验证股市图表重复性理论
这篇文章的灵感来源于一个观点：股市图表的所有历史片段都会重复出现，因为市场参与者的行为遵循典型模式。如果将所有这些图表数字化，就能在当前时刻找到相似的历史片段，并预测近期价格走势。
特别是加密货币交易员伊戈尔·安德烈耶夫的Telegram频道经常附上历史图表片段来预测价格走向，这给了我启发。
假设：如果找到与当前走势相似的历史图表片段，就能高概率预测后续价格行为。
我决定用Python工具来验证这个理论。
数据准备
从ByBit现货市场下载CoinMarketCap前50名中随机30种加密货币的OHLCV历史数据，测试使用1分钟时间框架。
手动筛选图表片段作为匹配模板，选择标准是：带有明显成交量激增的下跌段，后续回调幅度为跌幅的0.4-0.5倍。如图中蓝色标注区域所示。
由于模板来自不同币种，测试也将在不同币种进行，所有OHLCV值都归一化为0到1的相对值。
回测逻辑
在历史数据中搜索与模板匹配的片段。使用Python多种相似度算法进行对比：
- 余弦相似度(Cosine)
- 皮尔逊相关系数(Pearsonr)
- 斯皮尔曼相关系数(Spearmanr)
- 欧氏距离(Euclidean)
- 曼哈顿距离(Cityblock)
- 均方误差(MSE)
- 平均绝对误差(MAE)
- 马氏距离(Mahalanobis)
- JS散度(Jensenshannon)
经过测试，最终选择余弦相似度作为核心算法，相似度阈值通过实验确定。
当找到匹配片段时，模拟做多交易：
- 止损设在低点下方
- 止盈目标为跌幅的40-50%回调位
- 风险收益比设为1:3
- 记录每笔交易结果
初步结果
在CMC前50的30种币种上测试了约300个模板，共计3000多次测试。每种币平均约180万根1分钟K线（超3年数据）。
关键数据：
- 30%测试的胜率(WinRate)超过25%（RR=1:3时盈亏平衡点）
- 平均胜率22.3%，中位数21.7%
- 标准差10.5%，表明部分模板表现优异，部分较差
作为对比，随机策略在1:3风险收益比下通常只有15-17%胜率。
成功案例：
失败案例：
后续计划
测试和分析仍在继续。作者省略了软件开发中的诸多技术细节。
部分模板的实时跟踪测试已在Telegram频道进行（t.me/pattern_cha…)
欢迎对改进研究方法或技术实现有建议的读者联系交流。如果这个理念引起您的共鸣，请关注后续进展并分享您的见解。
