把 Wyckoff 变成可研究、可回测的规则

研究前把模糊术语转成可观测条件。例如 SOS 可定义为：在成熟区间后段，收盘突破预先标定阻力；突破价差超过近期中位数阈值；随后若干柱不重新接受于区间；需求波结果优于前两次上推。定义应保留 Wyckoff 逻辑，同时允许参数检验。

• 必要条件：没有它就不能使用该事件名称。
• 支持条件：提高置信度但不是需要。
• 排除条件：数据异常、换月、事件跳空或高框架冲突。
• 确认窗口：明确需要观察多少时间判断保持。
• 失效条件：事件名称被撤销的客观规则。

操作化定义把自然语言事件转换为可重复的观察规则。以 Spring 为例，需要明确成熟区间如何定义、支撑区域如何建立、何种穿越算跌破、多久内收回、下方接受如何判定、Test 与后续结果的窗口多长。定义不必把所有判断变成机械指标，但需要让另一位分析师知道判断依据。

定义应分为必要条件、支持条件和排除条件。必要条件缺失时不得标注，支持条件用于置信度，排除条件处理新闻缺口、数据异常或前置结构不足。阈值需要在查看结果前确定，并允许 Unclassifiable。过度宽泛会让任何图都符合，过度狭窄则把真实变体排除，二者都需通过样本检验校准。

操作化定义要把自然语言变成可由两个分析师重复执行的规则。例如 ‘有效 SOS’ 需要定义事前阻力、突破幅度或结构条件、接受窗口、回测和失效；不能只写 ‘强势突破’。定义不必完全机械，却需要说明哪些部分由数据计算，哪些需要人工判断。

把“候选事件”和“已确认事件”分开；同时记录 Phase、位置、方向、置信度和数据质量。多位标注者应先独立标注，再计算一致率并讨论分歧。若只保留事后完美案例，模型会高估可识别性。

事件名称体系应保存事件在当时的状态，而不只保存事后答案。可使用 Potential、Confirmed、Invalidated 和 Unclassifiable，并附标注时间、分析框架、数据版本、关键边界与理由。Phase 与结构类型也应分别记录，避免一个‘Spring’事件名称暗含最终一定是 Accumulation。

多人标注时先独立完成，再计算一致率并讨论分歧。分歧可能来自边界规则、时间框架、数据口径或真正模糊的市场行为；不能简单用多数票消除。修订事件名称规范后，应重新检查受影响样本并站住版本，使研究结果能追溯到当时使用的定义。

事件名称体系应同时保存事件状态和置信度。Spring Candidate、Confirmed Spring 与 Failed Spring 是不同事件名称；缺少 Test 的样本不能事后因上涨而直接标为成功。每次迁移记录时间戳、可见数据和标注者。多标注者分歧本身是信息，可以暴露定义模糊处。

可回测事件触发、完整交易规则或情景评分。只统计“所有 Spring 后上涨概率”往往忽略成熟度、Test、成本和失效规则，无法代表真实策略。

• 样本定义：品种、时期、时段、流动性和波动制度。
• 基准：与随机边界穿越、简单趋势或同风险被动策略比较。
• 成本：手续费、买卖价差、滑点、借券、资金费率和冲击。
• 重叠样本：同一区间多个事件不能当作完全独立观察。
• 组合实现：信号同时出现时受到资金和相关性约束。

回测单位应与经济事件匹配。若同一 Trading Range 出现三个 Spring 候选，把它们当作三笔独立样本会重复计算同一个 Cause，并低估相关性。更合理的单位可能是 Campaign、区间或策略满足条件的首次触发；重复入场则在交易层单独建模。

样本还要固定观察起点和结果窗口。按事件后十日收益测试，与按 SOS 前是否出现 Test 回答不同问题。退出、费用、滑点和未成交规则需要完整，否则统计的是图表方向而非可交易策略。训练集、验证集和前瞻样本要按时间分开，避免同一 Campaign 跨集合泄漏。

回测单位可以是事件、完整 Campaign、交易机会或标的—时间窗口。选择需要与问题一致：评估 Spring 后十日结果时以事件为单位；评估完整策略时需要包括触发、成本和重叠仓位。把同一 Campaign 的多个事件当独立样本，会夸大样本量并低估相关性。

• Look-ahead Bias：用未来高低点确认当前 Phase，或使用日终才可得数据。
• Survivorship Bias：只使用仍存续品种和成功案例。
• Selection Bias：从已知大行情向前寻找结构。
• Parameter Overfitting：反复修改阈值直到命中历史。
• Regime Leakage：训练和测试跨越相同事件或高度相关时期。
• Label Leakage：用“未来上涨”反向定义 Accumulation。

主要偏差包括前视偏差、幸存者偏差、选择偏差、未来信息泄漏、参数挖掘和出版偏差。使用最终指数成分回测历史会删除退市弱者；用未来高低点决定当时区间边界会泄漏结果；只保存漂亮经典图会高估事件清晰度。每一种偏差都能让 Wyckoff 叙事看起来异常准确。

控制方法是记录当时数据、使用历史成分与公司行动、预先写明规则、盲标注、保留模糊与失败样本，并限制参数搜索。研究报告要同时展示样本数、覆盖市场、成本假设和失效情形。无法完全消除的偏差应披露并通过压力测试评估，而不是用更复杂的模型掩盖。

常见偏差包括前视、幸存者、选择、未来信息泄漏、参数搜索和修订数据。Wyckoff 尤其容易发生最终图泄漏：分析师看到完整走势后重画边界、Phase 和事件，再把这些事件名称当作事前信号。最可靠的防护，是按时间截断记录当时的结构，并让未来数据不可见。

先做样本外时间切分，再做跨品种验证、参数敏感性、成本压力、事件剔除和极端行情测试。结果应报告分布、回撤、容量和失败情形，不只报告平均收益。若规则只能由专家主观执行，则采用盲评一致性和前瞻纸面交易验证，而不是伪装成完全机械回测。

验证从定义冻结开始，经过数据审计、独立标注、一致性检查、探索性统计、训练与验证、样本外测试，再进入小规模前瞻监控。每一阶段都有退出标准；若事件名称一致率过低，应先改定义，而不是直接训练模型寻找盈利。

统计显著并不等于经济可交易。结果要按市场状态、流动性和 Entry Family 分层，加入成本、容量与尾部，并与简单基准比较。前瞻表现若偏离，应检查数据、执行和状态变化，再决定重新校准、暂停或退役。验证是一条生命周期，不是一次漂亮回测。

验证要按时间和市场状态划分，避免随机打散同一趋势中的相邻样本。训练期用于定义与阈值，验证期用于选择模型，最终测试期只使用一次。还应做跨资产、跨波动环境、成本和参数敏感性检查。一个只在单一上涨阶段指数上有效的规则，不能称为 Wyckoff 全市场优势。

模型可用于波段划分、异常量检测、事件候选排序和案例检索；人类负责数据语义、结构背景、替代情景和风险决定。任何自动事件名称都要显示依据，禁止用黑箱分数替代事件解释。

机器适合处理大规模数据、固定规则扫描、波段统计和候选排序，人类擅长识别数据异常、制度变化、复杂上下文和真正不可分类的案例。人机协作应让模型提出候选与可见证据，由分析师负责功能判断、替代情景和最终交易条件。

任何自动生成的事件名称，都要记录模型版本、使用的字段、置信度和解释摘要。分析师覆盖模型时记录理由，长期比较哪些覆盖提高或损害结果。模型不能从最终盈亏反向学习未经审计的‘正确事件’，人也不能借模型分数逃避责任。最好的系统提高一致性，同时保留对异常和结构变化的审慎。

人机协作适合把可计算字段交给机器，把边界质量和竞争情景交给受训分析师。模型可以检测潜在穿越、波段和活动异常，人工负责解释数据制度与结构成熟度。最终得到的判断需要保留来源和版本，避免机器事件名称被误认为客观真相。

固定成交量倍数、TPO 数量、阶段时长和事件胜率，只有在样本、市场、计算口径和样本外结果清楚时，才具有规则价值；其余情况只能视为特定样本下的示例。

阈值会把连续市场行为切成离散事件名称。研究者若在看到结果后调整阈值，会把未来信息写进规则；市场制度变化又会让旧阈值失效。

成立条件　定义在观察未来前完成，训练、验证和留出严格分离，交易成本与无法分类样本都进入统计。

撤销条件　样本外衰减、参数轻微变化导致结果翻转、事件名称一致性低，或数据供应商变更后无法复现时，阈值停止用于交易。

阈值应来自治理流程：先提出经济与行为理由，再在训练数据上估计，经过验证与敏感性检查，最后冻结。阈值不是越精确越科学。若从 1.18 倍改到 1.19 倍就让结果消失，规则很可能依赖样本噪声而不是稳定机制。

事件从候选到确认、失效或无法分类，每次迁移都需要事前条件和时间戳。事件名称库不能只保存最终类别，因为这会删除模型当时面对的不确定性。训练机器时，也应让模型学习状态迁移，而不是用最终上涨或下跌反推事件。

事件名称版本升级要保留旧定义，并在固定样本上重新标注一部分以估计变化影响。若新版只提高历史结果却无法改善前瞻一致性，应防止定义追逐收益。

第一，完整图泄漏使边界和 Phase 事后完美；第二，同一 Campaign 的多个相邻事件被当作独立样本；第三，忽略未成交、滑点与极端跳空。三者都会让胜率、样本量和风险收益同时变好，因而尤其危险。

治理办法分别是截断标注、按 Campaign 聚类或只取第一机会、以及使用下一可成交价和压力成本。没有这些处理，精确统计只是精确地描述事后故事。

稳定规则应在合理参数范围、不同市场和不同波动环境中保持方向一致，而非只有一个阈值峰值。报告要展示参数表面、置信区间、样本数量、成本敏感性和最差环境。若经济逻辑清楚但统计不确定，可以作为研究候选，不能直接进入生产。

上线后继续监控触发频率、执行成本、命中率、分布漂移和失效类型。停用规则也要事前定义，避免亏损时临时关闭、盈利时无限扩张。

表 29-1　研究流程需要保存信息顺序；任何未来数据都不能进入当时事件名称。

研究化不要求把所有图表判断压缩成单一公式，而是要求同一概念在不同样本中采用相同定义。Spring、SOS 和 LPS 的结构位置、必要条件与失效条件应在观察未来结果之前确定。

未来信息泄漏最常见于事后选择边界、根据未来高低点调整事件日期，以及只保留成功案例。可靠研究保存当时可见数据，并允许“不确定”作为独立分类。

回测结果需包含成本、滑点、样本外时期和参数敏感性。Wyckoff 研究的目标是检验某类结构在特定市场与周期中的条件优势，而不是证明一套永远有效的固定形态。