IREN 复合信号与自测统计

策略解读

这是一个很有趣的量化交易策略，它不只是一个简单的技术指标，更是一个带着“自我反思”能力的复合信号系统。作者 ronshalom1991 将其命名为“复合信号与自测统计”，核心思想非常直白：把多种经典技术分析工具放在一起，让它们“投票”决定买卖方向；同时，系统会记录这些信号在历史行情中的实际表现，用统计学的方式告诉你，这个信号在当下这个品种、这个周期上到底靠不靠谱。

这种“自我测量”的机制，让策略具备了动态评估能力。普通指标只会机械地给出信号，而不会告诉你“过去一年里，这个信号的成功率是 40% 还是 70%”。该策略则尝试回答这个问题——它会在图表上统计信号出现后的涨跌情况、胜率、平均盈亏比等信息，从而帮助交易者避开那些在特定市场环境中明显失效的信号。

从信号构成看，它综合了六大类因子：趋势、动量、成交量、K线形态、随机指标超买超卖，以及关键价位突破/拒绝。每一个因子都独立“投票”，最终形成综合得分，再决定是否触发买入或卖出信号。这种多因子投票机制，本质上是对市场多个维度进行“交叉验证”，避免单一指标被市场噪音干扰。

尤其值得注意的是“rejection at a confirmed prior pivot high”这个因子，它是一种价格行为分析。意思是，价格曾经创出某个高点（枢轴高点），之后回落；如果再次上涨到这个高点附近，出现明显拒绝（比如长上影线、看跌吞没），那么这个位置就可能形成卖出信号。这属于经典的“支撑转阻力”思路，结合K线形态，具有较高的实战价值。

总体来说，这是一个非常适合有一定经验的交易者使用的策略。它的优势在于不依赖单一技术指标，而是用“多因子投票+历史统计检验”的方式来提高信号质量。但也正因为因子较多，参数敏感性和适用条件也变得更加复杂，需要使用者深入理解每个因子的逻辑，才能真正驾驭它。

名词解释

1. EMA（指数移动平均线）
   一种加权移动平均线，它对近期的价格赋予更高权重，因此反应速度比简单移动平均线更快。EMA 9 与 EMA 20 的对比，常被用来判断短期趋势方向：当 EMA9 在 EMA20 之上时，通常视为短期多头趋势；反之则为空头趋势。

2. RSI（相对强弱指标，Relative Strength Index）
   由威尔斯·威尔德（Wells Wilder）于 1978 年提出的动量振荡指标，数值在 0 到 100 之间。传统上，RSI 高于 70 视为超买，低于 30 视为超卖。该策略中“RSI extremes”即指 RSI 进入极端区域后，可能产生反转或趋势延续的信号。

3. 成交量激增（Volume Surge）
   指某一根K线的成交量明显高于过去一段时间的平均水平。成交量激增往往意味着市场参与者的情绪出现剧烈变化，价格随之产生大幅波动的概率较高。该因子用来确认趋势突破或反转的有效性。

4. K线形态（Candlestick Patterns）
   来源于日本蜡烛图技术，通过单根或多根K线的开盘价、收盘价、最高价、最低价关系，识别市场情绪转变。常见的形态包括锤子线、吞没形态、十字星、流星线等。该策略会利用K线形态来判断反转或延续的机会。

5. 随机指标（Stochastic Oscillator）
   由乔治·莱恩（George Lane）在 20 世纪 50 年代提出，用于比较收盘价与一定周期内价格区间的相对位置。它由 %K 和 %D 两条线组成。当 %K 线在超卖区（通常低于 20）上穿 %D 线，视为买入信号；在超买区（高于 80）下穿 %D 线，视为卖出信号。该策略关注“在超卖/超买区域的交叉”，以提升信号可靠性。

6. 枢轴高点（Pivot High）
   指在一段特定周期内，价格无法突破的局部最高点。枢轴高点之后通常伴随回落，形成阻力位。当价格再次上涨至该阻力位附近时，若出现拒绝（如长上影线、看跌吞没），则可能构成做空机会。这是“阻力位确认”的一种典型用法。

7. 多因子投票（Multi-Factor Voting）
   一种决策机制：每个因子独立发出看多或看空的信号，然后对所有信号进行汇总统计，最终根据多数意见产生综合信号。这种机制可以降低单一因子误判带来的风险。

8. 自测统计（Self-Measured Statistics）
   指策略会记录每次信号发出后的实际结果，并通过统计方法计算胜率、盈亏比、最大回撤等绩效指标。这相当于在系统内部建立了一个“行为评估库”，让交易者可以直观看到该信号在当前品种和周期上的历史表现。

策略思路讲解

该策略的核心逻辑可以概括为“多元独立投票，历史自我验证”。我们逐一拆解。

首先，在每一根K线收盘后，系统会计算七个维度的信号状态：

1. 趋势维度：EMA9 和 EMA20 的相对位置。若短期均线在长期均线上方，则趋势因子投票看多；反之看空。这个因子捕捉的是最基本的动能方向。

2. RSI极值：当 RSI 进入超买区（比如大于 70）或超卖区（比如小于 30）时，RSI 因子会给出反向信号——超买时倾向看跌，超卖时倾向看涨。但注意，在某些强势趋势中，RSI 可以在超买区停留很长时间，因此这个因子需要和其他因子相互印证。

3. 成交量激增：当成交量突然放大时，说明当前价格变动的“含金量”较高。如果价格上涨且成交量放大，则量能因子投票看多；如果价格下跌且成交量放大，则投票看空。这个因子能够过滤掉一些无量假突破。

4. K线形态：系统识别若干种关键K线组合，比如看涨吞没、看跌吞没、锤子线、射击之星等。出现看涨形态时投票看多，出现看跌形态时投票看空。注意，K线形态本身并不是精确的预测工具，但作为投票成员之一，它能提供有价值的情绪信息。

5. 随机指标交叉：当 %K 与 %D 在超卖区形成金叉（%K 上穿 %D），随机因子投票看多；在超买区形成死叉（%K 下穿 %D），投票看空。这种设计旨在捕捉短期动量反转点。

6. 枢轴高点拒绝：系统会先识别出最近一段时间的最高点（枢轴高点），并标记为阻力。当价格再次接近该高点时，如果出现明显的看跌K线形态（如长上影线、看跌吞没）或者价格无法有效突破，那么该因子投票看空。这本质上是一个“阻力位失效”检测器。

所有因子分别投出“多”“空”或“中性”票后，系统计算综合得分。例如，如果 7 个因子中有 5 个看多，1 个看空，1 个中性，那么综合信号强烈偏多；如果只有 3 个看多、3 个看空、1 个中性，则信号模糊，系统可能不触发任何信号。

“A signal fires only …”是原文描述中被截断的部分，结合上下文可以推测，后面说的是“only when the composite score exceeds a certain threshold”之类的话。也就是说，只有综合得分达到某个设定阈值时，才会产生最终交易信号。这个设计避免了在因子分歧较大时贸然入场。

更关键的是“self-measured statistics”部分。每当一个信号结束时，系统会记录该信号的持续时间、价格变化幅度、盈亏结果，并滚动更新胜率、平均盈亏比、最大连续亏损次数等指标。于是，当新的信号出现时，交易者可以看到“过去 20 次类似信号中，有 14 次盈利，平均盈利 3.2%，平均亏损 1.5%”之类的统计信息。这相当于给每个信号附加了一份“体检报告”。

这种思路在量化交易中被称为“样本内回测与滚动评估”。它比固定参数指标更灵活，因为它能动态反映市场状态的变化。例如，某品种在趋势市中信号胜率很高，在震荡市中信号胜率可能骤降；自测统计能直观展示这种胜率波动，提醒交易者谨慎应对。

实战中，建议这样使用该策略：

• 先将自测统计的胜率作为过滤器。如果某品种上信号历史胜率低于 50%，并且盈亏比小于 1，那么即使当前综合评分很高，也应该放弃或降低仓位。
• 结合更高的时间周期判断大方向。例如在日线图上确认大趋势向上，再用该策略的 1 小时或 15 分钟信号寻找入场点。
• 不要单独依赖K线形态或RSI极值这样的单一因子，而是等待综合得分出现“压倒性”多数时再行动。理想信号是至少 5 个因子同向。

优点

1. 多因子相互验证，降低噪音干扰
   单一指标容易被假突破、短期波动欺骗，但多个因子同时同向发出信号的概率低得多。这种“投票机制”提高了信号的可靠性。

2. 内置自测统计，透明直观
   许多策略只在回测软件里能看绩效，而该策略直接在图表上显示当前品种历史信号的表现。胜率、盈亏比一目了然，让交易者知道“这个信号在这只股票上有多靠谱”，而非依赖笼统的经验。

3. 适应性强，可跨品种、跨周期使用
   因为自测统计会随着加载的品种和时间周期自动更新，所以该策略不需要针对每个品种单独调整核心逻辑。不同市场环境下，系统会展示不同的历史表现，交易者可以根据统计结果决定是否使用。

4. 包含价格行为因子，贴近实战
   枢轴高点拒绝和K线形态的加入，使得策略不仅依赖数学指标，还能捕捉到市场参与者的心理变化。这类因子在关键阻力位附近往往有奇效，增强了策略的“盘感”。

5. 规则清晰，可量化评估
   每个因子的逻辑都是确定性的，不存在模糊的主观判断。这让策略可以进行严格的回测和优化，也便于后续加入仓位管理、止损止盈规则。

缺点

1. 因子过多导致信号稀少
   要求多个因子同时满足条件，会导致交易机会显著减少。在大部分时间里，综合得分可能无法达到阈值，策略会长期空仓，这对于寻求高频交易的投资者来说并不友好。

2. 参数敏感性较高
   EMA周期（9、20）、RSI周期、随机指标周期、超买超卖阈值、枢轴高点的确认根数等，每个参数都可能影响最终结果。参数微调可能导致信号数量和质量发生巨大变化，存在“过度优化”的风险。

3. 自测统计存在滞后与样本偏差
   历史统计只能反映过去，且受市场状态变化影响。若市场发生结构性转变（例如从趋势市转为震荡市），历史高胜率并不能保证未来依然有效。此外，某些品种的信号样本太少，统计数字不具有显著性。

4. 未包含止损与仓位管理逻辑
   原文描述只提到信号触发和统计，没有给出具体的离场规则、止损位或仓位大小。即使信号方向正确，糟糕的资金管理也可能导致亏损。自测统计中的胜率，可能是在特定离场规则下得出的，如果更换离场方式，结果将完全不同。

5. 因子之间存在潜在相关性
   虽然叫“独立投票”，但 RSI、随机指标、EMA趋势本质上都基于价格，它们之间并非完全独立。例如，强势上涨过程中，RSI 超买和随机指标超买几乎同时出现，这会导致多个因子实际是在重复表达同一信息，降低了“多因子”的真实多样性。

起源年份考证

需要说明的是，本文考证的是该策略所采用的“多因子投票+历史自测统计”这一方法论的时间线，而非该具体脚本的创建日期。由于该策略作者未公开具体发布年份，且本文无法访问网络，因此无法精确考证该脚本的出现时间。以下为公开研究背景下该类方法的发展脉络：

• 1950年代：乔治·莱恩（George Lane）提出随机指标（Stochastic Oscillator），为后续超买超卖类动量因子奠定基础。
• 1960年代：计算机技术开始应用于技术分析，早期程序化交易系统出现。唐奇安通道（Donchian Channel）等趋势跟踪系统被广泛应用于商品期货，标志着规则化趋势策略的诞生。
• 1970年代：威尔斯·威尔德（Wells Wilder）先后发表相对强弱指标（RSI）、平均真实波幅（ATR）等经典技术指标，并系统提出“交易系统”的概念。同一时期，移动平均线系统已成为主流趋势工具。
• 1980年代：多因子评分模型在金融领域兴起，最初多用于基本面选股（如价值/成长因子打分）。技术指标的多因子合成也逐渐出现，例如依据动量、均值回归、波动率等多个维度生成综合信号。
• 1990年代：动量效应被Jegadeesh和Titman在学术上正式实证（1993年发表），成为量化投资领域最稳健的异象之一。同时，个人电脑普及，量化交易软件和回测平台兴起，交易者得以构建包含多个指标的自定义策略。
• 2000年代以后：“自测统计”“滚动胜率”“信号历史绩效”等概念逐渐进入散户交易工具设计。随着编程语言和开源社区发展，将策略自身历史绩效作为附加信息显示在图表上成为常见做法。
• 2010年代至今：多因子模型在机器学习辅助下进一步复杂化，但经典的多因子投票思路依然是许多交易系统的核心基础。该策略的作者 ronshalom1991，从其使用“EMA9/EMA20”“RSI”“随机指标”等经典参数组合来看，很可能是受到 2000 至 2010 年代国外交易社区中“多因子打分指标”的启发。但具体该脚本的发布时间，需要以作者发布页面为准，本文无法考证。

改进建议

1. 加入动态信号阈值
   不要使用固定阈值触发信号，可以根据自测统计中的胜率和盈亏比动态调整阈值。例如，当历史胜率较高时，可降低阈值以增加交易机会；胜率较低时，提高阈值以过滤更多信号。

2. 增加独立性的因子去相关处理
   在合成综合得分时，对高度相关的因子（如 RSI 与随机指标）进行降权或只取其中一个。可以通过计算因子之间的相关性矩阵，设定权重，使每个投票因子真正代表不同的市场维度。

3. 引入离场规则，完善交易闭环
   信号只解决“何时入场”的问题，还需设置明确的止损、止盈、移动止损或基于波幅的离场条件。建议在自测统计中加入“按固定百分比止损”和“按移动均线离场”两种方式，并分别统计绩效，方便使用者选择。

4. 增加大盘或板块联动过滤
   当交易个股时，加入该股票所属指数或板块的趋势判断。例如，若指数处于下跌趋势，则即使个股出现看多信号，也降低信号权重。这样能规避系统性风险，提高统计的稳定性。

5. 使用滚动窗口而非全量历史进行自测
   长期全量统计会受到好几年前市场风格的影响。建议采用最近 100 次或最近 6 个月的信号绩效进行滚动统计，以更快适应当前市场。同时可以对比不同窗口期的胜率差异，判断策略是否发生“风格漂移”。

6. 组合多个时间周期的得分
   将日线、4小时、1小时三个级别的信号得分加权汇总，形成“多周期共振”信号。只有当高级别趋势方向与低级别入场方向一致时，才允许触发信号，这可以显著提高胜率。

7. 增加样本量不足的处理逻辑
   当信号样本少于 30 次时，应在图表上明确提示“统计不显著”，并建议用户降低仓位或禁用该策略。避免交易者被小样本下的高胜率误导。

8. 加入波动率自适应参数
   RSI、随机指标等参数对波动率变化敏感。可以使用平均真实波幅（ATR）对价格进行标准化，或动态调整超买超卖阈值（例如波动率越高，阈值越宽），从而让策略在剧烈行情和低迷行情中都能保持合理表现。

总结

IREN LTD (RON DAVID SHALOM) 这个策略的核心魅力不在于多个指标的简单叠加，而在于它引入了“自我统计”的镜子——让信号自己说话，告诉交易者它在过去是怎么表现的。这种思路在量化交易中具有很高的实用价值，它提醒我们：任何指标的有效性都不是绝对的，而是与品种、周期、市场环境高度相关的。

通过将趋势、动量、成交量、K线形态、随机指标和关键枢轴点位结合成一套投票系统，该策略增加了信号的多维验证性，降低了单因子失效的风险。同时，其内建的历史绩效统计功能，又为交易者提供了一层“元认知”工具，帮助我们在面对交易信号时保持谨慎和理性。

当然，它并非银弹。参数敏感性、因子相关性、信号频率和离场规则缺失等问题，都需要使用者自行优化。建议将该策略视为一个“信号生成器”和“统计仪表盘”，而不是完整的盈利机器。在实盘之前，务必结合自己的风险偏好，做好严格的回测和样本外验证。

最后，量化交易的本质是概率游戏。任何复合信号都不应该被神化，而是需要配合科学的资金管理、风险控制和对市场周期的理解。该策略用投票和自测统计的方式，帮我们多走了一步——但那“最后一步”的执行和纪律，永远只能靠交易者自己。