# InelidaMarketScan — 基于机器学习的金融市场科学分析

> **量化金融研究：ICT、一目均衡表、XGBoost与随机计算**
> 作者 **Didier Vally / Reuniware Systems**
> 版本 1.0.6 — 2026-07-19
> 📦 PyPI: [https://pypi.org/project/inelida-marketscan](https://pypi.org/project/inelida-marketscan) | GitHub: [https://github.com/reuniware/InelidaMarketScanner](https://github.com/reuniware/InelidaMarketScanner)

---

## 摘要

本文呈现了6个月量化金融研究在算法交易中的应用成果。InelidaMarketScan框架结合了ICT（内部圈交易者）技术分析和多时间框架一目均衡表，配合XGBoost机器学习管道（123个特征）和随机计算函数（Ornstein-Uhlenbeck、Hurst、GARCH、Monte Carlo、Kelly）。v18模型在1,210笔历史交易上达到64.0%的交叉验证准确率。对27个连续模型的分析表明，一目均衡表特征（Kijun/Tenkan距离、T/K交叉）比ICT模式（FVG、Order Blocks）更具预测性。ML% ≥ 50%过滤的资本模拟显示样本内利润因子为2.27，而样本外验证识别出上限为1.173。本文是关于ICT、一目均衡表与机器学习交汇的完整科学参考。

---

## 1. 引言

### 1.1 背景与问题陈述

算法交易依赖于识别金融时间序列中的重复模式。由Michael Huddleston开发的ICT（内部圈交易者）概念描述了机构市场行为：流动性扫荡、公允价值缺口、订单块、市场结构转变。同时，一目均衡表指标提供了市场均衡的多时间框架读数。本项目通过自动化扫描器与XGBoost模型探索这两种范式的融合。

### 1.2 研究目标

1. 开发一个自动扫描器，在8个时间框架（M5到MN）上结合ICT和一目均衡表。2. 构建一个具有123个命名特征的ML管道，从扫描器中提取。3. 通过历史回测（2025-2026）和样本外测试验证预测能力。4. 集成量化金融函数（OU、Hurst、GARCH、Monte Carlo、Kelly）。5. 在实际条件下实现利润因子 > 1.5。

## 2. ICT理论基础

ICT概念模拟了操纵价格水平以积累头寸的金融机构（银行、对冲基金）的行为。扫描器自动检测以下8个概念：

| ICT概念 | 描述与检测 |
|:---|:---|
| **流动性扫荡** | 短暂突破关键水平（亚洲高/低、伦敦高/低）以触发止损后再反转。在H1上检测并确认反转。 |
| **公允价值缺口（FVG）** | 连续3根K线之间价格未交易的缺口。在6个时间框架（M5到D1）上检测并显示填补百分比。 |
| **订单块（OB）** | 方向性冲动前的最后一根K线 — 机构下订单的区域。通过ATR(14)在6个时间框架上检测。 |
| **断路器块（BRK）** | 被突破的订单块反转为相反的支撑/阻力。从现有OB派生。 |
| **市场结构转变（MSS/BOS）** | 市场结构变化：结构突破和性格变化，在6个时间框架上检测。 |
| **成交量HVN/LVN** | 基于MT5 tick成交量的高成交量节点和低成交量节点。在6个时间框架上检测。 |
| **反转管道** | 完整的扫荡→反转→确认链，带有扫荡后K线计数器。 |
| **斐波那契扩展** | 基于亚洲区间的+1.618到+4.0扩展，用于止盈目标。 |

## 3. 多时间框架一目均衡表架构

Diamond扫描器同时分析8个时间框架。每个TF计算5个一目均衡表组件：

| 时间框架 | Tenkan | Kijun | Kumo | T/K Cross | Flat History |
|:---|:---:|:---:|:---:|:---:|:---:|
| **M5** | X | X | - | X | - |
| **M15** | X | X | - | X | - |
| **M30** | X | X | - | X | - |
| **H1** | X | X | X | X | X |
| **H4** | X | X | X | X | X |
| **D1** | X | X | X | X | X |
| **W1** | X | X | X | X | X |
| **MN** | X | X | X | X | X |

## 4. Diamond扫描器架构

Diamond扫描器汇聚了10个类别中的109个评分标准：

| 类别 | 标准数 | 示例 |
|:---|---:|:---|
| 一目均衡表 H1-D1 | 24 | Kijun/Tenkan距离、T/K交叉、Kumo位置、平坦K线 |
| 一目均衡表 W1-MN | 8 | Kijun W1/MN、Kumo W1/MN、云颜色、双重记忆 |
| FVG（6个TF） | 12 | M5到D1的FVG空头/多头、填补%、时间优先级 |
| 订单块（6个TF） | 12 | M5到D1的OB空头/多头、位置上方/下方/平 |
| MSS/BOS（6个TF） | 18 | M5到D1的体制、BOS、CHoCH |
| 成交量HVN/LVN（6个TF） | 12 | M5到D1的成交量尖峰、HVN、LVN |
| 断路器块（6个TF） | 12 | M5到D1的BRK空头/多头 |
| 亚洲/伦敦扫荡 | 4 | AH/AL扫荡、伦敦H/L扫荡 |
| 反转管道 | 5 | 扫荡→反转→确认、扫荡后FVG、重测 |
| M30/M15/M5 Kijun | 2 | Kijun M30/M15/M5方向交叉 |

**最高分:** 109 标准（无MN为107）

## 5. 机器学习管道

ML管道通过3个阶段将扫描器结果转化为获胜概率：

| 阶段 | 工具 | 详情 |
|:---:|:---|:---|
| 1 | `ml_labeler.py` | 从Diamond扫描提取特征（数据库/手动CSV/回测）。生成带有outcome列的标记CSV（1=赢，0=输）。 |
| 2 | `ml_trainer.py` | XGBoost训练，5折交叉验证，scale_pos_weight处理不平衡类别，超参数网格搜索。 |
| 3 | `ml_predictor.py` | 实时推理：extract_features() → predict_proba() → ML%在实时扫描中显示。简化的MLPredictor：1次joblib.load而非5次。 |

## 6. XGBoost模型v18 — 配置

v18模型是活跃的生产模型。在1,210笔历史交易上训练，具有123个命名特征（包括GARCH和随机特征）。

| 超参数 | 值 |
|:---|:---|
| `max_depth` | 6 |
| `learning_rate` | 0.03 |
| `n_estimators` | 200 |
| `subsample` | 0.8 |
| `min_child_weight` | 3 |
| `gamma` | 0.1 |
| `reg_alpha` | 0.5（L1） |
| `reg_lambda` | 1.0（L2） |
| `scale_pos_weight` | 自动（基于赢/输比率） |

**123个命名特征**包括：分数/偏差（6）、Kijun 6个TF（18）、Tenkan 6个TF（18）、T/K交叉（6）、Kumo（6）、M5/M15/M30交叉（12）、平坦K线（2）、活跃FVG（1）、订单块（6）、扫荡（5）、成交量（6）、MSS/BOS（6）、断路器块（6）、压缩（1）、随机（8：OU、Hurst、Monte Carlo、GARCH）、时间（3）、资产类型（3）。

## 7. 模型历史

自项目启动以来，已训练和评估了27个XGBoost模型。以下是主要版本的历史：

| 模型 | 数据 | 特征 | 交易 | CV | OOS PF | 状态 |
|:---|:---|---:|---:|:---:|:---:|
| v1 | 6个主要货币对 | 36 | 852 | 61.0% | — | 已归档 |
| v4 | 13个符号 | 111 | 1,210 | 62.9% | 1.26* | 样本内（泄漏） |
| v7 | 13个符号 | 25个最佳 | 2,923 | 60.1% | 1.173 | 🥇 最佳统一OOS |
| v13 | 4个模型/资产 | 25 | 2,923 | 53-64% | 4.000 | 🏆 按资产（15笔交易） |
| v15 | 2025-2026 | 25 + OU/Hurst | 5,009 | 59.8% | — | 已集成随机 |
| v18 | 13个符号 | 123（GARCH） | 1,210 | 64.0% | 0.503 F1 | [X] 生产中活跃 |

## 8. 特征重要性（v4）

特征重要性分析揭示了哪些标准在模型决策中权重最大：

| 排名 | 特征 | 增益 | 洞察 |
|:---:|:---|:---:|:---|
| 1 | `is_dxy` | 14.2 | 美元遵循与外汇对根本不同的逻辑 |
| 2 | `rr` | 10.0 | 理论风险/回报比预测实际结果 |
| 3 | `tkx_h1` | 9.2 | H1 Tenkan/Kijun交叉是最佳单一预测因子 |
| 4 | `kj_h1` | 6.9 | 到H1 Kijun的距离捕捉短期均衡 |
| 5 | `sl` | 6.4 | 止损水平与止盈同等重要 |
| 6 | `day_wednesday` | 6.4 | 周三（FOMC）显示统计上独特的行为 |
| 7 | `d_kj_h4` | 6.3 | 到H4 Kijun的距离指示潜在趋势 |
| 8 | `d_kj_d1` | 6.0 | 到D1 Kijun的距离锚定宏观背景 |
| 9 | `tkx_h4` | 6.0 | H4 T/K交叉确认交易时段趋势 |
| 10 | `is_forex` | 5.9 | 外汇对有独特行为vs指数/金属 |

## 9. 样本外验证

OOS验证（2026年1月-6月训练，2026年7月测试）是决定性测试。v4模型在ML% ≥ 50%阈值下显示样本内PF为2.27，但这包含数据泄漏（模型在训练期间看到了80%的测试数据）。v7的真实OOS PF是1.173 — 统计上显著但适度的优势。v13模型（按资产）在15笔交易上达到PF=4.000，但样本太小不可靠。结论：ML提供真实的优势（PF > 1.0），但统一架构的当前上限约为1.17。

## 10. 资本模拟 — ML%过滤

在1,210笔历史交易上模拟，初始资本10,000欧元，每笔交易风险1%：

| ML%阈值 | 交易 | 胜率 | PF（RR） | 盈亏（1万€） |
|:---|---:|---:|:---:|---:|
| 无过滤 | 1,210 | 37.6% | 1.02 | +1,442 € |
| ML% ≥ 45% | 661 | 54.3% | 1.91 🔥 | +27,542 € |
| ML% ≥ 50% | 504 | 59.7% | 2.27 🔥🔥 | +25,842 € |
| ML% ≥ 55% | 327 | 67.3% | 2.80 | +19,242 € |
| ML% ≥ 60% | 170 | 78.8% | 3.59 | +9,340 € |
| ML% ≥ 70% | 71 | 88.7% | 1.64 | +514 € |

## 11. 量化金融与随机计算

6个量化金融函数已集成到扫描器和ML管道中。这些函数计算风险、波动率和市场体制指标：

| 函数 | 目的 | ML特征 | v18排名 |
|:---|:---|:---|:---:|
| **Ornstein-Uhlenbeck** | 检测价格相对于长期均值的过度延伸。得分0-100%：>80% = 可能反转。 | `ou_score` | 未测试 |
| **Hurst指数** | 分类市场体制：H < 0.45 = 震荡，H > 0.55 = 趋势。 | `hurst_h` | 未测试 |
| **GARCH(1,1)** | 建模条件波动率。4个特征：持续性、长期波动率、半衰期、预测波动率。 | `garch_persistence` | #14 |
| **Monte Carlo** | 模拟10,000条价格路径。计算P(SL触及)和P(TP触及)。 | `mc_p_sl, mc_p_tp` | 未测试 |
| **Kelly准则** | 按资产类型优化头寸规模。收益=0.00（与已优化的SL/TP冗余）。 | `kelly_full` | #124 |
| **FTMO破产** | 自营公司账户在100笔模拟交易中10%回撤的破产概率。 | `ftmo_ruin_prob` | 未测试 |

## 12. 按资产类型的Kelly准则

Kelly准则使用来自回测的实际胜率，而非统一的win_rate=0.40。结果：

| 资产类型 | 胜率 | Kelly满额 | Kelly半额 |
|:---|---:|:---:|:---:|
| **DXY** | 73% | 46.0% | 23.0% |
| **XAUUSD** | 42% | 13.0% | 6.5% |
| **外汇** | 31% | 3.5% | 1.8% |
| **指数** | 38% | 7.0% | 3.5% |
| **加密货币** | 35% | 2.5% | 1.3% |

## 13. 简化的MLPredictor（2026年7月19日）

MLPredictor之前加载同一模型5次（每个预测方法1次）。2026年7月19日的简化将其减少为单次`joblib.load()`。结果：删除30行代码，加载时间除以4，冗余的`_ASSET_MODEL_MAP`被消除。v18模型现在是所有资产类型的唯一统一模型。

## 14. 错误修复 — 2026年7月19日

2026年7月19日的彻底代码审查识别并修复了4个错误：

| # | 严重性 | 文件 | 描述 |
|:---:|:---|:---|:---|
| 1 | 严重 | `diamond_scanner.py` | `ml_available`中`return`后的死代码 — 符号从未被激活。`initialize()`未设置`_initialized = True`。 |
| 2 | 高 | `stochastic_analytics.py` | GARCH：如果未找到有效的(α,β)对，使用虚构参数的静默回退。添加了`best_ll <= -1e100`检查。 |
| 3 | 中 | `stochastic_analytics.py` | Monte Carlo：对数收益率波动率回退已计算但在OU sigma为零时从未使用。 |
| 4 | 低 | `stochastic_analytics.py` | FTMO：`pnl_avg`/`roi_avg`在try块外 — 如果在计算和返回之间添加代码，有NameError风险。 |

## 15. 最终决策矩阵

决策矩阵结合了Diamond分数、ML%、安全护栏和宏观背景：

| 条件 | 行动 | 理由 |
|:---|:---:|:---|
| ML% ≥ 60% + TKx H1对齐 + 无HIGH NEWS | 🟢 GO | 三重确认：ML、一目均衡表、宏观 |
| ML% ≥ 60% + TKx H1冲突 | 🟡 等待 | ML被T/K H1交叉矛盾 |
| ML% 50-60% + TKx H1对齐 | 🟡 谨慎 | 适度的ML优势，需要额外确认 |
| ML% < 50% | 🔴 NO GO | 模型无统计优势 |
| HIGH NEWS DAY + BULL | 🔴 等待 | 宏观日（≥2个重大事件）打破相关性 |
| 周三（FOMC日）+ 外汇 | 🟡 高风险 | 周三显示统计上独特的行为 |

## 16. 结论与展望

InelidaMarketScan项目证明，基于一目均衡表特征训练的ML管道可以产生统计上显著的优势（OOS PF = 1.173）。2026年7月19日修复的4个关键错误增强了实时扫描器的可靠性。27个连续模型揭示了关键洞察：一目均衡表特征比ICT模式更具预测性，资产类型（is_dxy、is_forex）是主要预测因子，随机计算函数（GARCH、OU、Hurst）提供补充的波动率信号。下一次性能飞跃需要更大的数据集（2024-2026，每资产>5,000笔交易）以及可能的深度学习架构（LSTM、Transformer）。

## 参考文献

- Huddleston, M. — Inner Circle Trader (ICT) Concepts, 2022-2024
- Chen, T. & Guestrin, C. — XGBoost: A Scalable Tree Boosting System, KDD 2016
- Bollerslev, T. — Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 1986
- Hurst, H.E. — Long-term Storage Capacity of Reservoirs, Trans. ASCE, 1951
- Uhlenbeck, G.E. & Ornstein, L.S. — On the Theory of Brownian Motion, Physical Review, 1930
- Kelly, J.L. — A New Interpretation of Information Rate, Bell System Technical Journal, 1956
- Hosoda, G. — Ichimoku Kinko Hyo, 1968

---

> **量化金融研究著作。允许引用转载。**

## 🌐 社区

加入 **Trading Pro** Discord 服务器与社区交流：https://discord.gg/u9JApXqhXy

---

> **Didier Vally / Reuniware Systems** — InelidaMarketScan v1.0.6
> 2026-07-19