别让 15m 的 final verdict 被“高准确率”绑架：`双阈值 abstain + 按收益选窗口` 更适合 breakout-short / Fib retest / EMA-PSAR

更新时间：2026-03-20 05:38 UTC 研究时间：2026-03-20 05:39 UTC 类型：论文 + 代码仓库主题标签：breakout-short/fibonacci/retest-hold/ema/psar/abstain/threshold/window-selection/profitability/regime/filter/crypto/15m 证据类型：论文证据 + 工程实现

源文件：research/quant_digests/2026-03-20_0539_alpha-beta-abstain-profit-window-verdict.md

时间：2026-03-20 05:39 UTC

类型：论文 + 代码仓库

主题标签：breakout-short/fibonacci/retest-hold/ema/psar/abstain/threshold/window-selection/profitability/regime/filter/crypto/15m

证据类型：论文证据 + 工程实现

1) 这次看了什么

主看 Parente, Rizzuti, Trerotola (2024) 的加密交易论文与配套代码。它真正可迁移到我们 desk 的旁支，不是“再训一个 MLP”，而是两件更快落地的机制： 1) 双阈值标签/过滤（α, β）； 2) 先按收益选窗口，不按准确率选窗口。

2) 一句话核心结论

对 5m/15m 来说，小波动不做 + 过大冲击也不追 + 用 PnL 而非 accuracy 选窗口，比继续在单一信号上微调参数，更能直接服务三条收口线的收敛。

3) 它怎么证明这件事（关键数据点）

数据：402 个 USDT 交易对，4h K，2017-08-17 ~ 2022-12-04，约 150 万样本。

标签机制：

|R| <= α 或 |R| >= β → Hold（不交易）；

仅在 α < |R| < β 且方向明确时给 Buy/Sell。

阈值设定：α=0.038（85 分位），β=0.24（99.7 分位），且 β 随 forward window 增大按 10% 递增。

关键反常识：最高准确率并非最高收益。按准确率最优是 (backW=5, forW=1, Acc=0.72)；但按收益选出来的是 (5,2)（文中回测模型）。

回测（含 0.1% 费率）在 10% stop-loss 下给出较高 ROI（长周期）：ETH 165.91、BTC 61.22、ALGO 36.18；说明“窗口与阈值的交易语义”比单看分类分数更重要。

4) 对三条收口线的直接映射

V3 final-verdict / breakout-short follow-up：

把 |预期位移|>=β 作为 shock/chase veto（避免末端追空）；|预期位移|<=α 作为 chop veto。

Fibonacci confirmation / retest_hold：

回踩后若位移仍落在 α 内，视作“没走出来”，不计确认；若一根冲到 β 外，默认不追，等二次确认。

EMA / PSAR raw alpha focus：

先保留原始触发，再叠一层 α-β admission/veto，减少“信号有了但交易质量很差”的样本。

5) 最小可复现实验（5m/15m，先做这个）

资产：BTC/ETH/SOL perpetual；周期：15m（可加 5m 作为执行层）。

对每条候选信号（breakout-short / fib retest / ema-psar），计算 k 根前瞻收益绝对值 |R_{t→t+k}|（含手续费口径，先用 6~10 bps 往返近似）。

用训练段分位数定阈值：α = p85(|R|)，β = p99.5~p99.7(|R|)；并测试 k=1,2,3。

只比较三组：

baseline（无 gate）

α gate（去低位移）

α+β gate（去低位移 + 去冲击追单）

verdict 指标优先级：净收益/回撤/交易次数衰减/成本后 Sharpe；不以 accuracy 排名做最终决策。