如何测试角色反转？
直接答案：建立可检验的假设
角色反转是一种关于市场在关键水平改变角色后如何反应的主张（例如，先前表现为阻力的水平后来表现为支撑，或反之亦然）。要测试它，你需要一个可衡量的假设、一个回答“若无此效应会怎样”的基准，以及一个防止虚假确定性的数据计划。
一个实用的测试设置包含五个部分：（1）定义你要衡量的“角色变化”的确切模式；（2）指定一个基准比较；（3）以反映你实际使用该策略的方式划分数据；（4）在任何绩效衡量中包含交易成本和执行假设；（5）进行稳健性检查，以确认结果并非由单一市场状态或单一数据集驱动。
机制或定义：你实际在衡量什么
在讨论影响之前，需用可操作的术语定义该概念。
- 定义水平和角色变化事件
- “水平”应使用可一致应用的规则来定义（例如，最近观察到的摆动高点/低点，或预设的价格区间）。
- “角色反转”应定义为一个事件，而非一种感觉。例如：当价格重新回到某一水平后，你衡量后续走势是否更符合“新”角色而非“旧”角色。
- 定义可衡量的结果
常见的可衡量结果包括：
- 方向性偏差：事件后价格走势是否更频繁地符合假设的新角色。
- 幅度：事件后的走势是否比基准更大或更小。
- 失效时间：新角色失效的速度有多快。
-
定义失效规则
一个常见的失败模式是测试“过于宽容”，导致几乎所有情况都被视为成功。你应明确定义失效条件（例如，最大不利波动，或当价格突破并在此后特定窗口内未返回时，视为新水平“失效”）。 -
区分稳定机制与可变条件
角色反转的机制在概念上可能是稳定的（水平被重新测试，参与者做出反应），但观察到的表现取决于可变因素，如市场波动性、交易时段流动性，以及“水平”识别的精确程度。你的测试应聚焦于你所主张的关系，而非某一有利环境。
证据或示例：建立基于基准的评估
以下是一种结构化测试的方法，无需假设未来结果。
假设（示例模板）
- 假设：在定义水平发生角色变化事件后，后续价格走势相对于基准表现出可衡量的改善。
- 可衡量的改善：选择一个结果指标（例如，在特定时间范围内方向一致的概率，或在失效前的平均有利走势）。
基准（“无效应”意味着什么）
基准可以是：
- “随机事件”基准：在未按你定义发生角色变化的时间窗口或水平上应用相同程序，计算结果。
- “前一阶段”基准：使用相同的测量框架，将新角色阶段与角色行为相反的早期阶段进行比较。
- “始终追单”基准：与一个简单规则（例如，将每次重新测试都视为成功）比较，以揭示你的角色变化定义是否真正增加价值。
关键是基准使用相同的测量窗口和规则，因此差异反映的是角色变化定义本身，而非方法论。
数据划分（减少泄露和过拟合）
使用反映时间顺序的划分方式：
- 训练/选择（历史数据）与测试（后续数据）分离。
- 可选：滚动或前向滚动评估：在一段数据上选择规则，并在下一段上测试。
避免使用同一事件既定义规则又评估结果。数据泄露是导致测试看似可信但在实践中失败的常见原因。
成本和执行假设（将想法转化为现实衡量）
即使你不模拟交易，你的评估也必须说明影响结果的假设：
- 买卖价差和滑点可能改变实际结果，尤其是在失效水平较近时。
- “事件时间”的定义很重要：你是否假设在触及水平时、K线收盘时，或在某些确认后做出决策。
一个稳健的测试应报告敏感性：当你放宽成本假设或按固定规则延迟入场时，结论是否仍然成立？
稳健性检查（证明其不脆弱）
运行多个不应被调优以达到显著性的检查：
- 参数敏感性：在合理范围内改变时间范围和失效阈值，观察效应是否持续。
- 市场状态敏感性：比较高波动与低波动时期的结果。
- 市场条件敏感性：比较不同流动性时段的结果。
可信的结果是在不同划分中方向和幅度的一致性，而非单次高表现运行。
局限性和风险：可能出错的地方
角色反转测试常因与概念无关的原因而失败。
-
选择偏差和过拟合
如果你选择水平定义、时间范围或失效规则以最大化历史数据结果，你可能只是捕捉到了噪音。前向滚动测试和严格分离有助于缓解，但你仍需报告多少内容是基于训练数据决定的。 -
非平稳性
金融关系可能变化。某一时期看似强烈的趋势可能在后期减弱或反转。你的测试计划应避免暗示未来的可靠性。 -
水平识别模糊
定义“水平”的不同规则可能导致事件数量和结果大不相同。如果水平规则的微小变化显著改变结果，该概念可能更多反映的是方法论而非市场行为。 -
隐藏成本和执行现实性
回测可能因假设有利的成交时机或忽略价差而高估结果。即使微小假设也可能显著影响评估，尤其是在接近失效阈值时。 -
市场状态依赖作为失败模式
有时角色反转“仅在特定条件下有效”（例如，特定波动率环境）。这仍是可用信息，但也是局限：该概念变为条件性而非普适性。
验证或下一个问题：如何报告以便他人复现
为实现独立验证，应以可复现的方式报告以下内容：
- 你的角色变化事件的操作定义。
- 你的水平规则和失效/纳入标准。
- 精确的基准比较方法。
- 数据划分方法（包括时间边界）以及是否有参数被调优。
- 成本和执行假设，以及结果对这些假设的敏感性。
- 稳健性检查及假设变化时结果的变化。
首次测试后的下一个好问题不是“它预测得准吗？”，而是“在哪些明确条件下它会失效？”