旗帜决定方向！不用CNN，快速检测三角形整理

这个底部点位，他又一次精准命中了（3143那个点，不是3066，周五上证实际下探到3152点）。不过，我更好奇的是他的研究方法，也就图的下半部分。知道大致的底之后，再结合缺口、前低等一些信息，确实有可能比较精准地预测底部点位。

我当时就回了一句，最近忙着上课，等有时间了，把这个三角形检测写出来。

这个检测并不难，写一个教学示例，一个小时的时间足够了。但写生产代码要花不少时间，所以，这里先给大家分享下教学代码，算是把思路贡献出来。

在分享我的算法之前，先推荐一个外网的方案。同样是教学代码，显然不如我随手写的优雅，先小小自得一下。不过，这样的好处就是，他的代码可能更容易读懂。

所谓旗形整理（或者说三角形检测），就是下面这张图：

在这张图，每次上涨的局部高点连接起来，构成压力线；而下跌的局部低点连起来，构成支撑线。

如果我们再在开始的位置画一条竖线，就构成了一个小旗帜，这就是旗形的来由。

旗形整理的特别之处是，整理何时结束似乎是可以预测的，因为这两条线之间的交易空间会越来越窄。

当它小于一个ATR时，就是整理必须结束，即将选择方向的时候。

下图显示了随时间推移，震荡幅度越来越小的情况。

最终，股价会选择方向。一旦选择方向，就往往会有一波较大的行情（或者下跌）：

所以，能够自动化检测旗形整理，有以下作用：

1. 如果当前处理在旗形整理中，可以设定合理的波段期望。
2. 检测临近整理结束，可以减仓等待方向。
3. 一旦方向确定，立即加仓。

现在，我们就来看如何实现。首先，我们有这样一个标的：

这是已经上涨后的。我们再来看它上涨前的：

肉眼来看，一个旗形整理似有若无。我们需要用算法来给它照上居里夫人的x光：

我们的算法分这样几步：

1. 找到每阶段的峰和谷的坐标
2. 通过这些坐标及它们的收盘价，进行趋势线拟合
3. 通过np.poly1d生成趋势线
4. 将趋势线和k线图画在一张图上

def find_peak_pivots(df, win):
    local_high = (df.close.rolling(win)
                    .apply(lambda x: x.argmax()== win-1))
    local_high[:win] = 0
    
    # find_runs函数是量化24课内容
    v,s,l = find_runs(local_high)

    peaks = []
    i = 0
    while i < len(v):
        if l[i] >= win // 2:
            if s[i] > 0:
                peaks.append(s[i] - 1)
        for j in range(i+1, len(v)):
            if l[j] >= win // 2:
                peaks.append(s[j] - 1)
                i = j
        if j == len(v)-1:
            break

    return peaks

这是一个简易地峰谷检测算法：

def find_valley_pivots(df, win):
    local_min = (df.close.rolling(win)
                .apply(lambda x: x.argmin()== win-1))
    local_min[:win] = 0
    
    v,s,l = find_runs(local_min)

    valleys = []
    i = 0
    while i < len(v):
        if l[i] >= win // 2:
            if s[i] > 0:
                valleys.append(s[i] - 1)
        for j in range(i+1, len(v)):
            if l[j] >= win // 2:
                valleys.append(s[j] - 1)
                i = j
        if j == len(v)-1:
            break

    return valleys

接下来进行趋势线拟合和绘图：

def trendline(df):
    peaks = find_peak_pivots(df, 20)
    valleys = find_valley_pivots(df, 20)

    y = df.close[peaks].values
    p = np.polyfit(x=peaks, y = y, deg=1)
    upper_trendline = np.poly1d(p)(np.arange(0, len(df)))

    y = df.close[valleys].values
    v = np.polyfit(x=valleys, y = y, deg=1)
    lower_trendline = np.poly1d(v)(np.arange(0, len(df)))

    candle = go.Candlestick(x=df.index,
                    open=df['open'],
                    high=df['high'],
                    low=df['low'],
                    close=df['close'],
                    line=dict({"width": 1}),
                    name="K 线",
                    increasing = {
                        "fillcolor":"rgba(255,255,255,0.9)",
                        "line": dict({"color": RED})
                    },
                    decreasing = {
                        "fillcolor": GREEN, 
                        "line": dict(color =  GREEN)
                    })
    upper_trace = go.Scatter(x=df.index, 
                             y=upper_trendline, 
                             mode='lines', 
                             name='压力线')

    lower_trace = go.Scatter(x=df.index, 
                             y=lower_trendline, 
                             mode='lines', 
                             name='支撑线')

    fig = go.Figure(data=[candle,lower_trace, upper_trace])

    fig.show()

最后，我们对该标的在上涨之前的形态进行检测，得到以下结果：

以西蒙斯的名义起誓！这个结果真的很美！

我精心挑选了这个例子作为首例。因为这个结果还能说明现实的复杂性：旗形整理结束时，主力示表态前，受大盘影响，方向仍有一定不确定性。

此时，要看关键点位。这里没有跌破前低，这是此后能凝聚共识、返身上涨的关键。

我们再来看一个最近一个月翻了7倍的标的：

这是检测出来的旗形整理

完美捕捉！

当然，这里只是示例代码，在实际运用中，由于我们使用了小样本线性回归，回归结果具有不稳定性，在实际应用中，还需要辅以其它方法让其预测更稳定。无论如何，我们已经迈出了关键一步。