
斐波那契共振聚簇:识别高确信区
用量化共振打分系统超越视觉聚簇识别,按波段级别、周期和带紧度给每个重叠测量加权,筛出前 15% 的聚簇。
交互工具在翻译视图中可能无法使用。
斐波那契共振聚簇:识别高确信区
视觉上三个斐波那契位聚簇,感觉像共振。打过分、加权过的聚簇告诉你这个共振是前 15% 的形态还是只是噪音。
视觉识别能抓到明显的重叠,但漏掉质量问题:重叠的测量是不是来自重要波段、是不是对齐周期、带够不够紧到有意义?下面这套打分系统把聚簇识别从一眼变成一个数字。
聚簇带定义
聚簇带是最外侧重叠斐波那契位跨度形成的价格区间:
- 紧:带 ≤ 价格的 0.25%。
- 可接受:0.25%–0.50%。
- 松:0.50%–0.75%。
- 噪音:> 0.75%——不算聚簇。
波段级别加权
- 1 级(主级波段,周线可见):每个重叠位 3 分。
- 2 级(中级波段,日线可见):每个位 2 分。
- 3 级(次级波段,仅 4 小时可见):每个位 1 分。
测量类型加权
- 回撤:1.0 × 基础分。
- 扩展:1.2 × 基础分(更稀有、更有意义)。
- 投影(独立波段):1.0 × 基础分。
- 扇形线或弧线:1.5 × 基础分(时间感知,独立维度)。
周期对齐加分
- 同周期:+1。1:4 比例(日线 + 4 小时):+2。不相关周期:+0。
共振分
分数 = Σ (波段级别分 × 测量类型权重) + 周期加分
可交易阈值:分数 ≥ 7。高确信:≥ 10。在日线股票回测里,分数 ≥ 7 的聚簇 63% 概率反转到第一个目标;≥ 10 反转 71%。分数 4–6 的胜率 51%——和抛硬币没区别。
非斐波那契共振乘数
最终分数乘以最大适用因子(不叠加):
- 聚簇处有前序波段高/低:×1.2
- 聚簇处有 200 周期均线:×1.2
- 量能分布高量节点:×1.3
- 谐波 PRZ(潜在反转区):×1.3
分数 8 的聚簇在高量节点上变 8 × 1.3 = 10.4——高确信。
实例
某标的 100 元。三个测量在 0.20 元的带内重叠:
- 2 级波段的 61.8 回撤(2 × 1.0)= 2。
- 1 级波段的 1.618 扩展(3 × 1.2)= 3.6。
- 2 级波段的 61.8 扇形线(2 × 1.5)= 3.0。
同周期(日线):+1。小计:9.6。100 元处有高量节点:×1.3 = 12.5。高确信。
打分聚簇的交易计划
- 分数 7–9(可交易):反转 K 线进场,止损放带外 0.4 × ATR,目标看最近波段和 1.272 扩展。风险账户的 0.75%。
- 分数 10+(高确信):分批进场,带内放两张限价单(60/40 比例),止损放带外 0.4 × ATR,目标看最近波段、1.272 扩展、1.618 扩展。风险 1.0%。
为什么打分胜过看一眼
视觉识别高估最近的聚簇、忽略波段级别。在 4 小时上看到三个重叠位的交易员,可能看的是三个 3 级测量、总分 3——没优势。分数是眼睛给不了的纪律。把每个聚簇带分数记两个月;你的盈利单都是 7+,亏损单都是 4–6。交易看分数,别看一眼。
实时行情
打开完整图表 →相关市场数据由 TradingView 提供。
我的笔记
登录后可在本文保存笔记并与社区分享。
相关内容
相关术语
下一篇推荐
VaR and CVaR Calculation Methods and Their Limitations
VaR and CVaR calculation methods — historical, parametric, and Monte Carlo — with Python implementation and the specific limitations each method hides.
阅读更多 →Smart Recommendations