如何测试失败突破
以可测试方式定义“失败突破”
“失败突破”指价格突破某一预设水平（即“突破”）后，行情未能持续朝预期方向发展，随后价格重新回到先前区间内的情形。要测试这一概念，必须将其转化为可量化的规则集合。
一个可测试的定义需包含四个部分：
- 水平位：具体被“突破”的是什么（例如，回溯窗口内的最高收盘价，或特定的水平边界）。
- 确认时刻：什么构成突破（例如，首次收盘价突破该水平，或盘中首次触及加上收盘条件）。
- 失败条件：什么构成突破“失败”（例如，价格在指定K线数量内重新回到该水平以内）。
- 时间框架：在多长的时间范围内衡量失败，以及在多长的周期内衡量结果。
若缺少这些要素，该概念将无法独立复现。两位分析师可能都说测试了“失败突破”，但实际上他们测试的可能是不同的事件。
直接答案：如何测试
你可以通过一个以假设驱动、基于规则的工作流程来测试失败突破，将稳定机制与可变条件区分开来。
步骤1：提出可证伪的假设
提出一个精确且可证伪的陈述。示例结构（不预设盈利性）：
- 假设：当价格突破某一定义水平后，在 H 根K线内重新回到先前区间内的概率，与选定基准存在差异。
注意措辞：你是在测试一种关系（概率或平均收益的差异），而非预设其方向。
步骤2：选择一个能回答“是否特殊”的基准
基准可防止你将普遍的市场行为误认为是突破特有的效应。常见的基准选项包括：
- 随机时间基准：将相同失败窗口与随机选取的时间点进行比较。
- 非突破基准：比较未突破该水平但其他方面相似的事件（如相同波动状态、相似交易时段等）。
- 置换水平基准：调整水平定义，使其不再与真实历史结构对齐。
你的基准应以规则形式表述，而非主观印象。
步骤3：为任何计算定义假设
即使你不计算资金结果，也应为可衡量结果定义假设：
- K线定义：信号是基于收盘价、盘中高低点，还是两者结合？
- 回溯窗口：你回溯多长时间来计算该水平？
- 失败周期：突破后多少根K线内算作“失败”？
- 结果度量：衡量返回区间的概率、平均不利波动、最大回撤或返回时间。
若你计算类似交易的结果，则必须包含摩擦因素：
- 成本：点差/手续费作为每笔交易的固定估计值或范围。
- 执行：假设在突破水平时成交，还是在K线收盘时成交。
由于实际成交存在差异，应将成本/执行输入视为可进行压力测试的假设，而非事实。
机制检查：构建事件数据集
测试失败突破的一种实用方法是将规则转化为事件数据集。
- 事件生成：扫描历史K线，记录每次突破规则触发的时刻。
- 事件标注：对每个事件，标注其在 H 根K线内是否满足失败条件。
- 特征记录（可选但有用）：存储上下文变量，如先前区间大小、近期波动率、触发时距离水平的距离等。
这将概念转化为一个可用明确指标分析的数据集。
数据分割以减少误发现
使用一种反映你决策方式的分割策略：
- 训练（或开发）集：用于选择参数（如回溯长度、突破确认规则、失败周期）。
- 测试集：固定参数后仅评估一次。
- 可选验证集：使用第二个保留期进行确认。
若你反复根据测试期表现调整参数，将面临过拟合风险，无法声称独立验证。
成本与可变条件：应包含的内容
即使在信息性测试中，你也需反映结果会随市场条件和摩擦因素而变化。
需考虑的可变因素
- 波动状态：突破在高波动与低波动时期可能表现不同。
- 流动性与点差：更宽的点差可能改变结果度量的实用性。
- 执行时机：基于盘中走势的信号可能在K线收盘时无法执行。
- 司法管辖区与平台行为：不同交易场所可能影响数据质量和执行规则。
由于此处不假设实时数据，关键步骤是将这些因素建模为情景。例如，在多种合理的成本水平或成交时机假设下运行相同测试。
将成本作为不确定性范围
不要使用单一“真实”成本，而应创建一个敏感性表：
- 低成本假设
- 中等成本假设
- 高成本假设
然后检查你的主要结论是否严重依赖某一情景。
证据与示例：应衡量的内容
你可以通过至少以下一种度量来支持评估：
- 失败率：在 H 根K线内重新回到区间内的突破比例。
- 平均失败时间：失败发生的速度。
- 回撤深度分布：价格通常回撤多远。
- 基准比较：失败率与基准事件集的差异。
基于规则的评估示例（含明确假设）
假设：
- 水平 = 最近 N 根K线的最高收盘价。
- 突破触发 = 首次收盘价高于该水平。
- 失败 = 价格在 H 根K线内重新收于该水平以下。
- 结果 = 失败标签（是/否）。
然后测试：
- P(失败 | 突破触发) vs P(失败 | 基准触发)。
这可隔离机制：在你定义的规则下，突破到失败的关系是否存在？
必须指出的局限性与失败模式
正确的测试不等于结论性测试。至少应明确讨论一种实质性局限性或失败模式。
常见失败模式
- 定义泄漏：失败周期与突破定义方式重叠，导致人为相关性。
- 参数过拟合：结果改善是因为参数在用于报告性能的同一数据上进行了调优。
- 状态依赖：该效应可能仅在特定波动或趋势条件下存在，其他情况下消失。
- 幸存者与选择偏差：若仅在看到结果后保留事件，将导致数据集偏差。
- 摩擦错配：若忽略成本/执行假设，测试可能描述的是理想化结果，而非现实结果。
历史结果不保证未来
即使某一关系在历史数据中具有统计显著性，也不能保证未来结果。市场会变化，相同规则可能表现不同。