发现了一个算法的BUG

在网格交易过程中发现，1m级别波动下，一次买卖交易后，至90%位置跌幅的次数变多了。

原因是这样：假设从距离90%跌幅位置4次的位置开始买入，当买入第三次后，涨幅超过了最低涨幅，那么下跌位置将回到0，当下跌继续，超过最低下跌幅度时，会重新计算到90%跌幅位置的买入次数，这样前面的两次买入就游离于算法之外了。

看来是时候重新审视一下Cplan算法了。

与问答AI交流，梳理了一下算法可能存在的问题，得出一个与BUG无关但重要的结论：算法给出的涨跌幅度，超过历史90%涨跌幅的概率可能小于90%

反例是出现均匀分布或中中等波动占主导的情况，即涨跌幅集中在中位数附近，因为波动比较平，峰谷之间的差异很小，会出现剔除最低涨跌幅后最低涨跌幅反而下降的情况，这样得出的涨跌幅，超过历史90%涨跌幅的概率可能会远小于90%，比如一组数据涨跌幅为

（100，110，99，108.9，98.01，107.881，118.5921，106.73289）

最低涨跌幅均为10%，去掉第一个最低跌幅和涨幅，整理后，变为

（100，98.01，107.881，118.5921，106.73289）

最低跌幅由10%变成了1.9%

但这不是主要的问题，因为Bplan算法筛选出的卡片都是长期跑赢指数的目标，波动分布没有那么极端，每次买入的位置同时符合J周期的90%买入位置，J周期是基于统计得出的，所以不会出现反例的情况。通过统计方法先从原始数据中确定一个对比值就可以解决了。

问题是要规避或者处理类似于1m级别波动的情况，否则一旦遇到类似的下跌中继的情况，算法会失效。

目前来看需要增加两个约束，一是设定合适的买入位置，这个约束已经有了，这次发现问题的债券买入位置没有参考J周期的位置。二是中期买入位置距离90%调整位置不能高于2个，这样如果短期买入出现了下跌中继的情况，剩下的2个单位可以作为中期买入比例被吸收，因为至少会进入中期的第3个区间，吸收后中期比例自然会变为75%，这样短期买入没有卖出的单位就可以被算法覆盖了，到合适位置后再进行短期买入操作，这样就比较合理了。接下来需要将中、短周期的买入位置联系起来。

设短期涨跌幅度为a、b，长期涨跌幅度为c、d，因为长周期幅度较大，有a<c，b>d，进入中期第2区间位置为X，90%调整位置为Y，假设在中期第2区间，短期已买入2次，则有：

中期第3、4区间位置：

$X_3 = X*(1+d)$

$X_4 = X_3*(1+d)=X*(1+d)^2=Y$

短期第3、4区间位置：

$x_3 = x_2*(1+b)$

$x_4 = x_3*(1+b)=x_2*(1+b)^2$

中期发生下跌中继的场景，触发位置为：

$P=X_3*(1+c)=X*(1+d)*(1+c)$

短期可能发生下跌中继的场景，触发位置为：

$p=x_3*(1+a)=X*(1+b)*(1+a)$

这里，p需要满足：

$p=x_3*(1+a)<=X$

即：

$x_3<=X/(1+a)$

则有：

$x_2<=X/((1+a)*(1+b))=Y/((1+a)*(1+b)*(1+d)^2)$

$x_2/X<=1/((1+a)*(1+b))$

可以看出，短期位置需要中期位置来确定，如果不满足则不能买入，否则短期下跌中继触发后，中期吸收的持有比例会不对。

因为事先经过了筛选，a和b，c和d间有这样的关系：

$1+a>1/(1+b)$

$1+c>1/(1+d)$

 

短期第3个买入位置不能高于中期第3个买入位置：

$x_3<=X_3$

有：

$x_2*(1+b)<=X*(1+d)$

得出：

$x_2<=X*(1+d)/(1+b)$

$x_2/X<=(1+d)/(1+b)$

此时需要考察1/(1+a)和1+d的大小，设目标幅度为t，当1/(1+a)较大时，有

$x_2<=X*(1+d)/(1+b)=Y/((1+b)*(1+d))$

$t=1-x_2/X=1-(1+d)/(1+b)=(b-d)/(1+b)$

当1+d较大时，有

$x_2<=X/((1+a)*(1+b))=Y/((1+a)*(1+b)*(1+d)^2)$

$t=1-x_2/X=1-1/((1+a)*(1+b))$

这样短期买入位置就确定了。如果把X看做其他买入位置，则也可以适用其他买入位置。

先试试看w

另外网格交易还是比较方便的，这次的1m级别网格跌穿了设定的区间下限，但网格并没有结束，省了很多事情w

 

目前收益2.11W

以上。