陶博士口袋支点思路 量化实战效果打擂台

今日核心观点-量化实战效果打擂台

首先，要非常非常感谢陶博士，可以说他是国内RPS量化思维的架构师，是我非常敬佩的一位老师。最近在陶博士的带领下，全网掀起了研究口袋支点的热潮，在我看来，这是一件非常好的事情，百花争鸣，百舸争流，共同推动口袋支点量化的进步。

在我看来，不管是口袋支点、杯柄、BLT等，都是研究图形，甚至可以说是研究曲线。要把曲线研究好，我一直认为光在通信达上编写公式，然后简单加减乘除一下，这种是很低端的。我曾经做个一个分类，在通达信上编编公式，由于函数、API等限制，在很多方面无法灵活实现一些思路。

我举一个很简单的例子来说明下，我随便画一个图，画一个曲线。

目前，我看到网络上研究口袋支点的，很多都是在通达信上编公式，会有很大的局限性，我们就举2个研究口袋支点最常用的例子。

1）如何找拐点

看到大家的做法，基本上就是简单的，取多少天内的最高点，或者最低点，这种做法有很大的问题，比如，这个时间的取定，多少合适，到底是100天，150天，还是200天。就以上图为例，你想去一个阶段的拐点，如果你以100内的最高点，就当成是拐点的话，很有可能你这个100天内的最高点只是一个半山腰，正在的拐点可能不在100天内，而在120天内。大家能明白我的意思吧。

我认为，科学的做法，应该是对这条曲线，进行降噪、平滑处理后，利用微积分求导，找到拐点和奇点。不管你这个拐点和奇点出现在多少日内，都会被一网打尽。

2）如何消除噪声

还是以我上面图中画的那样，由于我们股票是有随机性的，所以会出现很多毛刺，专业点说就是噪声，如何消除这些噪声，对图像处理是非常重要的一个环节。如果你研究口袋支点的时候，正好启动点，就在噪声上，那怎么办？如何消除。

图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。一般数字图像系统中的常见噪声主要有：高斯噪声、椒盐噪声等。我们滤波方法一般有均值滤波、中值滤波和小波滤波。通过这些算法来消除噪声。也就是说，我们股票市场由于随机性，会在K线图上产生大量的噪声，周期越短，噪声越大。

对于有志于进行数字图像处理研究的朋友们，我推荐一本书给大家，里面有很多算法。

周末这2天，我们集中力量，对口袋支点进行了重大升级，同时我们对出现的口袋支点，进行了板块分类，大家可以发现，这种根据股票来匹配板块的方式，通达信也同样做不到的。我计划公示一周时间，有好的建议和意见，都欢迎理性交流，共同进步，共同提高。

02

市场环境和温度

以后，我把这个作为一个固定栏目，放在我的每天的文章里。