评估 Frama 需要哪些数据？
直接答案
要以可靠且独立的方式评估 Frama，您需要收集以下内容：(1) 您将使用的指标定义，(2) 精确的输入数据序列和时间框架，(3) 参数值以及任何预处理规则，以及 (4) 有关数据质量和失效模式的证据。由于结果取决于市场状况以及数据和计算的执行方式，您还应记录数据的局限性，并避免将历史行为视为对未来表现的预测。
机制或定义
Frama 是一种移动平均线概念，依赖于历史价格信息，并根据市场特征（例如，近期价格看起来是“平滑”还是“易变”）调整其行为。要评估它，仅靠一张图表截图是不够的。关键在于将稳定的机制（给定输入下公式的行为）与可变条件（您输入的内容以及这些输入的生成方式）区分开来。
通常所需的最小输入集包括：
- 使用的价格序列（通常是明确定义的来源，如开盘价、最高价、最低价、收盘价，或衍生价格）。需明确说明来源。
- 采样时间框架（例如，1 分钟、1 小时或日线）。在比较时应保持此框架不变。
- 回顾周期长度以及您选择的特定 Frama 定义所需的其他任何参数。
- 处理缺失K线或不规则交易数据的规则（例如，是否前向填充缺口、丢弃或重采样）。
任何计算的假设都必须明确记录。如果您无法准确说明价格序列、时间框架和参数值，就无法有意义地比较两个 Frama 结果，即使它们的曲线看起来相似。
证据或示例
建立信心的一个实用方法是使用您可以检查的离线数据进行结构化清单检查。例如：
-
来源检查
记录您的价格数据来源（数据供应商/平台 vs. 经纪商导出），并确认其是否与您打算分析的同一金融工具规格匹配。然后验证该序列在您测试的期间内是完整的。 -
时效性检查
即使不用于实时交易，也要确认数据反映了您假设的正确K线边界。如果您的数据集后续被更新或修正，结果可能会改变。请注明数据集版本或获取日期。 -
质量检查
进行基本的一致性检查：是否存在异常大的缺口、重复的相同K线或异常尖峰？这些问题可能会扭曲自适应计算。 -
敏感性检查（在假设范围内）
使用相同的概念但每次仅调整一个变量（时间框架或一个参数）重复 Frama 计算。如果输出在微小且有记录的变化下发生剧烈变化，则这是需要承认的重要局限性。
重要的是，您不只是“得到一条好看的线”，而是能够从相同的输入中复现相同的输出，并能解释当输入变化时为何输出会变化。
局限性和风险
多种失效模式会影响任何自适应移动平均方法：
- 数据局限性：缺失值、重采样差异或不一致的价格定义可能会显著改变计算出的曲线。
- 市场状态依赖性：历史行为可能反映过去的波动性或趋势结构。在一个时期看似稳定的关系，在市场条件变化时可能会减弱。
- 执行和成本：即使 Frama 仅用于评估，实际盈利能力仍取决于交易成本和执行条件；这些与指标的计算是分开的。
- 人为解释风险：将该指标视为独立信号可能导致过度自信，尤其是在无法在样本外验证其表现时。
此外，历史关系并不能确立未来结果。如果您在不同金融工具或时间框架之间比较 Frama，则每次都必须记录相关假设。
验证或下一步问题
要独立验证有关 Frama 的信息，您应能为您的确切设置回答以下问题：
- 您使用的是哪个确切定义（公式或文档化描述）？
- 计算使用的是什么价格序列和时间框架？
- 哪些参数值是固定的，哪些是可变的？
- 如何处理缺失或不规则的K线？
- 您是否有可复现的路径：相同输入是否应产生相同 Frama 输出？
如果您愿意，可以提供您选择的参数值、时间框架以及使用的精确价格字段（例如，哪个 OHLC 组件）。然后您可以检查在相同假设下，不同来源或数据集是否会产生相同的 Frama 输出。