Appearance
如何利用历史数据寻找交易机会？
上一篇文章讨论了为什么技术指标需要历史验证。
技术指标可以帮助我们描述市场状态，但真正需要研究的不是某个指标本身，而是：
当一种市场状态出现后，未来结果是否表现出值得继续验证的统计差异？
这也引出了一个更实际的问题：
面对大量历史数据，应该怎样从中寻找交易机会？
很多人会先寻找一个指标、形态或参数，希望它直接给出买卖答案。但历史数据记录的是过去，它不会主动告诉我们什么是机会。
更可行的方法是从一个具体问题开始，把观察到的现象改写成可验证的假设，再让数据决定这个假设是否值得进入下一轮研究。
看到一种形态，就等于发现机会了吗？
打开行情软件，我们可以看到 K 线走势、均线排列、技术指标和成交量变化。
假设某只 ETF 连续下跌了几天，我们可能产生一个直觉：
跌得比较多以后，是不是更容易反弹？
这个直觉可以成为研究起点，却还不是交易机会。因为“跌得比较多”和“更容易反弹”都没有明确含义。
继续追问就会发现，至少还需要说明：
- 下跌多少才算“跌得多”；
- 研究哪个品种和时间周期；
- 在什么价格买入；
- 买入后观察多久；
- 什么结果算作反弹；
- 收益能否覆盖交易成本；
- 与平时任意一天买入相比是否更好。
如果这些条件没有固定，我们很容易在看过走势以后调整说法，让原来的判断显得正确。
因此，图形和指标更适合帮助我们发现现象。一个现象能否成为交易机会，还需要经过定义和验证。
应该从指标开始，还是从问题开始？
一种常见的研究方式是先选择指标，再寻找效果最好的参数。例如，先认定 CCI 有用，然后不断调整周期和阈值。
这样做的问题在于，研究方向很容易变成：
怎样证明这个指标有效？
更合适的起点是一个与市场行为有关的问题。例如：
当 ETF 在短期内明显下跌后，未来几个交易日的收益分布是否与平时不同？
围绕这个问题，再选择能够描述市场状态的数据：
- 阶段跌幅；
- 波动率；
- 成交量变化；
- 技术指标；
- 趋势和市场环境。
CCI 可以用来描述价格偏离状态，均线可以辅助区分趋势，成交量可以补充观察市场参与程度。但它们都只是研究工具。
先提出问题的好处是：即使某个指标没有提供额外信息，我们仍然可以放弃它，换一种数据描述同一个问题，而不需要维护预设结论。
问题明确以后，下一步是把“明显下跌”和“未来反弹”变成可以计算的条件。
怎样把模糊想法改写成可验证假设？
仍以“大跌后可能反弹”为例，可以先写出一项最简单的研究假设：
text
研究对象：某只 ETF 的日线数据
触发条件：过去 5 个交易日累计下跌超过 5%
买入方式：下一个交易日开盘买入
卖出方式：持有 5 个交易日后卖出
成本口径：计入手续费和滑点
比较基准：同期任意交易日买入并持有 5 个交易日这些数字只是演示如何定义实验，并不代表已经验证过的参数。
规则固定以后，历史数据才有可能回答：
- 触发条件一共出现过多少次；
- 持有期收益的平均值和中位数是多少；
- 盈利、亏损和极端结果如何分布；
- 扣除成本后是否仍有正向期望；
- 与比较基准相比是否存在差异；
- 结果是否集中在少数特殊行情中。
最终得到的也不是：
下跌 5% 以后一定会反弹。
而是：
在指定品种、样本区间和交易规则下，历史上满足条件的样本表现如何。
把结论限定在实验条件内，才能继续判断这个现象是否具有研究价值。
历史数据能帮助我们检查什么？
一项假设定义清楚后，可以依次检查四类问题。
这种状态出现得足够多吗？
首先要统计有效样本数量。
如果一种状态只出现过几次，结果很容易被单次行情影响。但样本次数多也不一定代表证据充分：连续多日触发的信号，可能都来自同一轮行情；持有周期相互重叠时，也可能重复统计同一段价格变化。
因此，除了样本总数，还要观察：
- 样本是否集中在少数年份；
- 多次触发是否来自同一轮行情；
- 上涨、下跌和震荡阶段是否都有覆盖；
- 增加新样本后，结果是否发生明显变化。
样本决定我们能看到多少历史现象，但样本数量本身还不能证明存在优势。
状态出现以后，结果怎样分布？
只看“上涨了多少次”会遗漏收益幅度和风险。
更完整的观察包括：
- 盈利比例；
- 平均收益；
- 收益中位数；
- 收益分布；
- 最大单次盈利与亏损；
- 最大回撤和连续亏损；
- 去掉少数极端样本后的结果。
平均收益可能被一两次大涨拉高，较高胜率也可能被少数大额亏损抵消。把次数、幅度和分布放在一起，才能看清历史结果的基本形态。
但即使结果看起来不错，还需要回答一个关键问题：它比什么更好？
结果是否优于合理基准？
假设“大跌后买入”的历史盈利比例是 60%。如果同一时期任意一天买入的盈利比例也是 60%，那么触发条件可能没有提供额外信息。
常见的比较基准包括：
- 同期任意交易日买入；
- 简单持有策略；
- 不使用该条件的样本；
- 承担相近风险的其他规则。
比较时应尽量保持品种、时间范围、持有周期和成本口径一致。否则，结果差异可能来自实验条件，而不是触发信号。
所谓概率优势，不只是“过去有盈利”，而是相对于合理基准出现了可以被重复检查的差异。
优势在不同环境中是否稳定？
整体平均结果可能掩盖市场环境的影响。
同样是短期下跌，它可能发生在：
- 上涨趋势中的正常回调；
- 震荡区间中的来回波动；
- 下跌趋势中的进一步走弱；
- 高波动事件中的快速变化。
这些状态之后的结果可能不同。因此，还需要分阶段检查：
- 不同年份；
- 上涨、下跌和震荡阶段；
- 高波动与低波动阶段；
- 参数小幅变化后的表现；
- 未参与规则调整的样本。
分阶段验证不是要求一套规则在所有环境中都有效，而是帮助我们看清：它可能在哪些条件下成立，又可能在什么情况下失效。
可以从哪些市场状态开始研究？
如果暂时没有明确假设，可以从几类常见的市场状态出发。它们不是现成的交易信号，而是提出问题的方向。
价格位置
价格位置关注当前价格相对过去处于什么位置，例如：
- 一段时间内的高低分位；
- 偏离均线的程度；
- 过去若干交易日的累计涨跌幅；
- 距离阶段高点或低点的幅度。
可以继续追问：
当价格处于某个历史位置时，未来收益分布与平时相比是否不同？
波动状态
波动状态描述价格变化的范围和速度，例如：
- 日内振幅；
- 真实波幅（ATR）；
- 历史波动率；
- 某个目标价格的历史触达情况。
对于做 T 来说，波动提供了形成价差的空间。但波动更大也可能意味着风险更高，因此不能只看潜在价差，还要同时检查反向波动和成交条件。
趋势状态
趋势可以用阶段涨跌幅、均线方向或价格结构等方式描述。
研究趋势的目的，不一定是判断“现在一定会上涨或下跌”，而是检查同一个信号在上涨、下跌和震荡环境中是否呈现不同结果。
如果差异较明显，趋势状态可能成为规则的适用条件，而不是单独的买卖答案。
指标状态
技术指标可以把某些价格特征转换成统一数值，例如：
- CCI 的偏离状态；
- RSI 的相对强弱；
- 均线之间的位置关系；
- MACD 的变化。
研究重点不是某个数值看起来“高”或“低”，而是固定计算口径后，检查指标状态出现后的历史结果是否优于基准。
成交与资金状态
价格变化还可以结合成交和资金数据观察，例如：
- 成交量与成交额变化；
- ETF 份额变化；
- 价格变化是否伴随成交放大；
- 流动性是否足以支持实际执行。
这类数据能够补充价格背后的市场行为，但仍然需要明确来源、统计口径和时间一致性，不能直接等同于资金必然流入或流出。
历史结果最好，就代表找到了机会吗？
不一定。
假设我们测试了大量指标、阈值、持有周期和历史区间，最后挑出表现最好的一组。即使它的历史曲线很漂亮，也可能只是碰巧贴合已经看过的数据。
这类问题并不限于复杂模型。下面这些做法都可能让结果过度适应历史：
- 看到结果后反复调整触发条件；
- 尝试许多参数，只保留表现最好的一组；
- 删除不利年份，却没有事先定义理由；
- 根据同一批样本不断修改规则；
- 只展示成功规则，忽略同时测试过的失败规则。
为了降低这种影响，可以：
- 在计算前记录研究问题和统计口径；
- 保留所有测试结果，而不只记录最好的一组；
- 检查参数附近的结果是否相对稳定；
- 将数据分为提出假设和验证假设的不同区间；
- 使用新数据继续观察，而不是根据新结果立即改规则。
历史数据既可以帮助发现规律，也可能让研究者从随机波动中筛出一个看似有效的答案。
因此，寻找机会不只是寻找好结果，还要检查这个结果是怎样被找到的。
高胜率为什么仍然可能不是好机会？
胜率是研究结果的一部分，却不能单独代表交易价值。
假设一套规则在 100 次历史交易中有 90 次盈利：
text
盈利概率：90%
平均盈利：0.2%
亏损概率：10%
平均亏损：5%暂不考虑交易成本，它的每笔期望收益为：
text
期望收益
= 90% × 0.2% − 10% × 5%
= -0.32%虽然胜率达到 90%，历史期望收益仍然为负。
研究交易机会时，至少还需要综合考虑：
- 盈利与亏损的概率；
- 平均盈利与平均亏损；
- 手续费和滑点；
- 最大回撤和连续亏损；
- 资金占用；
- 实际成交与执行难度。
真正值得继续研究的不是“胜率最高”的规则，而是：
在成本、风险和执行条件明确以后，历史结果是否仍然表现出相对稳定的正向期望。
即使答案是肯定的，也需要让规则面对未参与筛选的数据。
怎样建立一个完整的交易实验？
把前面的步骤放在一起，一项交易实验可以整理为：
text
观察市场现象
↓
提出研究问题
↓
定义市场状态和交易规则
↓
确定数据、成本与比较基准
↓
获取历史样本
↓
统计收益分布与风险
↓
检查不同阶段和参数稳定性
↓
进行样本外验证
↓
模拟或小规模观察实际表现
↓
根据新证据保留、修改或放弃假设这个过程与实验的思路相似。
研究的目的不是先证明自己的想法正确，而是：
设计一项能够被数据验证，也能够被数据否定的实验。
如果结果没有优于基准，或者优势在新样本中消失，放弃假设同样是有价值的研究结果。它可以减少以后在相同方向上的重复试错。
当前结论
历史数据不能直接告诉我们明天一定上涨，也不会自动标出哪个位置可以买入。
它更适合帮助我们完成三件事：
- 把市场观察改写成可复现的条件；
- 检查相似状态过去出现后的收益与风险；
- 比较这些结果是否稳定地优于合理基准。
因此，利用历史数据寻找交易机会，不是从大量指标里挑出最好看的结果，而是沿着一条可以复查的路径持续缩小问题：
text
现象
↓
假设
↓
规则
↓
样本
↓
统计证据
↓
样本外与实际观察最终能够得到的仍然只是阶段性结论：
在明确条件和已有证据下，这项假设是否值得继续验证。
它不是未来收益的保证。
到这里，我们已经建立了从市场现象到交易实验的基本路径。接下来可以把问题进一步缩小到做 T 中常见的一项研究：
怎样利用历史样本估计目标价格的触达概率？
下一篇：