从“图形感觉”到“可执行策略”：第三周 EVO 实战复盘 —— 双底反转形态的全市场回测与迭代
第三周的 EVO 任务，让我真正体验了一次从“主观判断”到“量化策略”的完整闭环。这次我们选了一个经典得不能再经典的形态——双底反转。
过去看到双底，通常只能凭经验判断“这里可能要反弹了”。但感觉无法回测，更无法复制。于是第三周的目标非常明确：把图形语言翻译成策略规则，扫描全市场，统一回测，让数据告诉我们答案。
一、先让“研究助手”看懂我要什么
第一步，我在研究助手中上传了双底形态示意图，并要求它模拟专业 A 股技术分析师的视角。
它并没有简单给出“看涨”结论，而是追问了一系列关键问题：
- 什么样的双底才算有效？
- 突破颈线是否需要成交量配合？
- 突破后回踩，什么位置适合入场？
- 跌破哪里必须止损？
这些问题，恰恰是“看图说话”最容易忽略的部分。
二、把“看起来像”变成“可计算”
研究助手最终输出了一套可执行的逻辑流程：
- 扫描约 60 根 K 线；
- 寻找两个价格接近、间隔合理的低点；
- 以两低点之间的最高价作为颈线；
- 突破颈线时，成交量需放大至近 20 日均量的若干倍数；
- 突破后可等待回踩确认再介入；
- 设置明确的止损与止盈条件。
这些参数不是“标准答案”，而是策略的第一版假设。后续必须通过回测验证其适用性与稳定性。
三、核心变化：不再看个股，而是扫描全市场
这次最大的升级是：策略不再服务于某一只“典型成功案例”，而是每天扫描全市场所有符合条件的个股。
这样做的好处非常明显：
- 更接近真实交易场景；
- 能检验策略在不同股票、行业、市场状态下的表现；
- 更能暴露信号质量、资金分配、滑点与 T+1 等实际影响。
回测界面也清晰地展示了累计收益、基准对比、回撤曲线、夏普比率等关键指标。
这让我意识到：只有把样本量拉大，才能判断形态是否具有普遍性，而不是幸存者偏差。
四、第一版结果并不理想，但这正是价值所在
“双底突破反转策略·草稿 1”的回测表现并不漂亮，甚至有些惨淡。
但这是一个非常有价值的失败。
它让我反思以下几个可能问题：
- 低点识别过于宽松，纳入大量无效图形；
- 突破确认不足，容易遭遇假突破；
- 买入时点滞后，错过最佳介入窗口；
- 未考虑涨跌停、滑点和 T+1 限制；
- 固定持有期不适用于所有个股；
- 缺乏大盘趋势过滤，逆势信号质量低。
这也是 AI 辅助量化最容易被误解的地方：它可以很快帮你写出规则，但规则是否能盈利，必须接受回测的检验。结果不好，不是失败，而是告诉你下一步该改哪里。
五、迭代优化后的结果与思考
在 AI 的辅助下，我们对规则进行了多轮调整，包括：
- 收紧低点识别条件；
- 增加成交量确认机制；
- 优化入场与离场逻辑；
- 加入大盘趋势过滤；
- 根据回测结果动态调整持仓周期。
第二版策略的回测结果明显改善，但更重要的是，我们保留了每一次失败的版本。
只看盈利截图，容易把偶然当能力；保留失败，才能真正理解策略开发是一个不断验证假设的过程。
六、这次体验最让我惊喜的三点
1. 从图形到规则，有人帮你“翻译”
“双底”是人眼容易理解、程序却难以执行的概念。研究助手把它拆解为距离、时间、量价、回踩等可量化条件，让后续回测有了明确起点。
2. 全市场扫描让结果更真实
不是研究某只股票“有没有成功”，而是让系统每天寻找所有符合条件的股票。这种方式更像一个真正的选股策略，也更容易暴露样本数量、行业集中和行情切换的问题。
3. 回测界面不只是看“赚不赚钱”
累计收益只是一个结果，最大回撤告诉你过程中可能承受的风险，夏普比率衡量风险调整后的收益，胜率则揭示策略是否依赖少数几笔大赚。这些指标放在一起，才能看清策略的“真实面目”。
最后总结
第三周的任务，让我真正理解了 “策略”和“想法”之间的鸿沟。
一个 K 线形态只是起点，真正的策略还需要回答：
- 什么时候买？
- 买哪些股票？
- 买多少？
- 什么时候卖？
- 亏多少止损？
- 多个信号如何处理？
- 历史结果是否经得起重复验证？
这次完整流程可以概括为：
K 线图片 → 研究助手识别 → 明确交易规则 → 扫描全市场 → 全市场回测 → 分析收益与风险 → 迭代优化
对我来说，最大的收获不是某一版策略的收益率，而是终于把“看图判断”变成了 一个可以被机器执行、被数据质疑、被不断改进的研究对象。
下一步，我会继续测试不同市场区间、交易成本和过滤条件，看看这个形态究竟是短期有效，还是能形成更稳定的长期逻辑。
欢迎有兴趣的朋友一起交流讨论，也期待大家的回测经验与迭代思路！
评论