近期我尝试利用 Zorro 内置的决策树模型构建机器学习交易策略。在初步构建的模型中策略未能实现稳定的盈利。经过复盘我认为根本原因主要集中在两点1. 选用的特征缺乏足够的非线性预测能力2. 选择了错误的目标变量。接下来的核心工作将围绕特征工程重构与目标变量调整展开期望通过这一轮优化能够逐步逼近“创建稳定盈利的机器学习策略”这一最终目标。1. 目标变量重构在初步模型中我们简单地将下一笔交易的 PnL盈亏作为目标变量。在传统的量化机器学习应用中人们通常习惯于预测未来特定窗口期的价格绝对变化回归问题或者预测未来价格涨跌的符号分类问题。但大量的实盘经验证明机器学习模型无法精准预测绝对的未来价格。基于此我们必须进行建模思维的范式转换从直接预测价格涨跌转变为测度未来的“市场结构Market Structure”。我们将市场结构划分为三种状态上涨状态标志为 1下跌状态标志为 -1震荡状态标志为 0具体算法如下首先将低通滤波器Lowpass Filter应用于收盘价以提取极其平滑的长期趋势线。随后基于真实波动幅度ATR与波动率乘数构建动态波动率通道。当趋势线上升且收盘价高于通道上轨时将市场状态标记为 1上涨状态当趋势线下降且收盘价低于通道下轨时将市场状态标记为 -1下跌状态其余时间皆标记为 0震荡状态最终我们的目标变量被定义为预测未来一天的市场结构。核心机制解析此时会产生一个技术疑问我们的目标变量包含三个离散水平值-100, 0, 100在调用adviseLong(DTREE)时Zorro 底层是在拟合回归模型还是分类模型直觉上如果是纯粹的多分类模型输出应该严丝合缝地落在 { -100, 0, 100 } 这三个选项上。然而adviseLong的实际输出却是一个受限的连续变量。其底层逻辑在于Zorro 巧妙地将多分类问题转化成了“概率期望值回归”。当决策树根据输入的特征矩阵层层分裂最终到达某个“叶子节点”时例如该节点定义的规则是MACD动能极强 且 均线偏离度适中。假设在该同质化节点中共计落入了 1000 个历史训练样本其中 100 个样本随后进入大涨状态目标值 100其中 50 个样本随后进入大跌状态目标值 -100剩余 850 个样本随后陷入震荡状态目标值 0。Zorro 会计算该叶子节点的目标系统算数平均期望。即(100 * 100 50 * -100 850 * 0) / 1000 5为了更直观地理解我们可以将其梳理为以下图表 ▶ 第一步新数据进入漏斗 (Test Mode: 接收当前最新的一根 K 线) [ 当前特征集 Sigs ] Sig_MACD 45.0 Sig_Vola 1.2 Sig_Dist -0.1 | V ▶ 第二步决策树模型层层筛选 (沿着规则树寻找归属) [ 节点 1 : Sig_MACD 30? ] / \ 是(Yes) 否(No) / \ [ 节点 2 : Sig_Vola 1.5? ] [ 走向其他规则分支... ] / \ 是(Yes) 否(No) / \ 【 叶子节点 A 】 【 叶子节点 B 】 (当前K线匹配该规则落入此桶) ▶ 第三步调取“叶子节点 A”的先验概率 (从 Train Mode 的记忆中提取) ------------------------------------------------------------- | 叶子节点 A (Leaf Node) 档案室 | |-------------------------------------------------------------| | 历史上所有满足 [MACD30 且 Vola1.5] 的 K 线共计 100 根。 | | 根据历史真实走势这 100 根后续状态统计如下 | | | | 状态分类 目标值(Target) 历史分布 经验概率P(x) | | [1] 趋势大涨 -- 100 -- 25次 -- 25% | | [0] 陷入震荡 -- 0 -- 58次 -- 58% | | [-1] 趋势大跌 -- -100 -- 17次 -- 17% | ------------------------------------------------------------- | V ▶ 第四步计算最终数学期望 (Zorro 的连续值转换公式) Output ∑ [ 状态概率 * 状态目标值 ] Output (25% * 100) (58% * 0) (17% * -100) 25 0 - 17 8 | V ▶ 最终结果输出与执行 [ Prediction 8 ] 交给外层交易逻辑进行评判 在当前的特征组合下历史上做多具有净胜概率优势8分。 由于该期望值大于策略设定的入场阈值如5分准许执行做多2. 特征工程与标准化处理在确认了目标变量后我们选取了 5 个不同维度的特征。特征的选择需满足两大原则1. 必须从多个正交或低相关的视角描述价格行为2. 各特征间需相互配合以便决策树模型发挥其捕捉非线性关系的优势。指标测度类型计算逻辑AtrRatio波动率异动ATR(20) / ATR(100)Distance2Trend趋势偏离度Price / Lowpass(Price, 300) - 1FractalDimension市场微观分形FractalDimension(Price, 50)MACDHistogram动能加速度MACD(12, 26, 9) HistogramAroonOscillator市场内部动量AroonOsc(300)在将其喂入机器学习模型前数据标准化归一化处理至关重要。考虑到不同指标的数学特性不同我们采用了两种策略分类处理静态阈值映射与动态滚动标准化。均线偏离度 (Distance2Trend)特性取值主要在 -0.2 到 0.2 之间震荡0 表示价格贴合均线。不受绝对标的价格影响属于典型的平稳时间序列。处理公式clamp(Dist2Trends[0] * 400, -100, 100)分形维数 (FractalDimension)特性取值严格在 1.0 到 2.0 之间波动。我们使用静态数学映射以理论中心点 1.5 作为 0 轴1.0 映射为 -1002.0 映射为 100。处理公式clamp((Regimes[0] - 1.5) * 200, -100, 100)动能加速度 (MACDHistogram)特性没有明确的物理边界且其绝对波动率会随着行情级别动态变化属于非平稳时间序列。静态映射会失效因此采用计算滚动标准差的方法Rolling Z-score进行标准化。波动性比率 (AtrRatio)特性数据大致分布在 0.5 到 2.0 之间中心值为 1.0。高于 1.0 代表短期波动性爆发低于则为极度萎缩状态。处理公式clamp((VolaRatios[0] - 1.0) * 100, -100, 100)阿隆振荡器 (AroonOscillator)特性本身的数学定义即被限制在[-100, 100]之间无需额外处理。经过缩放处理后所有输入特征均被严格规范在[-100, 100]的闭区间内有效避免了模型对绝对量级较大指标的过度拟合。下图显示原始特征。下图显示经过缩放的特征。3. 模型训练标的与样本BTCUSDT4 小时 K 线。回测区间2018 年 - 2025 年。验证方法滚动前向优化Walk-Forward Optimization, WFO10训练集比例为85%。整个时间序列被划分为 10 个周期在每个周期的训练集上拟合 1 个决策树模型并在未参与训练的样本外测试集上生成预测。下图显示样本外的预测结果。我们可以将决策树模型的输出值视为未来一天走势的“多空动能温度计”其取值范围大多分布在[-60, 30]0 轴附近预示未来一天多空力量陷入死水或极致势均力敌属高杂音区应规避交易。显著高于 0预示市场结构倾向于上涨的期望为正多头占据统计学优势适合做多。显著低于 0预示市场结构倾向于下跌的期望为负空头占据统计学优势适合做空。4. 策略逻辑与源码实现基于上述模型信号我们设计了简单的交易策略当预测信号 做多阈值时多头开仓或单边市保持多头当预测信号 0时多头绝对动能丧失多头平仓当预测信号 做空阈值时空头开仓当预测信号 0时空头绝对动能丧失空头平仓。Zorro C-Lite 源码#includeprofile.c#includeutils.c#includemyindicators.cvoidtradeStrategy(){// 计算指标 vars Pricesseries(price());vars Trendsseries(LowPass(Prices,300));vars Dist2Trendsseries(Prices[0]/Trends[0]-1);vars Regimesseries(FractalDimension(Prices,50));MACD(Prices,12,26,9);vars Momsseries(rMACDHist);var ATR100ATR(100);vars VolaRatiosseries(ATR(20)/ATR100);vars Aroonsseries(AroonOsc(300));var ChannelUpperTrends[0]1.*ATR100;var ChannelLowerTrends[0]-1.*ATR100;var State0;if(rising(Trends)Prices[0]ChannelUpper){State1;}elseif(falling(Trends)Prices[0]ChannelLower){State-1;}// 特征缩放 vars Sigs0series(clamp(Dist2Trends[0]*400,-100,100));vars Sigs1series(clamp((Regimes[0]-1.5)*200,-100,100));var MacdStdStdDev(Moms,200);if(MacdStd0.00001)MacdStd0.00001;vars Sigs2series(clamp((Moms[0]/MacdStd)*33.3,-100,100));vars Sigs3series(clamp((VolaRatios[0]-1.0)*100,-100,100));vars Sigs4series(Aroons[0]);// 目标变量 var TargetState*100;// 机器学习 // 预测1天后的市场结构intOffsetifelse(Train,6,0);var PredictionadviseLong(DTREE,Target,Sigs0[Offset],Sigs1[Offset],Sigs2[Offset],Sigs3[Offset],Sigs4[Offset]);// 交易逻辑 var EntryThresholdLong2;var EntryThresholdShort-5;if(NumOpenLong0Prediction0)exitLong();if(NumOpenShort0Prediction0)exitShort();if(NumOpenLong0PredictionEntryThresholdLong)enterLong();if(NumOpenShort0PredictionEntryThresholdShort)enterShort();// 图表绘制 if(Test!is(LOOKBACK)){// plot(Dist2Trend, Dist2Trends, NEW, RED);// plot(Regime, Regimes, NEW, RED);// plot(MACDHist, Moms, NEW, RED);// plot(VolaRatio, VolaRatios, NEW, RED);// plot(AroonOsc, Aroons, NEW, RED);// plot(Sig_Dist, Sigs0, NEW, BLUE);// plot(Sig_Regime, Sigs1, NEW, BLUE);// plot(Sig_MACD, Sigs2, NEW, BLUE);// plot(Sig_Vola, Sigs3, NEW, BLUE);// plot(Sig_Aroon, Sigs4, NEW, BLUE);plot(ChannelUpper,ChannelUpper,MAIN|BAND1,GREY);plot(ChannelLower,ChannelLower,MAIN|BAND2,GREENTRANSP);plot(State,State,NEW,RED);plot(Prediction,Prediction,NEW|BARS,GREENTRANSP);plot(Pred,EntryThresholdLong,0,GREY);plot(Pred-,EntryThresholdShort,0,GREY);}}functionrun(){// --------------------------------------------------------- //// Zorro 环境设置// --------------------------------------------------------- //// 日志set(LOGFILE);Verbose3;// 图表set(PLOTNOW);setf(PlotMode,PL_DIFF);PlotScale8;PlotHeight2320;// 训练参数set(PARAMETERS|RULES);setf(TrainMode,TRADES);DataSplit85;NumWFOCycles10;NumCores0;// K线生成规则7*24小时交易机制resf(BarMode,BR_WEEKEND);StartWeek0;EndWeek62359;StartMarket0;EndMarket2359;BarPeriod240;BarZoneUTC;BarOffset0;TickFix60000;if(Live)TickFix0;// 测试样本区间StartDate20180101;EndDate20251230;LookBack5000;// 延迟成交模拟下一根k线开盘价执行进/出场Fill3;// 固定规模Lots100;// --------------------------------------------------------- //// 策略主体调用// --------------------------------------------------------- //asset(BTCUSDT);Leverage5;MarginCostpriceClose()*LotAmount/Leverage;tradeStrategy();}5. 回测结果WFO 样本外测试结果如下表现差强人意盈利因子 1.23年均交易次数 36 笔胜率 36%虽然实现了微弱盈利但净值曲线未能呈现稳定上升且最大回撤巨大远远达不到实盘部署的标准。分析历史交易发现决策树模型有效削减了中长期趋势回调时的“假动作”。例如在 2023 年 8-9 月市场处于中期下行结构中8 月末曾出现过极其暴力的超跌反弹。此时传统均线/动能指标纷纷发出多头反转信号但在 DTREE 模型中其连续合成的期望值依然为负数。它在宏观视角上坚守了空头观点完美规避了这种反复挨打的宽幅震荡噪音。但这同时也牺牲了平仓的时效性导致利润回撤较大。该模型存在一个致命的逻辑盲区。在长期大牛市行情的末期或者是多头结构内部的复杂整理期上涨动能开始衰竭价格往往会围绕长周期均线展开宽幅震荡。此时由于价格表现出“震荡向上”或“高位派发”的特征长周期的多头逻辑其实并未破灭但决策树模型对动能衰竭过于敏感其输出持续低于 0 线。这直接导致策略在牛市的高位盘整区不断做空并亏损。当前特征与设定目标所孕育出的策略本质上仍属于“趋势跟随策略”。所以它逃脱不了趋势策略的核心宿命在窄幅低波动震荡中它做到了规避相较于传统均线交叉显著减少了亏损频次但在宽幅且方向反复的整理行情中它依然会遭受持续亏损。6. 经验总结此次实验虽然尚未打造稳定盈利的策略但验证了 Zorro 平台adviseLong对连续期望值的输出机制同时证实了通过机器学习技术确实能对市场结构而非绝对价格进行概率建模。针对“进场/平仓时机滞后”以及“宽幅震荡持续亏损”的问题当前的决策树依然没能精确识别市场结构。接下来将围绕两个方向继续优化当前选用的 5 个特征预测能力有限需要挖掘预测能力更强的特征。机器学习的输出不必直接用来生成交易信号更加成熟稳妥的做法可能是利用决策树的分类能力将其作为传统动能策略的趋势滤波器。