他用5行代码把K线形态变成数字，量化圈吵翻了

一个双顶形态，在程序员眼里长什么样？答案是一串数组：[1, 5, 3, 5, 1]。不是收盘价，不是成交量，就是5个数字的起伏。Sofien Kaabar最近放出的这套方法，把技术分析里最玄乎的"盘感"彻底拆解成了可量化的数值模板。

这事有意思的地方在于：他没用什么机器学习，没跑神经网络，就靠最朴素的序列匹配，在随机生成的股价数据里找形态。听起来像大海捞针？确实就是大海捞针。但针捞上来之后，你能清楚知道它是真的结构还是纯属巧合。

把"杯柄形态"压缩成9个数字

Kaabar列了10种经典形态的数值模板。双底是[5, 1, 3, 1, 5]，头肩顶是[1, 3, 2, 5, 2, 3, 1]，圆弧底拉长到9个点：[5, 4, 3, 2, 1.5, 2, 3, 4, 5.5]。这些数字不代表具体价格，只代表相对高低——1是谷底，5是峰值，3是中间位。

关键设定：时间被压平了。模板里每个数字之间的间隔默认相等，不管实际K线是日线还是小时线。这牺牲了一部分精度，换来的是跨周期通用的可能性。同一个[1, 5, 4, 4.2, 4.0, 4.3, 6]，放在日线叫牛市旗形，放在15分钟线也是牛市旗形。

形态识别的老问题在这里暴露无遗：什么是"足够像"？两个峰值高度差5%算双顶，还是10%才算？Kaabar的解法很粗暴——不设死规则，把模糊匹配交给相似度算法，让数据自己说话。

用随机漫步当"照妖镜"

测试数据的选择暴露了作者的谨慎。他没用真实股价，而是用几何随机游走（geometric random walk）生成合成序列，还加了波动率聚集（volatility clustering）——也就是那种"大跌之后跟着大波动"的真实市场特征。

为什么故意造出没有规律的数据？这是整套方法最狠的一招。如果算法能在纯随机序列里"发现"头肩顶，那说明识别标准太松，全是假阳性。反过来，如果随机数据里几乎扫不出形态，而真实数据里频繁出现，这个对比本身就有信息量。

生成代码很简洁：用GARCH模型（广义自回归条件异方差模型）模拟波动率变化，再叠加上正态分布的收益率。最终价格是对数收益率的累加指数。整个过程没有嵌入任何预设形态，"就像往水里扔颜料，看会不会偶然组成一幅画"。

相似度计算：欧氏距离的变通

具体怎么比？把股价序列切成滑动窗口，每个窗口归一化到和模板相同的数值范围，然后算欧氏距离。距离低于阈值就算匹配。这里没有深度学习，没有特征工程，就是小学数学级别的"两根线有多像"。

Kaabar自己承认：这不代表预测能力。形态出现和后续涨跌的因果关系，是另一个需要单独验证的命题。他现在做的只是"定位"——在噪声里标出哪些地方长得像教科书插图。

但恰恰是这种克制让方法有了实用价值。很多量化新手反过来的：先假设形态有用，再拼命调参直到回测漂亮。Kaabar的框架逼你先回答一个更基础的问题：你所谓的"双底"，在数据里到底存不存在？

从模板到实战的断层

这套代码开源后，量化社区的反应分成两派。一派觉得终于有人把形态识别的基础设施建设清楚了，"至少知道自己在瞎猜还是真看到了什么"。另一派嫌太简陋，真实K线有影线、有跳空、有除权除息，压缩成5个数字损失太多信息。

两派都没说错。数值模板是起点，不是终点。Kaabar在文末留了个钩子：他做的Quant Atlas平台用了更复杂的多模型融合，这篇文章只是底层原理的演示。

有个细节值得玩味。他列的10个模板里，"牛市旗形"和"熊市旗形"的数值设计明显比经典形态更主观——[1, 5, 4, 4.2, 4.0, 4.3, 6]这种带小数的精细刻度，和双顶的整数序列风格不统一。这暗示模板本身也需要迭代优化，或许该用真实数据聚类出"市场公认"的形态定义，而不是交易员手绘的示意图。

如果让你用同样的方法定义"楔形整理"或"岛形反转"，你会给那串数字赋什么值？