分时主图指标公式的数据基础
通达信分时主图指标公式以每分钟价格与成交量作为输入。价格序列包含开盘价、最高价、最低价、收盘价，成交量反映资金活跃度。AI量化的核心在于从这些原始数据中提取统计特征，构建自适应模型。分时数据频率高，噪声大，直接使用原始价格容易产生虚假信号，因此需要预处理。
常用预处理手段包括移动平均、指数平滑、卡尔曼滤波。移动平均可消除随机波动，但滞后明显。指数平滑赋予近期数据更高权重，响应更快。卡尔曼滤波在状态空间框架下估计真实价格，适合非平稳分时序列。通达信公式语言支持引用前N周期数据，可实现递推滤波。
成交量方面，需区分主动买盘与主动卖盘。通达信提供逐笔成交字段，但分时主图通常使用总量与内外盘。AI量化中，成交量加权价格（VWAP）是重要基准。VWAP偏离度衡量当前价格相对市场平均成本的强弱。
动态均线系统的构建
传统分时主图使用固定周期均线，如5分钟、10分钟、30分钟。固定周期在趋势与震荡市中表现分化。AI量化采用动态周期选择，根据市场波动率调整均线长度。波动率上升时缩短周期，捕捉快速变化；波动率下降时延长周期，过滤噪声。
动态周期可通过平均真实波幅（ATR）或标准差计算。通达信公式中，ATR为最高价与最低价之差、前一周期收盘价与当前最高价之差、前一周期收盘价与当前最低价之差的最大值，再取移动平均。设定波动率阈值，当ATR超过阈值时，均线周期从30降至10。
另一种方法是使用自适应移动平均（AMA）。AMA根据价格变化效率调整平滑系数。效率比率等于净价格变化除以总路径长度。净价格变化为当前收盘价与N周期前收盘价之差的绝对值。总路径长度为每周期收盘价变化绝对值之和。效率比率高时，市场趋势强，AMA跟随价格紧密；效率比率低时，市场震荡，AMA平滑。
动态均线交叉产生基础信号。短期均线上穿长期均线为多头信号，下穿为空头信号。AI量化对交叉信号进行过滤，要求交叉时成交量放大或价格突破前高前低。
多因子共振模型
单一均线信号胜率有限。AI量化融合多个因子，形成共振。因子包括动量、波动率、成交量、价格形态。动量因子用相对强弱指数（RSI）或变动率（ROC）。RSI超过70为超买，低于30为超卖。分时主图中，RSI周期常设为14。ROC为当前收盘价与N周期前收盘价之比减一。
波动率因子用布林带宽度或ATR比率。布林带中轨为移动平均，上下轨为中轨加减两倍标准差。带宽收窄预示突破，带宽扩大预示趋势延续。AI量化在带宽收窄后，等待价格突破上轨或下轨，结合成交量确认。
成交量因子用成交量比率（VR）或能量潮（OBV）。VR为上涨周期成交量之和与下跌周期成交量之和的比值。OBV为累积成交量，价格上涨时累加成交量，下跌时累减。OBV与价格背离提示反转。
价格形态因子用分形、K线组合。分形由五根K线构成，中间K线最高价高于两侧两根K线最高价，为顶分形；中间K线最低价低于两侧两根K线最低价，为底分形。AI量化识别分形后，等待价格突破分形高点或低点。
多个因子通过加权评分生成最终信号。权重可固定，也可通过历史回测优化。通达信公式中，使用条件判断与赋值语句实现评分。
{AI量化分时主图指标示例}
N:=14;
ATR:=MA(MAX(MAX(HIGH-LOW,ABS(REF(CLOSE,1)-HIGH)),ABS(REF(CLOSE,1)-LOW)),N);
动态周期:=IF(ATR>REF(MA(ATR,20),1)*1.5,10,30);
均线:=MA(CLOSE,动态周期);
效率比率:=ABS(CLOSE-REF(CLOSE,动态周期))/SUM(ABS(CLOSE-REF(CLOSE,1)),动态周期);
AMA:=IF(效率比率>0.5,均线,EMA(CLOSE,动态周期*2));
RSI:=SMA(MAX(CLOSE-REF(CLOSE,1),0),N,1)/SMA(ABS(CLOSE-REF(CLOSE,1)),N,1)*100;
VR:=SUM(IF(CLOSE>REF(CLOSE,1),VOL,0),N)/SUM(IF(CLOSE<REF(CLOSE,1),VOL,0),N);
评分:=0;
评分:=评分+IF(CLOSE>AMA,1,-1);
评分:=评分+IF(RSI>50,1,-1);
评分:=评分+IF(VR>1,1,-1);
买入:=评分>=2 AND REF(评分,1)<2;
卖出:=评分<=-2 AND REF(评分,1)>-2;
DRAWICON(买入,LOW*0.99,1);
DRAWICON(卖出,HIGH*1.01,2);
期货分时主图的特殊处理
期货市场与股票市场存在差异。期货采用保证金交易，杠杆放大盈亏。分时主图需考虑持仓量变化。持仓量增加伴随价格上涨，为多头增仓，趋势强劲；持仓量减少伴随价格上涨，为空头回补，趋势可能衰竭。
期货有夜盘与日盘，分时数据不连续。通达信公式需处理隔夜跳空。跳空缺口可作为支撑阻力。AI量化中，跳空幅度超过ATR的一定比例，视为突破缺口，方向延续概率高。
期货主力合约切换导致价格跳跃。分时主图需使用复权数据或连续合约。通达信提供连续合约代码，但不同月份合约价差可能影响指标。AI量化采用价差调整，将远月合约价格映射到近月基准。
期货交易成本低，滑点小，适合高频分时策略。AI量化模型可加入订单流因子，如买卖压力、大单比率。通达信分时主图可引用逐笔成交中的大单数据，计算大单净流入。
参数优化与回测
AI量化核心逻辑依赖参数。参数包括均线周期、RSI阈值、VR阈值、评分阈值。传统优化使用网格搜索，计算所有参数组合的绩效。网格搜索计算量大，易过拟合。AI量化采用遗传算法或粒子群优化，在参数空间高效搜索。
回测需考虑交易成本与滑点。分时策略交易频繁，成本影响显著。通达信公式回测使用历史分时数据，计算夏普比率、最大回撤、胜率。夏普比率高于1.5为优秀。最大回撤低于20%为可接受。胜率高于55%为有效。
过拟合防范使用样本外测试。将数据分为训练集与测试集。训练集优化参数，测试集验证。测试集绩效下降超过30%，视为过拟合。AI量化采用交叉验证，滚动窗口优化。
实盘执行与风控
实盘执行中，分时主图信号触发后，需确认流动性。期货主力合约流动性好，股票分时流动性差异大。AI量化设置最小成交量阈值，低于阈值不交易。
风控包括止损与止盈。止损用ATR倍数，如2倍ATR。止盈用移动止盈，价格回撤1倍ATR平仓。仓位管理用凯利公式或固定比例。凯利公式根据胜率与盈亏比计算最优仓位。固定比例如每次风险1%总资金。
通达信公式可嵌入风控逻辑，但实盘执行需交易接口。AI量化系统将通达信信号导出至Python或C++程序，通过券商API下单。分时主图指标作为信号源，风控与执行在外部完成。
常见问题与改进方向
分时主图指标在趋势市中表现良好，震荡市中频繁止损。改进方向包括加入市场状态识别。市场状态用赫斯特指数或方差比判断。赫斯特指数大于0.5为趋势，小于0.5为震荡。震荡市中降低仓位或暂停交易。
另一个问题是滞后。移动平均与RSI均为滞后指标。AI量化引入领先指标，如成交量突变、价格加速度。价格加速度为价格变化率的导数。加速度为正且成交量放大，预示价格加速上涨。
通达信公式语言功能有限，无法实现复杂机器学习模型。AI量化将通达信作为数据采集与简单信号生成工具，复杂模型在外部平台训练。分时主图指标公式的核心逻辑是动态自适应与多因子共振，结合严格风控，提升期货与股票日内交易绩效。
