Resampling Filter Pack [DW]

策略解读

在传统技术分析中，我们习惯使用固定周期的K线，比如5分钟、1小时、日线。这些K线本身是一种“采样”方式，但它的粒度是固定的。当我们想观察更平滑的价格走势，往往只能通过调整均线周期或改变图表周期来实现。而“重采样过滤器包”提供了一种更底层的思路：不改变图表显示，而是对原始价格数据重新划分“样本”的密度和边界，再在此基础上计算过滤值。

所谓“重采样”，就好比我们原来每隔5分钟记录一次路况，现在改成每隔10分钟记录一次，或者改成每看见5辆车记录一次。前一种按时间固定间隔，后一种按事件数量固定间隔。无论哪种方式，我们得到的都是一条新的、更平滑或更聚焦的价格曲线。这个“过滤器包”正是干这件事的。

核心流程是这样的：首先，用户指定一个“采样率”，例如每个样本包含10根原始K线，或者每2倍当前图周期取一次样。然后，还需要设定一个“周期偏移”，意思是采样的起始点从哪里开始。举个例子，把一天分成24个小时，如果你从第0分钟开始采样，那么第0-59分钟是一个小时；如果你从第30分钟开始采样，那么第30-89分钟就是一个小时，这会导致最终的过滤值曲线整体平移。

为什么要这么做？因为固定的起始点有时会错过重要的市场拐点。比如，某些事件发生在上午10:15，但如果你的采样窗口是从10:00开始，10:15的数据就被平摊到两个窗口中。通过调整偏移，你可以让采样窗口对齐到事件附近，从而更敏感地捕捉转折。

三种重采样方法中，BPS（Bars Per Sample）是“按K线根数采样”，它不关心时间长短。设定BPS=20，那么无论这20根K线是1分钟还是1天，都会被合并成一个样本。这种方式的好处是：在市场活跃时，样本更新速度快；在市场冷清时，样本更新慢。这天然适应了不同时段的波动节奏。

第二种方法Interval是按“当前图表周期的整数倍”来采样。比如你当前图表是5分钟，设定Interval=2，那么每隔10分钟采一个样本。这种方法保证了采样间隔在时间上完全均匀，适合做严格时间序列分析。它和BPS恰好是相反的思路。

第三种方法在原文中被截断了，但结合“网格/区间”这一标签，通常可以推测是基于“价格区间”的重采样，即每波动固定价格幅度才生成一个新样本，类似于“点数图”。这种方法把无波动的横向盘整过滤掉，只保留有意义的运动，非常适用于网格交易和区间突破策略。

“过滤器”这个字眼也很关键。重采样本身只是换了一种视角，真正的过滤值还需要用一个函数去计算，比如样本的平均值、中位数、线性回归值等。这个包的作者强调它是“实验性”的，意味着用户可以根据自己的策略需要，把采样后的数据接到任何后续交易逻辑中。

总体上，这个工具解决了传统技术指标“一根均线打天下”的僵化问题。它允许你在同一个图表下，自由切换多种采样粒度，从而让趋势判断、支撑阻力识别、网格分位数计算等变得更加灵活。

名词解释

1. 重采样（Resampling）： 将原始价格序列按照新的规则重新划分的过程。例如，把每5根分钟K线合成一个样本，或者把每固定时间间隔的数据打包成一个新样本。重采样后得到的新序列可以改变原始数据的密度和特征，是构建多尺度分析的基础。

2. 采样率（Sample Rate）： 指每个输出样本所对应的原始数据量或时间长度。采样率越高，表示每个样本包含的原始数据越少，过滤曲线越灵敏；采样率越低，曲线越平滑，但反应越迟钝。

3. 过滤器（Filter）： 在技术分析中，过滤器是一种数学变换，用于提取价格趋势或平滑噪声。常见的过滤器包括简单移动平均、中位数滤波、卡尔曼滤波等。本文中的“过滤值”就是在重采样后计算出的平滑结果。

4. BPS（每样本K线数，Bars Per Sample）： 一种采样方式，直接指定每个样本由多少根K线组成。比如BPS=15，意味着每15根K线计算一个输出值。该方法只关心K线根数，不关心实际时间跨度。

5. 周期偏移（Cycle Offset）： 在重采样时，采样的起点在原始周期中的位置偏移量。例如，在每小时周期里，偏移量0表示从整点开始，偏移量0.5表示从第30分钟开始。周期偏移可改变过滤曲线的相位，用于消除因起点固定带来的信号时滞。

6. 价格区间重采样（Range-based Resampling）： 一种按固定价格波动幅度生成样本的方法。每当价格从上一个采样点起波动了设定值（如10美元），便产生一个新样本。这种方法能自动压缩无波动时段，突出价格的重要变动。

策略思路讲解

这个“重采样过滤器包”不直接给出买卖信号，而是提供了一套“预处理工具”。它的逻辑可以拆解为三层。

第一层是数据重构。原始K线是离散的，且受制于固定周期。如果我们想观察“平均持仓成本”或“市场情绪温度”，固定周期K线往往带有噪声。比如，在活跃时段，5分钟K线能画出很多小阴小阳，掩盖了背后的主趋势。重采样的第一步就是把这些零碎的K线合并成更大的“逻辑样本”。BPS方式的合并逻辑是“够数了就成为一个样本”，类似股市中的“换手率到达一定比例后形成新阶段”；Interval方式的合并逻辑是“时间到了就成为一个样本”，更符合日历时间分析。

第二层是过滤计算。重采样得到的样本数据是原始价格的聚合，还需要一个平滑函数来计算“代表性数值”。这个包没有规定具体用哪一种过滤函数，它刻意保持开放，让用户自己组合。通常的做法是取样本内价格的平均值，或者取中位数以抵抗极端值的影响。更高级的过滤可以是最小二乘线性回归的截距，也就是该样本内价格的加权重心。过滤值连接成线后，可以视为一种“自适应均线”。

第三层是周期偏移的微调。这是这个包最有趣的地方。周期偏移可以让你人为地把采样窗口“错开”半个周期。比如在周线上，普通指标从周一开盘开始计算，而偏移后可以从周三开始计算。于是你会得到两条不同的平滑线。当两条线产生交叉或发散时，就可以辅助判断市场节奏的变化。换句话说，周期偏移提供了“时间相位”这一维度，让过滤器从二维空间扩展到三维。

在实战中，这个包有几个常见用途。

• 趋势跟踪：将BPS设置得较大，例如BPS=30，过滤掉短周期波动，只留下中期趋势。过滤值向上时做多，向下时做空。
• 网格交易：使用基于价格区间的重采样方法，设定区间宽度为当前波动率的某个倍数。每个新的样本就代表一个网格层，价格触碰到样本边界时，可以考虑网格加仓或减仓。
• 多时间框架确认：同时使用BPS=5和BPS=20的两条重采样曲线。当短期曲线上穿长期曲线时，视为趋势转强信号，反之转弱。
• 研究实验：由于是实验性工具，交易者可以拿它来测试不同的“时间扭曲”方式对策略收益的影响。比如，把传统均线指标套用在重采样曲线上，观察是否比原始K线上的指标更稳健。

需要注意的是，这个包本身不会告诉你怎么过滤、怎么交易。它更像是一个“万能的扳手”，能不能拧出好螺丝，还要看你的手感和策略逻辑。

优点

1. 灵活性极高：用户可以在同一个图表内自由切换BPS、Interval和基于价格区间的重采样模式，不需要切换图表周期，就能获得不同时间尺度的视图。
2. 支持周期偏移：这一设计打破了传统指标从固定起点计算的习惯，让交易者可以实验不同相位下的信号，从而找到最适合当前品种的“时间校准”。
3. 过滤噪声效果好：尤其是按K线根数或价格区间采样时，那些成交量稀少、价格无意义的横盘会被自动压缩，过滤后的曲线只反映真实波动。
4. 适合与网格策略结合：重采样后的稳定曲线天然可以作为网格上界、下界和分位数的计算基准，有助于网格交易的自动化和参数化。
5. 研究与教学价值高：作为一个实验性工具，它能够直观展示“重采样”对价格形态的影响，帮助初学者理解多时间框架分析的本质。

缺点

1. 参数调整复杂：采样率、周期偏移、过滤算法三者相互影响，没有明确的最优组合。用户需要大量回测才能找到稳定参数，普通交易者难以驾驭。
2. 信号滞后明显：所有过滤器都是对历史数据的平滑处理，采样率越低（样本越粗），滞后越严重。特别是在快速反转行情中，重采样曲线可能还在延续旧趋势。
3. 依赖市场环境：重采样过滤器的表现在趋势市场中很好，但在震荡市中，可能把噪声放大成假信号。按时间间隔采样在非交易时段会产生无效样本，导致数据失真。
4. 公开资料不完整：由于该包的原始说明被截断，第三种重采样方法的具体规则并不明确，用户在使用时可能会对输出结果产生误解。
5. 计算资源占用较高：重采样过程需要对每根K线进行遍历和分组，在高频数据或图表上运行时，可能影响平台流畅度。

起源年份考证

“重采样过滤器”作为一种技术分析方法，其根源可以追溯到更古老的“多周期分析”和“数据平滑”理念。由于该策略为公开发布的研究实验，我们只能考证“该类方法”的时间线，而非该脚本的具体发布年份。

• 1970年代：技术分析界开始系统使用移动平均线过滤价格噪声。此时所有均线都基于固定时间周期，不存在“重采样”概念。
• 1980年代中期：个人电脑普及，交易者开始尝试将不同周期的K线叠加在同一图表上，形成“多时间框架分析”的雏形。这是重采样思想的早期萌芽。
• 1990年代：点数图（Point & Figure）和Renko图等价格区间型图表重新受到重视。它们本质上就是“基于价格区间重采样”，是当前Range重采样的前身。
• 2000年代：在线交易平台逐渐支持自定义K线周期，一些量化研究者开始编写脚本来实现任意时间间隔的重采样。此时“重采样”从图表功能变成一种可编程的策略工具。
• 2010年代之后：公开交易社区中出现了大量实验性指标，其中就包括DonovanWall的“Resampling Filter Pack”。这类工具将“采样率”“周期偏移”“多种过滤函数”组合在一起，标志着重采样过滤器作为独立策略组件走向成熟。虽然无法获得该脚本的精确发布时间，但可以确定，其思路属于21世纪第二个十年中量化交易社区的主流探索方向。

改进建议

1. 引入自适应采样率：根据市场的实际波动率（如ATR）动态调整BPS或Interval参数。波动大时增加采样率，波动小时降低采样率，从而避免固定参数导致的失真。
2. 提供多种内置过滤函数：除了平均值和中位数，可加入加权移动平均、Hull移动平均、卡尔曼滤波等。不同过滤器适合不同交易风格，用户可一键切换，节省自行编写公式的时间。
3. 增加信号确认模块：重采样曲线不应单独使用。建议在后续版本中加入成交量确认、动量背离检测等功能，只有当过滤值和成交量共同确认时才发出有效信号。
4. 优化周期偏移的自动对齐：允许用户设置“事件驱动偏移”，例如以当日开盘、上一日高点或宏观经济数据公布时间为准，自动计算最佳偏移量，减少人工试错。
5. 增强数据末端稳定性：重采样在处理最后一个不完整样本时容易产生跳变。建议加入样本置信度权重，当样本内数据不足时，降低其影响，避免信号在收盘前剧烈波动。
6. 增加回测输出界面：将采样率、过滤值、周期偏移等参数与历史收益进行关联测试，帮助用户直观看到每套参数在不同市场状态下的表现，而不是只输出一条曲线。

总结

“重采样过滤器包”是一把精致的瑞士军刀，它用重构K线的方式重新定义了“时间周期”的含义。无论是按K线数量采样、按时间间隔采样，还是按价格区间采样，它都把选择权交还给交易者。配合可调节的周期偏移，我们不再被动接受图表周期，而是主动设计自己的数据观察窗口。

当然，工具再锋利，也要看持刀人的运用。重采样过滤器并不能直接产生稳定的收益，它更像是一个研究平台。要想真正发挥它的价值，你需要在模型中注入自己对市场的理解，并做好充分的回测与风险控制。如果你是一个热爱探索交易底层结构的读者，这个工具值得你花时间去实验；但如果你只是想找一个“一键下单”的黑盒系统，它可能会让你失望。

毕竟，在金融市场的噪声中，真正的过滤器从来不是某个数学公式，而是你对风险与期望的权衡。