Appearance
为什么技术指标需要历史验证？
上一篇文章讨论了一个交易信号需要经过哪些统计检查，才值得继续研究。
但当信号来自均线、MACD、CCI、KDJ 或 RSI 等常见技术指标时，一个新的疑问很容易出现：
这些指标已经被使用了很多年，行情软件也会直接显示，为什么还要自己做历史验证？
指标被广泛使用，只能说明它提供了一种常见的观察方法，不能证明某个具体用法能够带来收益。
更准确地说：
技术指标可以描述市场状态，但不能替我们完成从市场状态到交易结论的推导。
要理解这一区别，需要先看清技术指标究竟是什么。
技术指标提供了什么信息？
行情最基础的数据通常包括：
- 开盘价；
- 最高价；
- 最低价；
- 收盘价；
- 成交量。
技术指标是在这些已有数据上进行数学加工。例如，均线计算一段时间内的平均价格，MACD 比较不同周期指数移动平均线之间的变化，CCI 则衡量当前价格相对一段时间平均水平的偏离程度。
计算以后，原始行情被转换成了更方便观察的数值或图形：
text
历史价格与成交数据
↓
指标公式
↓
均线、MACD、CCI 等指标值
↓
对市场状态的一种描述因此，指标可以帮助我们回答：
按照这套计算方法，当前行情处于什么状态？
但它不能自动回答：
此时买入，未来获得正收益的概率是多少？
前者是数学计算，后者是需要用样本验证的统计问题。
指标为什么不等于交易信号？
假设某个品种的 CCI 低于 -100。我们可以确认指标满足了这个条件，却还不能据此完成一笔交易。
因为“CCI 低于 -100”没有说明：
- 使用日线、小时线，还是其他周期；
- 在信号出现时买入，还是下一个交易日买入；
- 按开盘价、收盘价，还是实际可成交价格买入；
- 持有几个交易日；
- 在什么条件下卖出；
- 是否计算手续费、滑点和无法成交的情况。
只要其中一个条件不同，最终统计的就可能是另一套交易方法。
例如，同样以“日线 CCI 低于 -100”为条件：
text
规则 A：次日开盘买入，持有 1 个交易日后卖出
规则 B：次日开盘买入，盈利 2% 或亏损 1% 时卖出两套规则使用同一个指标，却可能拥有不同的样本数量、胜率、平均收益和最大回撤。
因此，真正需要验证的不是孤立的指标名称，而是：
包含指标条件、买入方式、卖出方式和成本假设的完整交易规则。
规则明确以后，新的问题才有可能被历史数据回答：这套规则过去表现如何？
为什么不能只看几次成功经验？
看到一次指标金叉后上涨，或者一次指标超卖后反弹，很容易让人觉得指标有效。
但单次结果只能说明：
这一次，指标状态与后续行情恰好同时出现。
它无法说明类似条件出现 100 次时，大多数结果如何，也无法排除当时的市场上涨本身就是主要原因。
要判断某个指标条件是否提供了额外信息，至少需要统计：
- 一共出现了多少个有效样本；
- 盈利与亏损各有多少次；
- 平均收益和收益分布如何；
- 最大亏损与最大回撤如何；
- 扣除交易成本后是否仍有优势；
- 与随机买入、同期持有等基准相比是否更好。
假设某个指标信号出现后，第二天上涨的历史比例是 60%。如果同一时期任意一天买入后上涨的比例同样是 60%，那么这个指标可能没有提供额外优势。
所以，历史验证不能只问“信号后有没有上涨”，还要继续问：
与不使用这个信号相比，结果是否真的有所改善？
同一个指标为什么会得到不同结果？
即使两位研究者都在验证 CCI，也可能得到完全不同的结论。
差异可能来自：
- 研究的品种不同；
- 使用的时间周期不同；
- 选择的历史区间不同；
- 指标参数和数据处理方式不同；
- 买入、卖出与持有规则不同；
- 交易成本和成交假设不同。
例如，一个反映短期偏离的条件，可能在震荡阶段频繁出现并产生反弹，却在持续下跌阶段不断触发。把两个阶段混在一起统计，得到的是整体平均结果；分开观察，才能看见它可能适用和失效的环境。
这并不说明其中一项研究一定错误，而是说明：
指标是否有效，不能脱离具体的品种、周期、规则和市场环境讨论。
也正因为实验条件会影响结论，行情软件提供的默认参数只能作为起点。
默认参数为什么不能直接照搬？
很多技术指标都有常用参数。例如，MACD 常见参数是 12、26、9，KDJ 常见参数是 9、3、3。软件提供这些参数，能够让用户直接计算和观察指标。
但默认参数并不是已经被证明适合所有品种和周期的市场规律。
同一组参数放在不同场景中，代表的实际时间尺度可能完全不同：
- 日线上的 12 个周期对应 12 个交易日；
- 60 分钟线上的 12 个周期对应 12 根小时 K 线；
- 高频波动品种与低波动品种对同一阈值的反应也可能不同。
因此，默认参数更适合被理解为：
一个统一、方便复现的研究起点。
如果调整参数后结果变好，也不能立即认为找到了“最佳参数”。反复尝试大量参数，再挑选历史表现最好的一组，很容易让规则只适应已经看过的数据。
参数越是经过反复筛选，越需要使用未参与调整的数据继续检查。
怎样完成一次基本的指标验证？
一次基本验证，可以从把模糊想法改写成明确问题开始。
例如，不再笼统地说：
CCI 低时可以买入。
而是提出一个可以复现的假设：
当某 ETF 的日线 CCI（14）低于 -100 时，在下一个交易日开盘买入，持有 5 个交易日后卖出。扣除交易成本后，历史收益是否优于同期随机买入？
这项假设明确了：
- 研究品种；
- 数据周期；
- 指标参数和触发条件；
- 买入价格；
- 持有时间与卖出规则；
- 交易成本；
- 比较基准。
接下来才能按相同口径统计：
- 样本数量；
- 胜率；
- 平均收益与收益分布；
- 最大单次亏损与最大回撤；
- 不同市场阶段的表现；
- 参数小幅变化后的稳定性；
- 样本外数据中的结果。
整个过程可以整理为：
text
观察指标现象
↓
提出交易假设
↓
固定指标与交易规则
↓
获取历史样本
↓
统计收益、成本与风险
↓
与合理基准比较
↓
进行分阶段和样本外验证
↓
根据新结果继续观察、修改或放弃假设这里需要注意，历史验证能够检验一项假设在过去的表现，却不能证明未来一定重复同样的结果。它的价值在于排除一部分经不起数据检查的想法，并帮助我们看清一项规则的适用条件和风险边界。
技术指标真正的作用是什么？
经过前面的区分，技术指标的位置会更清楚。
它不是一个直接预测未来的答案，而是一个帮助我们整理数据、描述状态和提出假设的工具。
例如，看到 CCI 处于低位时，更合适的研究问题不是：
明天是不是一定会上涨？
而是：
在明确的品种、周期和交易规则下，历史上出现这种状态后，结果是否优于合理基准？这种差异在新样本中能否继续观察到？
这样的提问不会消除交易中的不确定性，却能把“感觉可能有效”改写成一项可以记录、比较、复现，也可以被数据否定的实验。
当前结论
技术指标是对历史价格和成交数据的数学加工。它可以描述市场状态，却不能单独证明某个买卖方法具有收益优势。
真正需要历史验证的是一套完整规则：
- 指标条件是否清楚；
- 买入和卖出方式是否明确；
- 样本是否足够且不过度集中；
- 结果是否优于合理基准；
- 扣除成本后是否仍有正向期望；
- 风险是否可以承受；
- 优势能否通过分阶段和样本外检查。
即使这些检查得到较好的结果，当前能够得出的结论也只是：
这套规则在已有历史证据下值得继续观察和验证。
它不是对下一次交易或未来收益的保证。
到这里，我们已经知道技术指标为什么不能直接变成交易答案。接下来还可以继续追问：
面对大量历史数据，应该怎样从中寻找值得验证的交易机会？