简单的入场-退出规则做模拟：手续费和滑点往最差了设。这个小实验能告诉你的东西，比你看一个月指标教程都多。

三、用”关系”替代”方向”：配对策略底层逻辑

事件驱动的DC引擎解决了”什么时候出手”的问题。但”出手做什么”这件事，可以做得更安全：不是押单一方向，而是押两个标的之间的关系。

想一想：沪深300股指期货和对应的ETF，走势是不是高度相关？同一行业的两只龙头股，走势是不是经常”亦步亦趋”？当它们之间的价差异常扩大时，大概率会回归：这就是配对策略的根基。

配对策略的核心步骤

把DC事件引擎套到价差序列上，你的规则就变成了：“如果价差异常偏宽，并且价差本身也触发了一个方向性变化事件，那就开配对仓；等价差回归正常区间或碰到止损再走”。仍然不是在猜方向，而是在对结构性偏离做条件反应。

配对策略的天然优势
因为是”一多一空”的组合，你不需要判断市场整体方向。无论大盘涨还是跌，你关心的只是两个标的之间的价差会不会回归。这就是所谓的”市场中性”——把系统性风险对冲掉，只留价差的波动。

四、自适应风控外壳：让策略活下来的”刹车系统”

如果说事件引擎是”引擎”，配对模块是”方向盘”，那风控外壳就是”刹车”。一个有正期望值的策略，如果仓位管理稀烂、遇到行情切换还不停手，照样会”翻车”。

风控层的核心思路就一句话：每笔交易信号只是一个”申请”，风控层有权否决。

风控层要看什么？

• 近期已实现波动率：市场最近是不是”发疯”了？波动率飙升时应该缩小仓位
• 近期滑点情况：最近成交的滑点是不是在扩大？如果是，说明流动性在恶化
• 当前总敞口：你已经持有多少仓位？是不是太多了？
• 当前回撤幅度：账户从高点回落了多少？接近红线就要踩刹车
• 连续亏损次数：最近连亏几笔了？连亏时应该降频而不是加码

一个简单的仓位公式

最实用的模板是”固定比例 + 波动率缩放”：

单笔风险额度 = 账户权益 × 固定比例(如0.1%) / 近期波动率

举个例子：账户100万，固定比例0.1%，近期波动率是1.5%，那么单笔风险额度就是100万 × 0.1% / 1.5% ≈ 667元。如果市场波动率飙升到3%，同样的公式自动把仓位砍半。

风控红线参考

不要忽略”否决权”
很多人的风控只是”止损”，但真正的风控还包括”这笔干脆别做”。当市场环境恶化、滑点扩大、或者你已经回撤较深的时候，最明智的动作不是调整止损位，而是直接跳过这笔信号。

五、实战搭建路线：从最简单的版本开始

把上面三块拼起来，架构其实很清晰：DC事件引擎负责”何时”，配对模块负责”做什么”，风控层负责”做不做”。再加一个轻量的”元层”监控整体表现，自动调参。

如果让我今天从零开始，数据和算力都有限，我会这么做：

第一阶段：单品种DC事件引擎

找一个流动性好的品种（比如沪深300ETF），只用价格数据，跑通DC事件检测。统计不同delta下的超调分布，找到最优阈值。这一步的目标很简单：验证在你的数据上，DC事件后的超调确实存在、且幅度可统计。

第二阶段：简单配对策略

选3-5个高相关标的，做价差计算和DC事件叠加。先不做复杂的最优化，就用最朴素的规则——价差超过2倍标准差 + DC事件确认，就开仓；回归1倍标准差内就离场。回测时务必用最悲观的成本假设：手续费按上限、滑点按3-5跳、还有一定比例的漏单。

第三阶段：套上风控层

把前面说的固定比例 + 波动率缩放 + 各类红线全部加上。回测看两个东西：一是正期望值还在不在，二是最大回撤能不能接受。如果加上风控后期望值变成负的了，说明策略本身太脆弱，需要回到第二阶段简化规则，而不是加更多的参数。

第四阶段：谨慎地加”智能”

只有当前三个阶段都跑通了，才考虑引入动态阈值（根据市场环境自动调整delta）、参数自适应、甚至是轻量的机器学习。记住：先做对，再做巧。在基础逻辑都站不住的时候加复杂度，只会让你亏得更快。

我的经验教训：在严苛的约束下，策略的核心不是”猜得更准”，而是”定义清晰的事件 → 对事件做一致的反应 → 让有限的风险做复利”。

六、DC方法在中国市场的实证参考

光说不练假把式。我翻到一篇清华大学卡方研究院的研究，把DC方法用在了A股数据上，结果很有意思。这篇研究（Ma et al., 2017）用了上证指数的日收盘价，测试了不同阈值和不同时间窗口下的策略表现，核心发现如下：

不同估算窗口下最优阈值与DC事件数量关系以及平均累计收益随阈值变化的曲线来源：Ma et al. (2017)，Physica A 471

固定阈值 vs 动态阈值

另一个重要发现来自Alkhamees和Fasli（2017）的研究：固定阈值在市场环境切换时容易失效。他们提出了动态阈值方案——根据前一日的价格波动幅度和隔夜跳空，每天重新计算当天的阈值。

在FTSE100指数的分钟数据上，动态阈值检测到的DC事件与BBC新闻报道的时间和方向高度吻合；而固定阈值（0.03、0.04、0.05、0.06）的匹配率惨不忍睹，0.04的固定阈值甚至有一半以上事件方向判断错误。

这就呼应了我前面说的第四阶段：当你基础框架跑通之后，动态阈值是第一个值得投入的”升级”。市场环境在变，你的delta也应该跟着变，而不是刻舟求剑。

实操提示
动态阈值的计算并不复杂，核心就是三步：①用前一日最高/最低价与当日开盘价的差值，反映日内波动；②用前一日开盘/收盘价差值，反映趋势强度；③用隔夜跳空幅度，反映隔夜信息冲击。三者加权求和就是当天的动态阈值。具体公式可参考Alkhamees & Fasli (2017)的论文。

七、常见误区与我的反思

这套框架听起来很美，但踩过的坑也不少。我把几个最常见的误区列出来，免得你重蹈覆辙。

误区一：”不预测”等于”不分析”

不猜方向不等于不做功课。DC事件的阈值选择、超调统计、配对标的筛选——每一步都需要扎实的数据分析。你不是在猜价格，但你仍然需要深入理解价格的行为规律。区别在于，你的分析结果是条件反应规则，而不是”我觉得明天会涨”。

误区二：”正期望值”等于”每笔都赚”

0.10%的单笔期望值意味着你平均每笔赚这么多。但”平均”两个字背后是大量的亏损单。如果你连亏10笔（完全可能），0.10%的期望值救不了你的心态。这就是为什么风控层不是锦上添花，而是生存条件。

误区三：上来就搞复杂

很多人一上来就想做动态阈值 + 机器学习 + 多品种配对，结果哪个模块都没验证就绑在一起，出了问题根本不知道是谁的锅。先做减法，再做加法——单品种、固定阈值、最简规则，验证了再一步步叠加。

误区四：忽视成本

0.10%的期望值在回测里看着还行，但实盘的手续费+滑点轻松吃掉0.05%-0.1%。如果你回测时没有用最悲观的成本假设，实盘大概率是亏的。凡是回测没按最差假设算成本的，一律不要信。

血泪总结
在真实的摩擦成本面前，大部分”微小正期望”的策略都会变成负期望。这就是为什么你必须在回测里就把成本假设拉到最差——如果最差情况下还能活，那实盘才有希望。

八、完整流程回顾

把整条逻辑线串一遍，从”看市场”到”出信号”到”过风控”到”执行”，完整流程如下：

• Step 1 – 数据输入：实时价格流进入DC事件引擎，按设定阈值检测方向性变化事件
• Step 2 – 事件确认：当价格从最近极值变动超过delta时，生成DC事件（上升或下降），记录极值和时间
• Step 3 – 超调估计：根据历史统计，估算当前DC事件后的预期超调幅度，作为目标依据
• Step 4 – 配对信号：同时监控配对标的的价差，当价差异常偏离且价差本身也触发DC事件时，生成配对信号
• Step 5 – 风控审核：信号提交风控层，审核波动率、回撤、敞口、滑点等指标，通过则放行，不通过则否决
• Step 6 – 仓位计算：根据”固定比例 + 波动率缩放”公式确定仓位大小
• Step 7 – 执行与退出：执行信号，设置目标位和退出位，价差回归或触及止损即离场
• Step 8 – 元监控：长期追踪策略表现，动态调整delta、仓位比例和风控红线

九、写在最后

这篇文章的核心逻辑其实很简单：与其费力猜市场往哪走，不如换一种”看时间”的方式：从钟表时间切换到”内在时间”，只在价格发生有意义变动时才行动；与其押注单一方向，不如利用标的之间的关系做配对，赚价差回归的钱；与其让策略裸奔，不如套上一层自适应风控外壳，把每笔信号都当”申请”而非”命令”来审批。三条线拧在一起，就是一台不需要你盯盘、不需要你猜方向的策略引擎。

这套框架不是什么”灵丹妙药”，单笔期望值微乎其微，实盘摩擦分分钟把它变成负数。但它提供了一个干净的结构：你清楚地知道每个模块在做什么、为什么这么做、以及什么时候会失效。在量化交易这条路上，”清楚自己不知道什么”比”以为知道一切”值钱得多。

如果你也在自己折腾策略引擎，欢迎留言聊聊你给自己设了什么约束、卡在了哪里。哪些部分你觉得有戏，哪些你觉得我在吹牛——你的反馈说不定能催出下一篇更深入的拆解。

核心三件事：

• 从”钟表时间”切换到”内在时间”：只在价格发生方向性变化事件时才触发动作，过滤噪音。
• 利用”超调效应”：方向性变化事件之后通常有同方向的超调，统计其平均幅度即可构建正期望规则。
• 用配对关系替代方向押注：做两个高相关标的的价差回归，而非赌单一方向
• 自适应风控外壳：每笔信号都要过风控审批，根据波动率和回撤动态调整仓位或否决信号。
• 搭建顺序：先做单品种事件引擎 → 再加配对策略模块 → 最后套风控层，逐步验证。

免责声明：本文仅供学习交流之用，不构成任何投资建议或收益承诺。文中提及的策略、方法和数据均为学术探讨性质，不保证在实际交易中产生正收益。市场有风险，参与需谨慎。文中引用的研究成果版权归原作者所有。

风险提示：本文仅供参考，不构成投资建议。投资有风险，入市需谨慎。

版权声明：本文为原创内容，转载请注明出处。

#量化交易 #内在时间 #方向性变化 #事件驱动 #配对策略 #统计套利 #风险管理 #自动化交易 #价差交易 #算法交易 #自适应风控 #老余捞鱼