如何测试假突破？
什么是“假突破”，以及为何测试需要假设
假突破指市场走势最初看似突破了预设边界（例如先前区间的高点或低点），但随后失败——通常在选定的时间窗口内反转回边界之内。测试之所以重要，是因为“假”这一标签并非自动成立：它取决于定义（边界是什么）、测量规则（在多长时间内判断）以及上下文（市场状况）。
一个有用的起点是提出一个可检验的假设，以区分机制与变异性。例如，与其假设“假突破有利可图”，不如提出一个可衡量且可证伪的假设，例如：在特定图表条件下，价格在 X 根K线内返回原边界内的概率高于基准概率。
这种方法保持信息性，专注于验证而非预测。
机制：将“假突破”转化为可测量事件
要测试任何内容，都需要一致的操作定义。一个实用的事件定义通常包括：
- 边界定义：你要测试的确切水平是什么？它可能是先前区间的高/低点、先前的摆动水平，或由近期价格构建的水平线。关键是该边界必须基于不使用未来信息的时间点来定义。
- 触发（突破）规则：什么算作“突破”？常见选择包括首次收盘价突破该水平、首次触及该水平，或价格首次超过该水平至少一个小缓冲值。
- 假突破确认规则：何时判定其失败？例如，你可以将失败定义为之后价格再次返回原始边界内，判断依据为时间窗口（例如，在 N 根K线内）以及可能的第二个规则，如收盘价返回。
- 判断窗口：时间窗口的长度至关重要，因为不同的窗口会显著改变结果。应在查看结果前确定 N 的值。
一旦设定这些条件，每个潜在事件将被归类为 真实突破（在你的确认规则下突破成立）或 假突破（在你的确认规则下失败）。
可独立验证的测试设计
设计测试的一种清晰方法是包含五个部分：假设、基准、数据拆分、成本假设和稳健性检查。
1) 假设
以概率或比率形式写出假设。示例结构：
- “在事件定义 A（边界、触发、确认、时间窗口）下，满足条件 C 的案例中，假突破结果的比例高于基准 B。”
条件 C 是你避免混合不同市场状态（趋势与震荡、高波动与低波动）的方式。
2) 基准
测试需要一个比较基准。基准可以很简单：
- 同一数据集内的随机基准：将假突破率与从整体基础率推导出的朴素预期进行比较。
- 时间匹配基准：将相似时间或相似波动带内选择的事件进行比较。
应明确写出确切的基准方法，以便他人可复现。
3) 数据拆分（避免过拟合）
至少使用两个拆分：
- 样本内周期：用于验证你的事件定义并选择参数。
- 样本外周期：用于测试最终定义，不再进行进一步调整。
还应考虑按市场状态代理变量拆分，这些变量可仅从价格计算得出，例如波动率水平或趋势强度，前提是能不使用未来数据定义它们。
一种常见失败模式是反复调整参数（时间窗口、缓冲大小、边界构建）直到在某一周期图表“看起来正确”。数据拆分可降低该风险。
4) 成本和执行假设（即使是概念性测试）
即使你测试的是概率而非利润，当人们将测试转化为实际规则时，成本和执行假设仍然重要。应将成本视为可保守包含的变量。
至少应记录以下假设：
- 有效点差或交易成本模型：使用每事件固定成本，或基于数据集中典型条件推导出的成本。
- 滑点模型：决定成交价是突破时的价格、下一根K线开盘价，还是其他规则。该选择会影响确认发生的频率。
如果你不建模执行过程，可能会得出无法在真实交易机制中成立的结论。
5) 稳健性检查
稳健性检查测试当逐一改变一个选择时，结果是否持续存在：
- 改变判断窗口（例如，在选定窗口周围变化 N）。
- 改变用于“突破”确认的缓冲（无缓冲 vs 小缓冲）。
- 使用替代边界构建方法（相同事件逻辑，不同定义水平的方法）。
- 分别检查不同市场状态（趋势期 vs 震荡期）。
如果在微小变化下表现崩溃，则该模式可能敏感而非结构性。
证据或示例：测量内容与报告方式
你可以以不依赖未来预测的方式报告测试结果。
关键指标
常见指标包括：
- 假突破率：满足假确认规则的事件比例。
- 条件假突破率：每个市场状态分组内的假突破率。
- 与基准的校准：使用简单差值和不确定性范围将假突破率与基准进行比较。
不确定性与样本量
小样本会产生不稳定估计。报告事件数量（事件数）并包含不确定性（例如，比率的近似置信区间）。否则，“它有效”可能与偶然性无法区分。
避免前瞻偏差
一种常见失败模式是意外使用突破后数据构建边界。确保用于定义边界和事件触发的每个输入都基于突破发生前可用的信息。
局限性与风险：至少一种实质性失败模式
即使设计良好的测试也有局限性。以下是需要考虑的实质性局限性：
- 定义风险（测量模糊性）：“突破”、“返回”和选定的时间窗口可能改变事件标签。两位研究人员使用略有不同的规则可能得到不同结果。
- 市场状态依赖性：在震荡条件下出现的机制可能不适用于趋势条件。跨状态测试是必要的，以避免将特定状态效应误认为普遍规律。
- 成本与执行不匹配：基于概率的结论可能在转化为交易规则时失败，若实际成交、点差或延迟不同。
- 通过参数调优导致过拟合：若反复调整参数以最大化同一数据集上的结果，可能发现无法泛化的模式。
还需注意一个更广泛的局限性：历史关系不能确立未来结果。测试可能验证过去特性，但不意味着其将持续存在。