Razor Fractal Mirror

NOTE

本文为公开交易策略的技战术复盘，聚焦方法逻辑、交易场景与风险边界。

在技术分析的世界里，“历史会重演”是许多交易者坚信不疑的信条。但真正困难的是，如何定义“相似”，又如何从相似的历史中提取对当下有用的信息。Razor Fractal Mirror 就是一次有趣的尝试：它不预测未来，而是把当下行情当成一面镜子，照出历史上最相似的“兄弟”，再告诉我们这些“兄弟”后来都经历了什么。本文将详细剖析这个策略的思想、运作方式、优势与局限，并给出可操作的改进思路。

策略解读

Razor Fractal Mirror 的核心思想，用大白话说就是：“现在像谁，未来就可能走谁的路。” 但它做得比这句话严谨得多。

首先，它把“最近一段行情”抽象成一个标准化的几何形状。为什么需要标准化？因为不同时间点、不同价格水平下的K线在绝对数值上无法直接比较。比如，一只股票在100元附近的5根K线，和它在20元附近的5根K线，虽然价格数字完全不同，但形状可能非常接近。为了抓住这种“形态”上的相似性，策略把每一根K线转换为对数收益率或百分比变化。这样，价格从100涨到105，和从20涨到21，都会表现为“上涨5%”或者相近的对数收益。形状就被还原成了波动的外貌，而不是绝对的高低。

接着，这个标准化后的“形状模板”会在历史数据中缓缓滑动。每移动一根K线，就产生一个同样大小的历史窗口。把这个历史窗口也做同样的归一化处理，然后与当前的模板进行比较。比较的方式可以有很多，比如计算欧氏距离、相关系数等。距离越小，说明形态越相似。最终，策略会挑出历史中最相似的一批窗口，并观察它们随后若干根K线是怎么走的。

有意思的是，策略宣称它输出的并不是一条预测曲线，而是一个概率情景。也就是说，它不会告诉你“明天会涨”，而是告诉你：历史上与现在相似的情形发生之后，第1根K线收阳的概率是65%，第3根K线累计涨幅超过2%的概率是40%，等等。这种“用过去发生的频率来代替未来发生的概率”的思路，本质上是一种非参数统计方法，带有很强的经验主义色彩。

Razor Fractal Mirror 还强调了“市场状态智能”。这意味着，它的匹配过程并不是无脑的“找长得一样的图形”，而是隐含了对市场节奏和状态的感知。比如，如果当前处于低波动率环境，那么它可能更倾向于匹配历史上同样处于低波动率区间的相似结构，而不是那些虽然形状相同但波动剧烈的片段。这种过滤让模型更加“懂行情”。

当然，任何一种经验类比方法都不可能是水晶球。市场的结构会变，参与者的行为会变，宏观环境也会变。但作为一套辅助思考的工具，Razor Fractal Mirror 提供了一个很好的“可能性地图”，帮助交易者摆脱单一方向思维的束缚。

名词解释

分形（Fractal）：在技术分析中，分形指的是不同时间周期上表现出相似结构特征的现象——比如日线上的一个回调形态，可能在周线上也能看到类似的轮廓。该策略借用“分形”一词，强调形态在不同尺度上的自相似性。

模式长度（Pattern Length）：需要分析的历史K线数量，也就是“当前模板”包含多少根K线。模式长度决定了观察的尺度：太短容易纳入噪声，太长则可能错过转折点。

归一化（Normalization）：把原始数据按照某种规则变换到一个可比较的范围内。在这里，将价格路径转换为对数收益率或百分比变化，就是为了消除绝对价格水平的影响，只保留相对变动形状。

对数收益率（Log Return）：取相邻价格比值的自然对数，即 ln(P_t / P_t-1)。其好处是可加性、近似正态性，并且比简单百分比变化更对称。

百分比变化（Percent Change）：当前价格相对于前一根K线价格的变动百分比，即 (P_t - P_t-1) / P_t-1，更直观，但对大幅度变动更敏感。

相似度度量（Similarity Measure）：衡量两个归一化形状接近程度的数学指标，常见的有欧氏距离、曼哈顿距离、皮尔逊相关系数等。距离越小或相关性越高，形态越相似。

概率投影（Probabilistic Projection）：不是输出确定的未来方向，而是给出未来不同路径的可能性分布，通常用频率分布或置信区间表示。

市场状态（Market State）：市场所处的总体环境特征，如趋势、震荡、高波动、低波动等。识别市场状态有助于筛选更有意义的相似历史样本。

策略思路讲解

我们可以把 Razor Fractal Mirror 的完整工作拆解成五个步骤。

第一步：定义当前形态样本。 从最新的K线开始，向前取 N 根K线（即“模式长度”）。这 N 根K线构成了我们需要寻找“前世相似体”的模板。

第二步：形态标准化。 将模板中的每一根K线收盘价转化为对数收益率或百分比变化序列。这样，模板就变成了一条“形态曲线”，而不受价格绝对值影响。标准化是整条策略最关键的预处理步骤，它直接决定了“相似”到底意味着什么。

第三步：全历史扫描匹配。 从历史数据中的第一根K线开始，依次平移一个等长为 N 的窗口，也做同样的标准化处理，然后与当前模板计算相似度。每一次滑动都会得到一个相似度得分。为避免样本重叠和未来函数，通常需要对扫描范围做一些限制，例如只使用当前时间点之前的数据。

第四步：提取最佳相似历史。 根据相似度得分排序，选出得分最高的前 K 个历史窗口。有些实现还会设置一个相似度阈值，低于阈值的窗口即使排名靠前也会被丢弃。然后，把这 K 个窗口各自“之后”的 M 根K线走势对应记录下来。注意，这里“之后”是指历史窗口中最后一个K线之后的市场演进。

第五步：汇总生成概率投影。 将这 K 个历史后继走势叠加，统计它们在每一根“未来”K线上的涨跌概率、平均收益、最大回撤等指标。最终输出可能是一张路径扇图、一个平均预期曲线，或者一组关键时间节点的概率表格。

整个过程中，没有任何对未来数据的偷看，也没有任何主观的趋势线或支撑压力位。策略完全是“以史为镜”，让历史自身说话。

从交易理念上看，这是一种典型的经验主义启发式方法。它承认市场的非线性，不给出行情的确定因果模型，转而用最近邻样本的经验分布来近似未来的概率分布。这种做法在气象预报、医疗诊断等领域都有类似应用，在量化交易中也有一席之地。

优点

严格贴合“历史重演”的直觉：它把技术分析中最常见的朴素的信仰，变成了一种可计算、可回测的系统化流程，避免了主观肉眼找“相似图形”的随意性。
输出概率而非单点预测：交易者可以借此设计更精细的仓位策略。比如，如果历史相似样本之后上涨概率只有55%，但平均涨幅是下跌跌幅的2倍，那么可以小仓位试多，而不是孤注一掷。
自适应不同品种和时间周期：由于所有数据都经过归一化处理，无论是股票、外汇、商品还是加密货币，无论价格是1元还是1000元，都能使用同一套逻辑进行匹配。
无需未来数据，天然避免前视偏差：策略只使用当前时刻之前的历史窗口来构建场景，所有计算都是严格的样本外推演，逻辑上具备因果一致性。
改善市场状态感知：通过相似形态隐含地刻画波动率和相对位置，能在震荡行情和趋势行情中给出不同的概率分布，帮助交易者切换应对模式。
可解释性强：每一条概率投影都可以追溯到具体的几个历史片段，交易者可以打开历史图表亲眼看看“当年是怎么走的”，从而增强对模型输出的信任或怀疑。

缺点

历史不会简单重复：市场结构、参与者构成、监管规则、流动性条件都在变化，完全相似的形态可能在未来遭遇完全不同的宏观冲击。这是所有历史类比法无法回避的哲学缺陷。
相似度度量过于主观：采用对数收益率还是百分比变化，用欧氏距离还是相关系数，都会导致“相似”的定义产生显著差异。而策略本身并没有告诉用户哪一个才是“正确”的。
模式长度和投影长度难以确定：N 和 M 的选择极大影响结果。N 太小容易匹配到大量随机噪声，N 太大又导致样本数量稀少；M 太长则概率分布会收敛到无套利的均衡，失去参考价值。
计算开销较大：在长历史数据上每根K线都进行全窗口滑动扫描，如果品种多、周期小、窗口长，计算负担会很大。尤其是在实时行情中频繁更新，可能造成延迟。
容易过拟合：当用户不断调整模式长度、相似度排名数量、阈值等参数，直到“看起来效果很好”时，实际上已经陷入过拟合。样本内表现越好，样本外失效的风险越大。
没有处理体制转变的能力：如果当前市场处于一个历史上从未出现过的新环境（比如零利率、负利率、加密币黑天鹅），策略找不到真正相似的过去，却仍然会强行输出一个“最不相似”的答案，误导使用者。

起源年份考证

针对“Razor Fractal Mirror”这个具体指标，我们无法考证其确切的创建年份和发布渠道。作者 ShelbyCharts 的名字并没有附带权威的时间记录，因此只能将其归入“历史相似模式投影”这一类方法中，做学术与行业层面的时间线梳理。

1980年代：非线性动力学与最近邻思想萌芽。 混沌理论研究者开始利用相空间重构，找出系统过去与现状态相似的邻近点，并以此为参照进行预测。这一思想最早应用于气象学，但后来被金融研究者注意。
1990年代：非参数金融预测正式出现。 统计学和计量经济学领域开始将 K 最近邻（K-Nearest Neighbors）回归应用于经济和金融时间序列。学者们用历史样本的局部平均来预测未来收益率，这可以看作 Razor Fractal Mirror 的统计祖先。
2000年代：交易软件普及与“历史回放”工具兴起。 随着商业行情软件和脚本语言的发展，个人交易者开始能够在图表上快速做历史模式搜索，“相似形态提示”类插件逐渐受到追捧。
2010年代至今：公开交易社区中的类似指标大量涌现。 许多独立开发者发布过名为“历史相似性”“形态匹配”“模拟投影”的工具。Razor Fractal Mirror 很可能就是这一时期的产物。

需要明确的是，以上时间线是该类方法的演变脉络，而非该指标本身的确切发布日期。如果以严格标准来看，其具体起源年份无法考证。

改进建议

引入动态时间规整（DTW）：传统相似度计算对时间轴上的拉伸和压缩非常敏感。DTW 允许一个窗口内的K线在时间上发生轻微变形，能更准确地匹配“节奏相近但速度不同”的形态。
自适应模式长度：不要固定 N，而是根据市场波动率周期或最近的波段高低点距离来动态确定模式长度。例如，在日线级别上，如果近期平均波段持续约20根K线，就把 N 设为20附近；如果波动变快，就相应缩短。
增加市场状态过滤器：在匹配之前，先用波动率指标（如ATR）或趋势指标（如ADX）对历史窗口打上标签。只选取与当前市场状态（强趋势、弱趋势、高波动震荡等）相同的窗口，能显著提升投影的纯粹性。
多时间尺度共振：不要只在一个周期上做投影。可以在日线、4小时、1小时等多个周期分别运行同一套方法，然后寻找“大多数周期都指向同一个方向”的共振点，作为高置信度信号。
使用概率加权而非简单平均：对选出的 K 个历史后继走势，根据每个窗口与当前形态的相似度高低赋予不同的权重。越相似的样本，在最终概率分布中的话语权应该越大。
加入尾部风险约束：在统计概率分布时，额外关注历史样本中的极端收益分布（如最大亏损、最大涨幅）。如果某个相似样本后来发生了崩盘，就算概率很低，也应该在风险控制上做特殊预案。
结合成交量和基本面过滤：价格形态只是投影的一面，成交量能验证形态的可信度。如果当前形态对应的历史相似窗口在放量突破，而当前却没有放量，那么相似度应该被下调。
引入滚动时间衰减：给历史数据按“距今时间”赋予权重，越近的数据越能代表当前市场微观结构，而太过久远（比如5年前）的样本则降低权重，从而缓解体制变化带来的失真。

总结

Razor Fractal Mirror 是一面聪明的“历史镜子”。它把当前行情转化为标准化的形态，在漫长的历史数据中寻找最相似的前身，再将那些前身的未来走势转化成一张概率地图。这种方法简洁、直观、可解释，并且天然地规避了单一方向预测的傲慢。

但它也不是万能钥匙。历史的相似并不等于因果的必然，市场中的“今时今日”可能并没有一个真正的“往日重现”。因此，更好的用法不是把它当作独立的交易信号，而是作为决策辅助工具：当概率投影与你的基本面判断、其他技术指标以及风险管理规则一致时，再采取行动。

在这个充满不确定性的市场里，我们需要的是更多维度的情报，而不是更坚定的幻觉。Razor Fractal Mirror 用概率的词汇提醒我们：未来不是一个点，而是一片可能性的云。而优秀的交易者，恰恰是懂得如何在这片云下撑伞的人。