利用 Python 实现价格走势离散方法·综合运用
（3/3）·从统计检验到信息熵与预测力评估，一套开源 Python 工具链如何替你把离散化从玄学变成可回测结论
执着于固定时间帧的人，往往在新闻行情里把 80 点移动压缩进一根巨柱，又在平静时段被几十根空柱线灌满噪声。离散化不是换图表花样，而是重新定义‘什么算一根有意义的数据’。本文收尾篇直接把前面铺垫的各类柱线拉进同一套统计擂台。
◍ 初始化K线状态变量
在逐根处理行情前，需要先把当前K线的关键字段和序列计数器归位。bar_low 取自行数据的 'low' 字段，bar_time 与 start_time 都指向 current_time，这决定了后续同根K线内的时间窗口判定基准。 high_sequence 与 low_sequence 置 0，代表尚未出现任何同向突破；last_high、last_low 分别锚定到 bar_high、bar_low，作为第一根比较锚点；volume_sum 清 0 用于累计该根成交量。 这些变量全部初始化完成后，函数最终以 pd.DataFrame(bars) 返回整理好的K线列表。在 MT5 的 Python 桥接回测中，若漏掉 volume_sum 归零，会出现跨根成交量累加的错误信号，外汇与贵金属品种尤其容易因此放大伪突破概率，属高风险操作环节。
bar_low = row[&class="macro">#x27;low&class="macro">#x27;] bar_time = current_time start_time = current_time high_sequence = class="num">0 low_sequence = class="num">0 last_high = bar_high last_low = bar_low volume_sum = class="num">0 class="kw">return pd.DataFrame(bars)
十二类柱线在 EURUSD M15 上的统计画像
拿 EURUSD 的 M15 周期跑了一段 2024-10-01 到 2025-01-15 的实测，把 12 种不同构造的柱线摆在一起比对。样本量差异就很说明问题：传统柱线生成了 825 根，而波动率制度只剩 38 根、Kagi 39 根、动量 48 根——同样的行情，越偏向“过滤噪点”的构造，留下的柱线越少。 平均柱线尺寸上，动量柱线一根平均 32.07 点，波动率制度 33.62 点，远高于传统柱线的 6.29 点；Renko 被锁在 10.00 点，三线突破反而最碎，只有 4.85 点。尺寸越大，单根承载的波动越干净，但信号也越滞后。 正态性检验（p 值）里，波动率制度 0.931、Kagi 0.426 最接近正态；摆动点 0.025，其余传统/交易量/范围/动量等都 <0.001，离正态差得很远。自相关用 Ljung-Box 看，范围柱线 p=0.760 几乎无自相关，动量 p=0.007 自相关极高——这意味着范围柱线更适合做均值回归类假设，动量柱线里的“惯性”还没被价格消化完。 信息熵给出另一个角度：传统柱线 -114,770 是最大信息量，Kagi -5,818 最低。高熵等于高噪声，低熵等于被压缩过的结构。综合看，传统和交易量柱线保留信息最多但噪点也多；动量和波动率柱线虽少，却更可能指向值得交易的重要走势。外汇和贵金属杠杆高，这类统计只是样本期现象，换周期或品种结论可能变，开 MT5 自己跑一遍才作数。
「哪些价格重构法过了平稳与正态关」
对十种价格重构方式做 ADF 平稳性检验与正态性检验，结果分化明显。平稳性上，除波动率制度 ADF 统计量 -1.81、p=0.377 不显著外，其余九种 p 值均低于 0.05；其中加速度柱线 ADF 达 -15.79、范围柱线 -14.35，是平稳性最强的两组。 正态性这边只有 Kagi（统计量 1.71，p=0.426）和波动率制度（0.14，p=0.931）未能拒绝正态原假设，Renko 虽 ADF -7.87 平稳，但正态统计量同样标为 -7.87 且 p<0.001，偏离正态最远。 做 MT5 自定义品种或训练均值回归模型时，别默认所有衍生柱线都服从正态分布——拿 Kagi 和波动率制度当正态输入相对安全，加速度、范围类虽稳却厚尾，外汇与贵金属杠杆高、跳空频繁，这类统计特性差异会直接放大实盘风险。
◍ 熵值排座次：哪种柱线噪音最炸
把十类柱线按信息熵排开，差距大到离谱。传统柱线熵值 -114,770 居首，Kagi 只有 -5,818 垫底，两者差出近 20 倍。熵高不等于好用——它代表“生料”多，传统和交易量柱线把每一笔微动向都记下来，深度学习喂这种数据合适，但人眼从中捞信号基本是大海捞针。 中间档的新高/新低（-67,108）、加速度（-51,867）、三线突破（-55,022）算是算法交易的甜区：信息量够，噪音没失控。最低熵的一组——Kagi、波动率制度、动量——几乎把杂波滤干净了，手工交易者拿它们看结构反而最省力。 开 MT5 把图表切到 Kagi 或动量模板，对比同周期的 Traditional 视图，你会直观感到后者满屏毛刺、前者干净得像另一品种。外汇和贵金属波动受事件驱动，低熵视图降低误读概率，但任何图表简化都不消除杠杆下的高风险。
把各类柱线当独立专家来测
做融合预测时我试过一个思路：不把柱线当成统一输入，而是让每种类型当独立“专家”各自给判断，再合起来。不同柱线看市场的角度确实不一样，动量看推力、Renko 看滤波后的趋势、Kagi 看结构突破，混用有可能补掉单一视野的盲区。 按统计显著度排，高可预测性的一组是动量（p=0.007）和 Renko（p=0.018）。动量在剧烈走势里效果最好，能清楚展示趋势强弱，强劲趋势中假信号最少；Renko 在趋势段表现出色、能滤噪声，但横盘会出问题。中等可预测性包括波动率制度（p=0.126）、加速度（p=0.168）、新高新低（p=0.136）、Kagi（p=0.109）。低可预测性的是范围（p=0.760）、三线突破（p=0.686）、摆动点（p=0.709），基本接近随机。 多柱线模型可以这样搭：动量判定走势推力，波动率制度调仓位规模，新高新低确认趋势，Kagi 筛假信号。EURUSD 测试里这套组合准确度提高 12%，误报率降 23%，回撤降 15%——外汇品种高风险，数字仅代表该样本表现，换周期或品种可能失效，建议开 MT5 用自己常做的品种复测一遍。
「一点提醒」
把不同柱线类型拆开看，会发现并不存在某种「完美」形态。传统与成交量柱适合喂机器学习，动量与 Renko 在趋势里更顺手，Kagi 配波动率机制能扛高波动环境，新高新低加加速类则偏向剥头皮场景。 真正值得盯的方向，是让系统按市场状态自动切柱线。比如低波动时段用传统柱跑模型，突破波动率阈值后切到 Kagi，这类混合逻辑在 MT5 里可以用 OnTick 里判断 ATR 再重绘对象实现。 外汇与贵金属杠杆高、滑点随机，任何柱线切换策略都只是概率优势，回测顺不代表实盘稳。下个版本若加上每类柱线的自动寻优和动态切换，建议先开策略测试器跑至少 3 个月 tick 数据再上仓。