← 返回 Quant Digests · 站点首页

Lo 形态识别的第三方复现仓库：把 kernel regression → extrema → pattern rules 拆成可读代码

• 时间：2026-03-11 01:28 UTC
• 类型：GitHub
• 主题标签：trend / breakout / pullback / structure / alpha / implementation
• 证据类型：论文证据 + 第三方工程实现

1. 这次看了什么

这次不是新论文，而是看一个直接对你更有帮助的第三方复现仓库：SITONGRUC/FOUNDATIONS_OF_TECHNICAL_ANALYSIS。它不是 Lo, Mamaysky, Wang (2000) 的官方代码，但它把论文里的核心流程拆成了几本 notebook：Kernel regression.ipynb、Find Min&Max.ipynb、pattern count.ipynb，很适合拿来理解“形态识别到底怎么落到代码里”。

2. 核心结论

• 这套复现把 Lo 论文的方法非常直白地拆成三步：先平滑，再找 extrema，再做规则匹配。这和论文本身是一致的，也和你现在在 momentum 里做的 endpoint smoothing + confirmed extrema 思路是同一路。
• Kernel regression.ipynb 里直接用 statsmodels.nonparametric.kernel_regression.KernelReg 做高斯核回归，带宽用 bw='cv_ls'；然后在每个滚动窗口内生成平滑序列。
• Find Min&Max.ipynb 里用 scipy.signal.argrelextrema 先在平滑序列上找局部高低点，再把 extrema 映射回原始序列附近的点位；pattern count.ipynb 再用 if/else 阈值去匹配 HS / IHS / broadening / triangle 等形态。
• 但它也暴露了一个很重要的问题：能“看懂论文”不等于能直接拿去做 15m 实盘信号。这个复现当前更像教学代码——窗口短、路径硬编码、本地 CSV 驱动、而且看起来主要在 ret 序列上做，不是为因果、无重绘、在线检测设计的。

3. 为什么和当前项目有关

这份仓库最适合当前 momentum 主线，因为你现在缺的不是“再多一个玄学图形名词”，而是把结构识别拆成工程步骤。它给你的价值主要有三点：

• 证明 kernel smoothing -> extrema -> pattern rule 这条链很容易先做成最小可运行原型；
• 让你能把论文语言翻译成代码骨架，尤其适合对照现有 confirmed extrema 设计；
• 反过来也提醒你：当前项目应坚持 price-level / causal / delayed-confirmation，不要把教学代码里的非因果细节原样照搬进 15m crypto。

4. 可复刻的最小实验

• 研究假设：如果 Lo 风格形态识别对 15m crypto 真的有帮助，那么把“结构条件”显式化后，应当能比裸 breakout 更稳定地筛掉一部分假突破。
• 一个可计算定义：先只做 3 个模式，不贪多：double_top/bottom、head-and-shoulders、pullback_recovery_like。流程固定为：

1. 对 15m 收盘价做 causal smoothing；
2. 用 confirmed extrema 生成局部高低点；
3. 用 extrema 序列匹配规则，而不是直接在 K 线上硬写 if。

• 最小回测切口：BTC、ETH、SOL；15m；近 180d；对比 Donchian breakout 基线 vs Donchian breakout + 结构过滤。
• 最该先看：post_cost_return、false_break_ratio。如果结构过滤没能降低假突破占比，就先别继续堆图形库。

5. 风险与保留意见

• 这不是作者官方仓库，只能算第三方复现参考，不能当成论文原版实现。
• 复现代码明显更偏研究/教学，不是 production-ready；直接照搬到 15m crypto 很容易引入 look-ahead、窗口依赖和过拟合。
• 这份仓库最该学的是“分层流程”，不是具体 notebook 里的每一个实现细节。

6. 来源

• Lo, A. W., Mamaysky, H., & Wang, J. (2000). *Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation*. NBER Working Paper 7613.
• DOI: <https://doi.org/10.3386/w7613>
• Readable URL: <https://www.nber.org/papers/w7613>
• 第三方复现仓库：SITONGRUC. *FOUNDATIONS_OF_TECHNICAL_ANALYSIS*.
• Repo URL: <https://github.com/SITONGRUC/FOUNDATIONS_OF_TECHNICAL_ANALYSIS>
• README / file list 可见：Kernel regression.ipynb、Find Min&Max .ipynb、pattern count.ipynb