BOCPD 灵敏度优化：诊断先行方案

版本：v1.0 | 日期：2026-03-12
适用：Hyperliquid 量化交易系统（Adaptive Bollinger Z-Score 配对策略）
关联：docs/开仓动量过滤器设计方案_v5.1.md

1. 问题定义

1.1 现象

BOCPD（Layer 0）在价格冲高回落场景中过度拦截，阻止了合理的反转开仓信号。

实际案例：PURR/USDC:USDC，5 分钟 K 线

• 价格经历一波快速上涨后已明显见顶回落
• 此时触发 short 信号（Z-Score 偏离），方向与回落一致
• Layer 0 拦截：P(trending)=0.945 > 0.75
• 问题：趋势已经结束、价格正在回归，P(trending) 仍然很高

1.2 期望行为

核心矛盾：当前 BOCPD 只看 P(trending) 幅度，不区分「趋势进行中」vs「趋势已见顶回落」。

1.3 原 BOCPD 参数（修改前）

hazard_rate        = 0.05                  # 期望 run length ≈ 20 bars
drift_threshold    = 0.0005                # |drift| 超过此值视为趋势
max_run            = 60                    # 截断窗口
bocpd_trend_thresh = 0.90 - 0.15*s = 0.75  # P(trending) 阈值（strength=0.5 时）

2. 方案探索与取舍

2.1 方案 A：反转检测逻辑（已否决）

思路：在 _check_regime 中加入 _detect_reversal() 方法，基于加权漂移均值 + 变点概率判断趋势方向是否已反转，若反转则将硬拦截降级为软拦截（交由 Layer 3 仲裁）。

实现代价：~65 行新增代码，引入 regime_is_soft 标记。

否决原因：

• 过度工程化：为解决一个阈值问题引入了复杂的反转检测子系统
• 参数增多：反转判定本身需要额外阈值（漂移方向、变点概率门限），同样缺乏经验依据
• 违背 KISS 原则：更简单的方案应该优先考虑

2.2 方案 B：参数校准（已采纳，先行调整）

思路：提高 bocpd_trend_thresh（0.75→0.92）和 drift_threshold（0.0005→0.001），使 BOCPD 只在真正极端的持续暴涨暴跌中拦截。

调参依据：

• PURR 案例 P(trending)=0.945，原阈值 0.75 明显过低，大量中等波动场景被误杀
• drift_threshold 从 0.0005 提高到 0.001（5min K 线 0.1%），过滤掉微弱漂移的噪声判定
• 阈值提高到 0.92 后，仅真正极端行情（P(trending)>0.92）才触发拦截

风险与应对：

• 缺乏大量历史样本验证 0.92 是否为最优值 → 配合方案 C 诊断日志持续监测
• 可能放行部分本应拦截的场景 → 通过后续数据分析进一步微调

2.3 方案 C：诊断日志，数据驱动后续校准（已采纳，同步实施）

思路：增加诊断日志字段，收集真实市场环境下 BOCPD 拦截/放行事件的详细数据，为后续参数精调提供统计依据。

优势：

• 与参数调整互补：调参先解决最明显的误杀，诊断数据支撑后续精细化
• 数据驱动：避免反复盲调
• 可扩展：如诊断字段不足，随时可增加

3. 实施内容

3.1 参数调整

修改 MomentumFilter.__init__ 中两个关键参数（momentum_filter.py:561-597）：

bocpd_trend_thresh（strength 联动阈值）：

设计意图：整体上移阈值区间，仅在 P(trending) 极高时拦截。s=1 最严格时仍保留 0.87 的较高门槛。

bocpd_drift_thresh（算法常量）：

设计意图：提高最小有意义漂移门槛，过滤掉正常波动产生的微弱漂移信号。

3.2 新增诊断属性

在 _BOCPD 类中添加 diagnostics 属性（momentum_filter.py:315-330）：

@property
def diagnostics(self) -> tuple[float, int, float]:
    """诊断信息：(加权漂移均值, MAP run length, 变点概率 P(r=0))。"""
    drift_mean = 0.0
    map_r = 0
    map_logp = float('-inf')
    for i in range(len(self._log_probs)):
        prob = math.exp(self._log_probs[i])
        drift_mean += prob * self._suff[i][0]
        if self._log_probs[i] > map_logp:
            map_logp = self._log_probs[i]
            map_r = i
    cp_prob = math.exp(self._log_probs[0]) if self._log_probs else 0.0
    return drift_mean, map_r, cp_prob

三个诊断字段：

3.3 拦截日志增强

修改 _check_regime 方法（momentum_filter.py:899-905）：

if trend_prob > self._bocpd_trend_thresh:
    drift_mean, map_r, cp_prob = bocpd.diagnostics
    return False, (
        f"Layer0-BOCPD趋势机制: P(trending)={trend_prob:.3f}"
        f">{self._bocpd_trend_thresh}"
        f" | drift={drift_mean:+.6f} MAP_r={map_r} P(cp)={cp_prob:.3f}"
    )

日志示例：

Layer0-BOCPD趋势机制: P(trending)=0.960>0.92 | drift=-0.002341 MAP_r=3 P(cp)=0.412

上例可解读为：虽然 P(trending) 高，但 drift 已转负（价格在跌），MAP_r=3（新机制仅 3 bars），P(cp)=0.412（刚发生变点）—— 典型的反转场景。

4. 数据收集与分析计划

4.1 收集阶段

运行系统收集至少 3-7 天的拦截日志，覆盖：

• 不同 symbol（高波动 alt 如 PURR, FARTCOIN vs 低波动 alt）
• 不同市场状态（趋势行情 vs 震荡行情）
• 不同时段（亚洲/欧洲/美洲交易时段）

4.2 分析维度

收集到足够样本后，按以下维度分析：

4.3 校准路径

根据数据分析结果，选择最简方案：

路径 1（最优）：仅调 bocpd_trend_thresh
    条件：数据显示 P(trending) 在应放行 vs 应拦截之间有清晰分界

路径 2：drift 方向感知
    条件：drift 符号与 direction 对齐时，几乎都应放行
    实现：drift 方向与交易方向一致时，提高阈值（等效放宽）

路径 3：P(cp) 辅助判定
    条件：P(cp) 高的拦截事件中，大部分应放行
    实现：P(cp) > 阈值时将硬拦截降级为软拦截

5. P1 路线评估

在诊断数据收集期间，评估了三个既有 P1 优化项：

6. 改动文件清单

影响范围：

• 参数调整：BOCPD 拦截阈值提高，减少中等波动场景的误杀
• 诊断日志：不影响过滤逻辑，仅增加拦截时的日志输出

7. 后续步骤

1. 提交当前改动（参数调整 + 诊断日志，已完成）
2. 运行 3-7 天，观察新阈值下的拦截/放行表现，同时收集诊断数据
3. 导出并分析拦截日志中的 P(trending) / drift / MAP_r / P(cp) 分布
4. 根据数据选择校准路径（见 §4.3）
5. 实施并验证校准方案，输出 v5.2 设计文档