可以。先把边界说清楚：只要策略的输入主要来自 K 线序列，就可以认为是 K 线策略。K 线不只是 close，通常至少有：

Ot,Ht,Lt,Ct,VtO_t,H_t,L_t,C_t,V_t

还可以派生：

rt=ln⁡(Ct/Ct−1)r_t=\ln(C_t/C_{t-1})

以及振幅、实体、上下影线、ATR、波动率、成交额、成交量变化、VWAP 近似、滚动相关性、Beta、横截面排名等等。

而且“所有策略”严格来说是无限的，因为 MA20/MA60 和 MA21/MA63 已经是两个参数版本，不同指标还可以任意组合。所以我下面不是机械列出几万个参数组合，而是把几乎所有 OHLCV/K线策略的“母策略”全部拆出来。你以后看到一个新策略，基本都能塞进下面这棵树里。

经典研究本身也支持这种分类方式：时间序列动量、截面动量、反转是不同的收益来源。Crypto 市场也已经观察到截面动量以及日内动量/反转等现象。(SSRN)

一、先看完整地图

我会把 K 线策略划成 14 个一级大类：

一级策略	本质	Crypto 合约适用度
1. 时间序列趋势 / 动量	涨了继续涨	★★★★★
2. 突破策略	突破平衡区后延续	★★★★★
3. 时间序列均值回归	涨多了跌、跌多了涨	★★★★
4. 截面动量	强币继续强于弱币	★★★★★
5. 截面反转	最强/最弱发生反转	★★★★
6. 相对价值 / 统计套利	两个或多个币价差回归	★★★★★
7. 波动率策略	利用波动状态变化	★★★★★
8. 量价策略	Volume × Price	★★★★
9. Price Action / K线形态	Candle结构包含信息	★★★
10. 季节性 / 时间效应	某些时间重复出现偏差	★★★★
11. 市场状态 / Regime	不同状态切不同策略	★★★★★
12. 统计时间序列模型	AR/OU/Kalman/PCA等	★★★★
13. ML / AI策略	从K线特征学习映射	★★★★
14. Grid / DCA /仓位管理	从价格震荡或仓位机制赚钱	★★★

其中还有很多混合策略，例如：

趋势过滤 + 截面动量
趋势 + 回调买入
波动收缩 + 突破
截面动量 + Beta Neutral
PCA残差 + 均值回归
Regime + 多策略切换

这反而是实盘里最常见的形式。

二、第一大类：时间序列趋势 / Time-Series Momentum

这是量化里最重要的策略家族之一。

核心逻辑：

BTC 过去一段时间上涨，不跟 ETH 比、不跟 SOL 比，只判断 BTC 自己是不是处于上涨趋势。

经典 TSMOM 就属于这一类。传统期货市场研究发现过去收益在一定时间尺度上存在延续性。(SSRN)

1. Return Momentum

最纯粹版本：

momN=CtCt−N−1mom_N=\frac{C_t}{C_{t-N}}-1

例如：

BTC过去20根4h K线涨幅 > 0
→ 做多BTC
 
BTC过去20根4h K线涨幅 < 0
→ 做空BTC

可以变成：

1d momentum
3d momentum
7d momentum
14d momentum
30d momentum
90d momentum
180d momentum

Crypto 里特别适合研究：

三、移动平均趋势策略

这是趋势策略的一整个巨大分支。

2. 单均线策略

例如：

Ct>MA100C_t>MA_{100}

做多。

反之做空。

常见均线：

SMA
EMA
WMA
VWMA
HMA
KAMA
DEMA
TEMA
ZLEMA

本质没变：

判断价格处于趋势的哪一侧。

3. 双均线

例如：

EMA20 > EMA60 → Long
 
EMA20 < EMA60 → Short

也就是所谓：

Golden Cross
Death Cross

Crypto 常见：

EMA 10/30
EMA 20/60
EMA 50/200

4. 三均线系统

比如：

EMA20 > EMA60 > EMA120

才允许做多。

比简单双均线减少震荡假信号。

四、趋势指标策略

很多所谓“技术指标”，实际上都是趋势策略变体。

包括：

MACD

MACD=EMAfast−EMAslowMACD=EMA_{fast}-EMA_{slow}

策略：

MACD > Signal
MACD > 0
MACD Histogram 扩张
MACD Histogram 反转

ADX / DMI

利用：

例如：

ADX > 25
AND +DI > -DI
 
→ Long

非常适合当：

趋势策略过滤器。

SuperTrend

主要由：

ATR
中间价格

组成。

策略：

Price > SuperTrend → Long
Price < SuperTrend → Short

Aroon

判断：

最近最高价/最低价出现的位置。

Parabolic SAR

本质：

趋势跟踪 + 动态止损。

Ichimoku 云图

可以拆成：

Tenkan
Kijun
Cloud
Chikou

例如：

Price > Cloud
Tenkan > Kijun
→ Long

五、回归趋势

这是我比较建议量化研究，而不是死磕 MACD 的方向。

例如过去 42 根：

ln⁡(Pt)=a+bt+ϵ\ln(P_t)=a+bt+\epsilon

得到：

slope

代表趋势方向。

R²

代表趋势质量。

于是：

score=slope×R2score=slope\times R

你会发现：

A：

涨20%
但是一路暴涨暴跌

B：

涨15%
但是非常稳定

B 的趋势质量反而可能更高。

还能进一步：

score=slopevolatility×R2score= \frac{slope}{volatility} \times R

这是非常典型的趋势质量因子。

六、趋势加速度策略

不是判断：

有没有涨。

而是判断：

涨势是不是正在加速。

例如：

momt−momt−1mom_t-mom_{t-1}

或者：

slopeshort−slopelongslope_{short}-slope_{long}

例如：

30d涨幅 = 20%
7d涨幅 = 15%

意味着近期明显加速。

可以研究：

Momentum acceleration
ROC acceleration
MA spread acceleration
MACD histogram acceleration

七、多周期趋势

非常重要。

例如：

1d趋势：上涨
4h趋势：上涨
1h：回调

于是：

大周期上涨 + 小周期回调 → Long。

这已经从普通趋势策略变成：

Trend + Pullback

实盘非常常见。

比如：

close > EMA200(4h)
 
AND
 
RSI(1h) < 30
 
→ Buy

本质是：

趋势负责方向，均值回归负责入场。

八、第二大类：突破策略 Breakout

突破和趋势非常近，但逻辑不同。

趋势：

已经涨了一段时间，所以继续做多。

突破：

价格刚刚离开一个平衡区域，所以预计形成新的趋势。

Bitcoin 的技术交易研究中，Trading Range Breakout 就曾表现出预测能力，不过这种结果当然不能直接等同于未来持续盈利。(科学网)

8. Donchian Breakout

经典：

Ct>max⁡(Ht−N:t−1)C_t>\max(H_{t-N:t-1})

→ Long。

例如：

突破过去20根K线最高价
→ 买入

就是 Turtle Trading 核心思想。

9. N-Day High

非常简单：

20日新高 → Long
20日新低 → Short

扩展：

5 bar
10 bar
20 bar
55 bar
100 bar

九、Range Breakout

先定义：

Range=HighestHigh−LowestLowRange=HighestHigh-LowestLow

价格突破 Range：

突破区间上沿 → Long
 
跌破区间下沿 → Short

Crypto 非常重要。

尤其：

横盘 → 突破 → 趋势。

十、ATR Breakout

例如：

Upper=Open+k×ATRUpper=Open+k\times ATR Lower=Open−k×ATRLower=Open-k\times ATR

突破：

Price > Upper → Long

属于：

Volatility Breakout

Larry Williams 一类思想就在这里。

十一、波动收缩突破

这个家族非常大。

核心市场行为：

高波动
↓
越来越低
↓
市场压缩
↓
突然扩张
↓
趋势

典型策略：

Bollinger Squeeze

Bollinger Band Width：

BBW=Upper−LowerMABBW=\frac{Upper-Lower}{MA}

BBW 非常低：

波动压缩。

然后突破：

Long / Short。

TTM Squeeze

Bollinger Band：

进入 Keltner Channel。

随后脱离。

NR4

NR7

Inside Bar Breakout

High_t < High_{t-1}
Low_t > Low_{t-1}

意味着波动被包住。

下一根突破母K：

→ 交易。

十二、Opening Range Breakout

Crypto 没有传统意义的开盘，但是仍然可以人为定义：

UTC 00:00 - 01:00
亚洲时段
欧洲开盘
美股开盘

得到：

ORH,ORLORH,ORL

突破 ORH：

→ Long。

十三、ATH / ATL Breakout

例如：

创30天新高
创90天新高
创历史新高

可以形成：

New High Momentum
Distance to ATH
ATH Breakout

Crypto 特别值得研究。

十四、第三大类：均值回归 Mean Reversion

核心逻辑跟趋势完全相反：

趋势：

涨了继续涨。

Mean Reversion：

涨得太多了，要跌回来。

十五、Moving Average Deviation

定义：

dev=Ct−MANMANdev=\frac{C_t-MA_N}{MA_N}

例如：

dev < -5%
→ Long
 
dev > +5%
→ Short

十六、Z-Score

比简单百分比更科学：

Z=Pt−μNσNZ= \frac{P_t-\mu_N}{\sigma_N}

例如：

Z < -2 → Long
Z > 2 → Short
 
Z回到0 → 平仓

这是整个统计套利世界最基础的模型之一。

十七、Bollinger Mean Reversion

不是突破 Bollinger。

而是：

价格跌破Lower Band
→ Long
 
回MA
→ Close

或者：

Price > Upper
→ Short

所以同一个 Bollinger：

可以做：

Breakout。

也可以做：

Mean Reversion。

真正决定策略的是规则，不是指标。

十八、Keltner Mean Reversion

类似：

MA±k×ATRMA \pm k\times ATR

超出边界以后反向交易。

十九、RSI策略

经典：

RSI < 30 → Buy
 
RSI > 70 → Sell

但 RSI 其实有很多玩法。

RSI Reversion

超买超卖。

RSI Momentum

RSI > 50 → Long

RSI Divergence

价格：

Lower Low

但 RSI：

Higher Low

→ bullish divergence。

二十、其他震荡器反转

这一族基本都是 mean reversion：

Stochastic
Williams %R
CCI
DeMarker
Connors RSI
Ultimate Oscillator
MFI

不同指标只是：

如何定义“涨太多/跌太多”。

二十一、VWAP Mean Reversion

如果你有足够细的 Kline：

可以计算：

Daily VWAP
Rolling VWAP
Anchored VWAP

例如：

Z=P−VWAPσZ=\frac{P-VWAP}{\sigma}

大幅偏离 VWAP：

→ Fade。

Crypto 日内值得研究。

二十二、Gap Fade

例如：

BTC 4h 开盘相对于前一根 close 大幅跳跃

虽然 Crypto 连续交易导致真正交易所 gap 少很多，但：

跨 bar jump
周末/交易所异常
新合约
大事件

仍可能出现。

策略：

Gap 出现以后赌回补。

二十三、Extreme Move Reversal

例如：

return1h<−5%return_{1h}←5%

同时：

ATR−normalized return<−3σATR-normalized\ return←3\sigma

→ Long。

就是：

极端暴跌反弹。

Crypto 很典型。

二十四、Long Wick Reversal

例如：

LowerWick/Range>0.6LowerWick/Range>0.6

代表：

大幅杀跌 → 被买回来。

可以构建：

long lower wick
+
high volume
+
oversold
→ Long

二十五、Failed Breakout

这个非常重要。

先：

突破20日最高点

然后：

迅速跌回区间

策略：

→ Short。

所谓：

False Breakout
Bull Trap
Bear Trap
Liquidity Sweep

如果只有 K线，也可以做一个近似版本。

二十六、第四大类：截面动量 Cross-Sectional Momentum

这个对你的币圈多币种研究尤其重要。

它跟 TSMOM 完全不同。

假设：

Coin	30d return
SOL	+45%
ETH	+20%
BTC	+10%
XRP	-5%
DOGE	-20%

做：

Long SOL/ETH
Short XRP/DOGE

这是：

Cross-Sectional Momentum

Crypto 市场已有研究发现短周期截面动量现象，例如过去约30天表现较好的资产在随后约7天继续相对占优。(SSRN)

二十七、最简单的截面动量

scorei=returni,Nscore_i=return_{i,N}

然后：

Top 10 Long
Bottom 10 Short

二十八、风险调整 Momentum

比 raw return 好：

scorei=returnivoliscore_i= \frac{return_i}{vol_i}

也就是：

Sharpe Momentum

二十九、Trend Quality Momentum

例如：

score=momentum×R2score= momentum \times R

或者：

score=slope×R2volscore= \frac{slope\times R^2}{vol}

比简单涨幅排名更关注：

是不是稳定上涨。

三十、Multi-Horizon Momentum

比如：

score=0.2R7d+0.4R30d+0.4R90dscore= 0.2R_{7d} +0.4R_{30d} +0.4R_{90d}

避免单一窗口。

三十一、Momentum Acceleration Ranking

不是排名涨幅。

排名：

momshort−momlongmom_{short}-mom_{long}

寻找：

最近突然开始走强的币。

三十二、Residual Momentum

这是我很建议研究的。

SOL 涨 20%。

BTC 涨 18%。

那么 SOL 真正独立的强势只有一点点。

可以先回归：

rSOL=α+βrBTC+ϵr_{SOL}=\alpha+\beta r_{BTC}+\epsilon

然后：

momentum=∑ϵmomentum=\sum\epsilon

排名。

也就是：

剔除整个 Crypto 大盘上涨以后，谁真正最强。

比单纯 return momentum 更接近 alpha。

三十三、Sector-Neutral Momentum

例如：

L1
L2
Meme
AI
DeFi
Exchange
RWA

分别内部排名。

避免：

AI赛道整体上涨，所以Top10全是AI币。

这叫：

Neutralization

三十四、第五大类：截面反转 Cross-Sectional Reversal

刚才：

最强继续强。

现在反过来：

今天涨最多的明天跌。

例如过去1h：

Coin	Return
A	+8%
B	+5%
C	0
D	-6%
E	-10%

策略：

Short A/B
Long D/E

这就是：

Cross-Sectional Reversal

Crypto 日内研究中同时存在 momentum 和 reversal 的证据，因此关键不是问“Crypto到底趋势还是反转”，而是哪个时间尺度、哪个状态下出现哪一种。(科学网)

三十五、短期反转

可以研究：

常见原因可能包括：

过度反应
流动性冲击
杠杆爆仓后的修复
短期资金冲击

三十六、Residual Reversal

同样不要直接看 return。

先去掉：

BTC betaBTC\ beta

然后选择残差：

残差跌最多 → Long
 
残差涨最多 → Short

这个非常值得做。

三十七、第六大类：Pairs Trading / 相对价值

现在从：

单币。

升级到：

两个币之间。

例如：

ETH 与 SOL。

三十八、Price Ratio Mean Reversion

定义：

Rt=SOLtETHtR_t=\frac{SOL_t}{ETH_t}

然后：

Z=Rt−μRσRZ= \frac{R_t-\mu_R}{\sigma_R}

如果：

Z>2Z>2

说明 SOL 相对 ETH 太贵：

Short SOL
Long ETH

如果：

Z<−2Z←2

：

Long SOL
Short ETH

三十九、Distance Pairs

经典 pairs trading 做法之一就是寻找历史价格路径相近的资产，再交易其偏离后的收敛。(NBER)

Crypto 可以寻找：

BTC/ETH
SOL/AVAX
ARB/OP
DOGE/SHIB
AAVE/COMP
UNI/SUSHI

注意这里只是举结构关系，不意味着这些 pair 一定有稳定协整关系。

四十、Cointegration

比 correlation 更严格。

寻找：

Yt−βXtY_t-\beta X_t

如果：

spreadtspread_t

平稳：

就可以：

spread高 → Short Y / Long X
spread低 → Long Y / Short X

这是非常经典的 Statistical Arbitrage。

四十一、Kalman Pair

Beta 不固定：

Yt=βtXt+ϵtY_t=\beta_tX_t+\epsilon_t

使用：

Kalman Filter

实时估计：

βt\beta_t

比 rolling OLS 更动态。

四十二、Basket Stat Arb

不一定两个币。

例如：

SOL−(β1BTC+β2ETH+β3AVAX)SOL - (\beta_1BTC+\beta_2ETH+\beta_3AVAX)

交易 residual。

四十三、PCA Statistical Arbitrage

假设有100个币。

收益矩阵：

RT×100R_{T\times100}

PCA 提取：

Market factor
Sector factor
其他共同因子

得到：

ri=βiF+ϵir_i=\beta_iF+\epsilon_i

然后交易：

ϵi\epsilon_i

也就是：

Residual Mean Reversion

这是非常标准的多资产 StatArb 思维。

四十四、Lead-Lag

例如：

观察：

BTCtBTC_{t}

是否领先：

ALTt+1ALT_{t+1}

可以测试：

corr(rBTC,t,rSOL,t+k)corr(r_{BTC,t},r_{SOL,t+k})

形成：

BTC动 → 山寨币随后动。

还可以做：

ETH → L2
BTC → ETH
龙头币 → 同赛道币
Binance → OKX
spot → perp

这些只需要多个市场的 K 线就能做初步研究。

但真正毫秒级 lead-lag 不能依赖分钟K线。

四十五、Cross-Exchange Spread

例如：

spread=PBinance−POKXspread= P_{Binance}-P_{OKX}

如果出现稳定偏离：

做 convergence。

不过：

K线适合研究低频价差，不适合验证真正高频跨所套利。

因为你不知道 bar 内两个价格是否同时可成交。

四十六、Spot-Perp Basis

只用现货K线 + 永续K线即可计算：

basis=Pperp−PspotPspotbasis= \frac{P_{perp}-P_{spot}}{P_{spot}}

可以做：

basis mean reversion
basis momentum
extreme basis fade

但真正完整的永续 carry 策略还必须加入：

Funding Rate。

所以这属于：

K线能研究一部分，但不是纯OHLCV完整策略。

四十七、第七大类：波动率策略

这里特别容易混淆：

你用永续合约不能像期权那样直接 long volatility。

但你可以根据：

Realized Volatility 状态。

调整方向、仓位或者策略。

四十八、Historical Volatility

例如：

RVN=∑i=1Nri2RV_N= \sqrt{\sum_{i=1}^{N}r_i^2}

或者 return std。

策略：

低波动 → 准备突破
 
高波动 → 减仓

四十九、Range-Based Volatility

OHLC 信息比只用 close 更多。

可以构造：

Parkinson volatility
Garman-Klass
Rogers-Satchell
Yang-Zhang

利用：

High,Low,Open,CloseHigh,Low,Open,Close

估计 realized volatility。

五十、Volatility Compression

例如：

RVshort/RVlongRV_{short}/RV_{long}

非常低。

意味着：

当前波动明显低于正常水平。

随后寻找 breakout。

五十一、Volatility Expansion

例如：

ATRt/ATR20>1.5ATR_t/ATR_{20}>1.5

代表：

市场开始扩张。

可以作为趋势确认。

五十二、Volatility Mean Reversion

波动率具有 clustering，但也具有明显状态均值回归。

例如：

RV percentile > 95%

之后预测：

波动逐步回落。

虽然不能直接 short vol，可以：

减杠杆
改用 mean reversion
缩短持仓
调整止损

五十三、Volatility Targeting

不是 alpha，但是非常重要。

目标：

σtarget=10%\sigma_{target}=10%

仓位：

wt=σtargetσtw_t= \frac{\sigma_{target}} {\sigma_t}

例如：

BTC 高波动：

→ 仓位小。

BTC 低波动：

→ 仓位大。

这是趋势系统极其常见的增强方式。

五十四、Volatility-of-Volatility

计算：

VoV=std(RV)VoV=std(RV)

寻找：

波动本身是不是稳定。

可以用于风险过滤。

五十五、Downside / Upside Volatility

拆：

σ+\sigma^+

和：

σ−\sigma

例如：

下跌波动突然大幅增加。

可能属于风险状态。

五十六、Jump策略

识别：

∣r∣>kσ|r|>k\sigma

或者：

Range/ATRRange/ATR

突然异常。

Jump 以后可以研究两种完全相反的逻辑：

Jump Continuation

继续追。

Jump Reversal

反向做。

这正是典型需要通过数据回答的问题。

五十七、第八大类：量价策略 Price × Volume

这一族经常被低估。

一项覆盖近3000种加密资产的研究发现，价格类技术信号与成交量类信息在不同预测期限上的有效性存在差异，这也说明 volume 并不是简单重复 price 信息。(科学网)

五十八、Volume Momentum

例如：

volume_ratio=VtMA(V,20)volume_ratio= \frac{V_t}{MA(V,20)}

然后：

Price上涨
AND volume_ratio > 2
→ Long

五十九、Breakout + Volume

突破：

20dHigh20dHigh

但是要求：

Volume>2×MA20(Volume)Volume>2\times MA_{20}(Volume)

过滤假突破。

六十、Volume Divergence

价格：

New High

但是 Volume：

下降

可能代表：

趋势衰竭。

六十一、OBV

OBVt=OBVt−1+sign(Ct−Ct−1)VtOBV_t= OBV_{t-1} + sign(C_t-C_{t-1})V_t

可以：

OBV Trend
OBV Breakout
Price-OBV Divergence

六十二、Money Flow Index

类似：

Volume weighted RSI。

六十三、Accumulation / Distribution

使用 Close 在当根：

High−LowHigh-Low

里的位置来估计资金流。

六十四、Chaikin Money Flow

CMF。

利用：

high
low
close
volume

判断买卖压力。

六十五、Price Volume Trend

PVT/VPT：

结合：

return×volumereturn\times volume

六十六、Force Index

大致：

(Ct−Ct−1)Vt(C_t-C_{t-1})V_t

寻找：

有多少成交量推动了多少价格变化。

六十七、Amihud Illiquidity

非常值得研究。

ILLIQ=∣r∣DollarVolumeILLIQ= \frac{|r|} {DollarVolume}

意味着：

一美元成交额造成多少价格变化。

Crypto 横截面里可以把它变成：

Liquidity Factor

六十八、Price Impact Proxy

类似：

Impact=∣Return∣VolumeImpact= \frac{|Return|} {Volume}

寻找：

同样成交量，谁更容易被推动。

六十九、Turnover Factor

例如你之前提到过的结构：

turnover_ratio=turnoverMA(turnover,N)turnover_ratio= \frac{turnover} {MA(turnover,N)}

可以与：

momentummomentum

组合：

score=momentumvol×log⁡(1+turnover_ratio)score= \frac{momentum}{vol} \times\log(1+turnover_ratio)

本质就是：

趋势 + 风险调整 + 量能确认。

七十、Binance 扩展 Kline 信号

如果不只是标准 OHLCV，而是把 Binance 原始 Kline 里的字段也保存下来，还可以有：

Quote Volume
Number of Trades
Taker Buy Base Volume
Taker Buy Quote Volume

于是：

TakerBuyRatio=TakerBuyVolumeTotalVolumeTakerBuyRatio= \frac{TakerBuyVolume}{TotalVolume}

这就出现：

Taker Buy Momentum

Taker Buy Divergence

Trade Count Momentum

Average Trade Size

AvgTradeSize=Volume/NTradesAvgTradeSize= Volume/NTrades

这些已经非常接近：

简化版微观结构因子。

但仍然可以只靠 Binance candle 数据完成。

七十一、第九大类：K线形态 / Price Action

数量极其多。

不过我会把它放较低研究优先级。

因为：

很多经典名字只是同几个 OHLC 几何关系换了名字。

单根 Candle

Doji

∣Close−Open∣≪High−Low|Close-Open|\ll High-Low

Hammer

小实体 + 长下影。

Shooting Star

小实体 + 长上影。

Marubozu

大实体 + 很小影线。

Pin Bar

长 Wick。

七十二、双K线

包括：

Bullish Engulfing
Bearish Engulfing
Harami
Piercing Line
Dark Cloud Cover
Tweezer Top
Tweezer Bottom

全部可以机械量化。

七十三、三K线

例如：

Morning Star
Evening Star
Three White Soldiers
Three Black Crows

七十四、Inside / Outside Bar

Inside Bar

Ht<Ht−1H_t<H_{t-1} Lt>Lt−1L_t>L_{t-1}

Outside Bar

反过来。

可以分别做：

Breakout
Reversal

七十五、Swing High / Swing Low

定义局部极值：

H[t] > H[t-1]
H[t] > H[t+1]

然后寻找市场结构：

HH
HL
HH
HL

→ Uptrend。

或者：

LH
LL
LH
LL

→ Downtrend。

七十六、Support / Resistance

根据历史：

Swing High
Swing Low
Pivot
Clustered Price Levels

构造：

支撑阻力。

然后：

Breakout
Bounce
Failed Breakout

七十七、Chart Pattern

这些也能算法化：

Double Top
Double Bottom
Triple Top
Triple Bottom
Head and Shoulders
Inverse H&S
Triangle
Ascending Triangle
Descending Triangle
Symmetrical Triangle
Wedge
Flag
Pennant
Rectangle
Cup and Handle
Channel

本质大部分可以化为：

Swing point 几何关系。

七十八、ZigZag策略

先过滤小波动：

得到：

Peak
Trough
Peak
Trough

然后识别趋势与结构。

需要特别小心：

ZigZag 很容易产生未来函数。

七十九、Fibonacci

例如回撤：

0.382
0.5
0.618

可以构成：

大趋势上涨
↓
回撤到0.5~0.618
↓
Long

量化可以做。

但是我不会把这种策略放在研究第一梯队。

八十、Heikin-Ashi

OHLC 转化成新的 bar。

主要：

降低噪声，强化趋势。

可以作为趋势信号。

八十一、Renko / Range Bar

本质：

不再按照时间采样，而按照价格运动采样。

严格来说，如果只有 OHLC Kline：

只能近似重建。

如果有 tick/trade：

更可靠。

八十二、第十大类：季节性 / Calendar

Crypto 是 24/7。

所以特别有意思。

八十三、Hour-of-Day

统计：

E[r∣hour=h]E[r|hour=h]

例如：

UTC 0点
UTC 8点
UTC 14点

是否存在系统性收益差异。

八十四、Day-of-Week

例如：

Monday Effect
Friday Effect
Weekend Effect

Crypto 可以研究：

周一~周日

因为：

周末仍然交易。

八十五、Weekend Strategy

研究：

Saturday/Sunday

是否存在：

momentum
reversal
lower liquidity
volatility difference

八十六、Session Strategy

人为划分：

Asia

Europe

US

统计：

亚洲涨
→ 欧洲继续涨？
 
亚洲涨
→ 美国反转？

这叫：

Cross-Session Momentum / Reversal

八十七、Time-of-Day Momentum

比如：

rAsiar_{Asia}

预测：

rUSr_{US}

传统市场已有 intraday momentum 文献；Crypto 也有日内 momentum/reversal 研究。(科学网)

八十八、Month Effect

Crypto 也可以测试：

Month Start
Month End
Quarter Start
Quarter End
Year End

不能预设一定存在。

但属于合法研究方向。

八十九、UTC Boundary Effect

Crypto 特别值得测：

23:00–00:00 UTC
00:00–01:00 UTC

因为大量系统、日K、结算逻辑围绕 UTC。

九十、第十一大类：市场状态 Regime

这一类对于“多策略”极其重要。

因为现实通常不是：

找到一个永远赚钱的策略。

而是：

趋势市场 → Trend
震荡市场 → Mean Reversion
高波动 → Risk Off
低波动 → Breakout

九十一、趋势 / 震荡 Regime

可以利用：

ADX

Hurst Exponent

Variance Ratio

Autocorrelation

MA slope

R²

例如：

ADX > 25
→ Trend Strategy
 
ADX < 15
→ Mean Reversion

九十二、Bull / Bear Regime

例如 BTC：

BTC > MA200
→ Bull
 
BTC < MA200
→ Bear

整个山寨策略跟着变。

九十三、Volatility Regime

根据：

RVRV

分：

Low Vol
Normal Vol
High Vol
Extreme Vol

每种状态不同策略。

九十四、Correlation Regime

比如山寨币与 BTC 平均相关系数：

ρ\rho

突然：

0.4 → 0.9

说明：

市场进入高度系统性风险状态。

此时横截面 alpha 往往会发生巨大变化。

九十五、Dispersion Regime

定义：

Dispersiont=std(r1,t,…,rN,t)Dispersion_t= std(r_{1,t},…,r_{N,t})

如果币之间收益差异巨大：

Cross-sectional strategy 机会可能更多。

反之：

所有币一起涨跌，截面空间减少。

这对你的多币策略非常重要。

九十六、Market Breadth

完全可以通过 K线计算：

例如：

Breadth=#(Ci>MA20,i)NBreadth= \frac{#(C_i>MA_{20,i})}{N}

如果：

80%币 > MA20

说明：

广谱上涨。

还可以：

% New High
% New Low
Up/Down ratio
Median return
Median momentum

这些都是：

Market State Factor

九十七、Change Point

寻找：

市场统计性质什么时候突然变化。

算法：

CUSUM
Bayesian Change Point
BOCPD
rolling mean shift
rolling volatility shift

然后动态切策略。

九十八、HMM / Markov Switching

输入：

Return
Vol
Volume
Correlation

模型输出：

State 0：低波动上涨
State 1：高波动下跌
State 2：震荡

然后不同 State：

使用不同策略。

这个已经属于非常标准的：

Meta Strategy

九十九、第十二大类：传统统计时间序列策略

不是技术指标，而是数学模型。

100. AR

rt=α+βrt−1+ϵr_t= \alpha+\beta r_{t-1}+\epsilon

如果：

β>0\beta>0

Momentum。

如果：

β<0\beta<0

Mean Reversion。

101. ARIMA

利用过去：

return
differencing
autocorrelation

预测未来。

102. VAR

多个币：

BTCt,ETHt,SOLtBTC_t,ETH_t,SOL_t

互相预测。

非常适合研究：

Lead-Lag。

103. Granger Causality

测试：

BTC过去收益有没有增量预测SOL未来收益。

注意：

Granger causality 不代表真正因果关系。

104. Ornstein-Uhlenbeck

经典均值回归：

dXt=θ(μ−Xt)dt+σdWtdX_t=\theta(\mu-X_t)dt+\sigma dW_t

可以估计：

Mean

μ\mu

Speed

θ\theta

Half-life

HL=ln⁡2θHL=\frac{\ln2}{\theta}

非常适合：

Spread Mean Reversion。

105. Kalman Filter

可以：

动态趋势
动态 Beta
动态 Hedge Ratio
平滑价格
State Estimation

106. GARCH

预测：

σt+1\sigma_{t+1}

用于：

position sizing
risk control
volatility regime
breakout filter

107. PCA

前面讲过。

可以同时用于：

Factor Extraction
Residual Alpha
Risk Neutralization

108. Fourier / Frequency

把价格/收益拆成不同周期。

寻找：

周期性。

109. Wavelet

同时看：

时间 + 频率。

比 FFT 更适合非平稳金融序列。

110. Hilbert / Dominant Cycle

John Ehlers 一类交易方法大量使用：

Hilbert Transform
Cycle Period
Phase

寻找市场周期。

研究价值有，但我会排在主流趋势/截面/StatArb 后面。

十一、第十三大类：机器学习 K线策略

这里要强调：

Random Forest、XGBoost、Transformer 本身不是 Alpha。

它只是：

把 K线特征 → 未来收益。

真正的 alpha 仍然来自：

momentum
reversal
volatility
volume
cross-sectional
relative value
regime

等数据结构。

Bitcoin 技术分析研究中已经有人把技术指标输入 Random Forest 等非线性模型进行预测，因此“技术指标 + ML”本质上是上述传统信号的非线性组合。(科学网)

111. Regression

预测：

r^t+1\hat r_{t+1}

模型：

Linear Regression
Ridge
Lasso
ElasticNet

112. Classification

预测：

P(rt+1>0)P(r_{t+1}>0)

例如：

P(up) > 0.60 → Long
P(up) < 0.40 → Short

113. Cross-Sectional Ranking

这是我更推荐的。

不是预测：

SOL明天涨1.37%SOL明天涨1.37%

而是预测：

SOL 在全市场100个币里明天排名第几。

模型：

scorei=f(Xi)score_i=f(X_i)

然后：

Top 10 Long
Bottom 10 Short

非常适合 Crypto。

114. Tree Models

包括：

Decision Tree
Random Forest
ExtraTrees
XGBoost
LightGBM
CatBoost

输入：

return_1
return_5
return_20
vol_20
ATR
RSI
volume_ratio
distance_MA
drawdown
beta
correlation
...

输出 future return。

115. SVM / KNN

传统机器学习方法。

目前一般不属于我的首选，但仍是一类。

116. Neural Network

例如：

MLP

技术指标特征。

CNN

可以把：

N × OHLCV

当作二维/一维结构。

LSTM

时间序列。

GRU

时间序列。

TCN

Temporal Convolution。

Transformer

直接处理：

Xt−N:tX_{t-N:t}

预测未来。

117. Candlestick Image

把 K 线：

→ 图片。

然后：

CNN / Vision Transformer。

这也是一种策略。

但我认为多数情况下：

直接数值输入比转图片更自然。

118. Autoencoder

从1000个K线特征压缩成：

latent factorslatent\ factors

再做：

clustering
anomaly detection
alpha prediction

119. Clustering

根据币的：

momentum
volatility
correlation
volume

聚类。

然后：

Cluster-neutral selection。

120. ML Regime

例如：

XGBoost / HMM
↓
判断市场状态
↓
选择Trend / Reversion

这往往比：

ML直接预测下一根涨跌

更合理。

121. Meta Labeling

先有一个基础策略：

Momentum说Long

ML不决定方向。

只决定：

这次信号要不要做。

即：

P(signal succeeds)P(signal\ succeeds)

例如：

Momentum Signal
↓
ML Filter
↓
Trade / No Trade

非常值得研究。

122. Triple Barrier

Label：

Take Profit
Stop Loss
Timeout

谁先触发。

例如：

+3%
-2%
24h

然后 ML 学：

哪种K线状态下TP先被触发。

123. Reinforcement Learning

状态：

St=KlineFeaturesS_t=KlineFeatures

动作：

Long/Flat/ShortLong/Flat/Short

奖励：

PnL−Cost−RiskPnL-Cost-Risk

例如：

也是 K线策略。

不过实盘量化我不会把它放在优先级特别高的位置。

124. Genetic Programming

自动搜索：

if RSI < 30
and ATR < x
and momentum > y
...

形成策略表达式。

125. Symbolic Regression

让算法寻找：

Alpha=f(return,volume,volatility…)Alpha= f(return,volume,volatility…)

例如自动产生：

ret20vol20×log⁡(1+volumeRatio)\frac{ret_{20}}{vol_{20}} \times\log(1+volumeRatio)

这种 Alpha 表达式。

其实 Quant 里很常见。

十二、第十四大类：Grid / DCA / Position Strategy

这个很多人会漏掉。

它不一定有传统意义上的预测 Alpha。

但确实是完整交易策略。

126. Grid Trading

定义：

不断：

跌一格买
涨一格卖

本质：

利用震荡。

127. Neutral Grid

上下都交易。

适合：

Range market。

128. Trend Grid

例如：

大趋势向上，只做 Long Grid。

本质：

Trend + Grid

其实比裸 Grid 更合理。

129. Dynamic Grid

Grid 间距：

GridSpacing=k×ATRGridSpacing=k\times ATR

市场波动大：

Grid变宽。

波动小：

Grid变窄。

130. DCA

价格越跌：

分批买。

本质接近：

Long-term mean reversion + position averaging。

131. Martingale

亏损以后：

加仓。

风险非常大。

它不是 Alpha。

只是：

改变收益分布，把大量小盈利换成极端尾部亏损。

132. Anti-Martingale

反过来：

赚钱以后加仓。

趋势跟踪里常见：

Pyramiding

133. Pyramiding Trend

例如：

突破 → 1x
再涨1ATR → +0.5x
再涨1ATR → +0.5x

趋势越确认：

仓位越大。

十三、还有一整棵树叫 Portfolio Strategy

它们严格来说不一定产生 Alpha，但实盘绝对属于策略系统的一部分。

包括：

134 Equal Weight

wi=1/Nw_i=1/N

135 Volatility Parity

wi∝1/σiw_i\propto1/\sigma_i

136 Risk Parity

控制每个资产：

风险贡献一致。

137 Beta Neutral

例如：

Long 山寨。

但对 BTC：

β=0\beta=0

138 Dollar Neutral

LongNotional=ShortNotionalLongNotional=ShortNotional

比如：

$1m Long
$1m Short

139 Factor Neutral

消除：

BTC Beta
ETH Beta
Sector
Volatility
Size proxy

以后再做 alpha。

140 Volatility Target

前面说过。

整个组合控制：

PortfolioVol=10%PortfolioVol=10%

141 Drawdown Scaling

例如：

DD < 5% → 100%仓位
 
DD 5~10% → 70%
 
DD > 10% → 30%

142 Kelly

f∗=μσ2f^*=\frac{\mu}{\sigma^2}

实际通常：

Fractional Kelly。

十四、退出策略本身也有一个巨大分类

同样的 Alpha，Exit 不同，结果可能天差地别。

包括：

Fixed Holding

持有：

1h
4h
24h
7d

Signal Reversal

信号反转再出。

MA Exit

跌破 MA。

Donchian Exit

跌破 N-day low。

Fixed Stop Loss

例如：

-3%

Fixed Take Profit

+6%

ATR Stop

Stop=k×ATRStop=k\times ATR

Trailing Stop

最高价回撤：

5%

Chandelier Exit

HighestHigh−kATRHighestHigh-kATR

Time Stop

持仓超过：

24h

退出。

Volatility Stop

波动突然异常：

退出。

Drawdown Stop

策略本身 drawdown 过大：

减仓/停机。

所以不要把：

Alpha Signal

误认为：

完整 Strategy。

完整策略至少是：

Strategy=Universe+Signal+Filter+Portfolio+Sizing+Execution+Exit+RiskStrategy= Universe +Signal +Filter +Portfolio +Sizing +Execution +Exit +Risk

十五、把所有内容重新压缩成真正的“策略树”

你以后可以直接按这棵树建设研究系统：

KLINE / OHLCV STRATEGIES
│
├── 1. Directional
│   │
│   ├── Trend / Momentum
│   │   ├── Return Momentum
│   │   ├── MA
│   │   ├── MACD
│   │   ├── Regression Trend
│   │   ├── ADX
│   │   ├── SuperTrend
│   │   ├── Ichimoku
│   │   ├── Momentum Acceleration
│   │   └── Multi-Timeframe
│   │
│   ├── Breakout
│   │   ├── Donchian
│   │   ├── N-Bar High
│   │   ├── Range Breakout
│   │   ├── ATR Breakout
│   │   ├── Bollinger Squeeze
│   │   ├── NR4/NR7
│   │   ├── Inside Bar
│   │   ├── Opening Range
│   │   └── ATH Breakout
│   │
│   └── Mean Reversion
│       ├── MA Deviation
│       ├── Z-Score
│       ├── Bollinger Fade
│       ├── VWAP Reversion
│       ├── RSI
│       ├── Stochastic
│       ├── Extreme Return
│       ├── Gap Fade
│       ├── Wick Reversal
│       └── Failed Breakout
│
├── 2. Cross-Sectional
│   ├── Momentum
│   ├── Reversal
│   ├── Vol-adjusted Momentum
│   ├── Residual Momentum
│   ├── Residual Reversal
│   ├── Trend Quality
│   ├── Acceleration
│   ├── Liquidity
│   ├── Low Vol
│   ├── Beta
│   ├── Idiosyncratic Vol
│   ├── Drawdown
│   ├── New High
│   └── Multi-Factor
│
├── 3. Relative Value / StatArb
│   ├── Pairs
│   ├── Ratio
│   ├── Cointegration
│   ├── OU
│   ├── Kalman
│   ├── Basket
│   ├── PCA Residual
│   ├── Lead-Lag
│   ├── Cross-Exchange
│   ├── Spot-Perp
│   └── Sector Relative Value
│
├── 4. Volatility
│   ├── Realized Vol
│   ├── Range Vol
│   ├── Vol Breakout
│   ├── Vol Compression
│   ├── Vol Expansion
│   ├── Vol Mean Reversion
│   ├── Jump
│   ├── Vol-of-Vol
│   └── Vol Targeting
│
├── 5. Price × Volume
│   ├── Volume Momentum
│   ├── Volume Breakout
│   ├── OBV
│   ├── MFI
│   ├── CMF
│   ├── A/D
│   ├── VPT
│   ├── Force Index
│   ├── VWAP
│   ├── Price Impact
│   ├── Liquidity
│   └── Taker Buy Ratio
│
├── 6. Price Action
│   ├── Candle
│   ├── Wick
│   ├── Engulfing
│   ├── Inside/Outside Bar
│   ├── Swing Structure
│   ├── Support/Resistance
│   ├── Double Top/Bottom
│   ├── H&S
│   ├── Triangle
│   ├── Flag
│   ├── Wedge
│   └── Harmonic/Geometry
│
├── 7. Seasonality
│   ├── Hour
│   ├── Session
│   ├── Day-of-Week
│   ├── Weekend
│   ├── Month
│   ├── Month-End
│   └── UTC Boundary
│
├── 8. Regime
│   ├── Bull/Bear
│   ├── Trend/Range
│   ├── Volatility State
│   ├── Correlation State
│   ├── Dispersion
│   ├── Breadth
│   ├── HMM
│   └── Change Point
│
├── 9. Statistical
│   ├── AR
│   ├── ARIMA
│   ├── VAR
│   ├── GARCH
│   ├── OU
│   ├── Kalman
│   ├── PCA
│   ├── Fourier
│   └── Wavelet
│
├── 10. Machine Learning
│   ├── Regression
│   ├── Classification
│   ├── Ranking
│   ├── Random Forest
│   ├── XGBoost
│   ├── LightGBM
│   ├── Neural Network
│   ├── LSTM
│   ├── TCN
│   ├── Transformer
│   ├── Autoencoder
│   ├── Clustering
│   ├── Meta Labeling
│   ├── Reinforcement Learning
│   └── Symbolic Regression
│
└── 11. Position / Portfolio
    ├── Grid
    ├── Trend Grid
    ├── DCA
    ├── Martingale
    ├── Pyramiding
    ├── Equal Weight
    ├── Vol Parity
    ├── Risk Parity
    ├── Beta Neutral
    ├── Factor Neutral
    ├── Vol Target
    └── Kelly

这基本就是K线量化策略的全景地图。

十六、但真正做币圈合约，我不会140种一起研究

这一点非常重要。

这些东西表面上有 100 多种，实际上底层 Alpha 来源没有那么多。

我会压缩成下面 8 个真正值得作为“Strategy Family”管理的母策略：

Family	核心收益来源	代表
Trend	return persistence	TSMOM
Breakout	regime transition	Donchian
Reversion	overreaction/liquidity	Z-score
Cross-sectional	relative persistence	XSMOM
StatArb	relative mispricing	PCA/Pair
Volume/Price	trading activity	Volume Momentum
Seasonality	recurring flow	Session
Regime	state dependence	HMM/Vol/Breadth

然后：

MA、MACD、SuperTrend 不应该作为三个独立“主策略”。

因为它们高度相关，都属于：

Trend Alpha

同理：

RSI、Bollinger Fade、CCI、Stochastic

高度相关，都是：

Reversion Alpha

真正的多策略系统要避免：

MA
MACD
SuperTrend
Donchian
Momentum

看起来有5个策略，

实际上：

可能就是5份同一个 Trend risk。

这也是很多量化系统“策略很多但一点都不分散”的原因。

十七、如果让我现在为币安 USDT 永续建立第一版 K线 Strategy Zoo

我反而会只建立 20 个“代表性原型”，覆盖所有主要 Alpha：

ID	Strategy
T01	Time-Series Momentum
T02	Regression Trend
T03	MA Trend
B01	Donchian Breakout
B02	Volatility Squeeze Breakout
M01	Bollinger Mean Reversion
M02	Extreme Return Reversal
M03	Failed Breakout Reversal
X01	Cross-Sectional Momentum
X02	Vol-adjusted XSMOM
X03	Residual Momentum
X04	Cross-Sectional Reversal
S01	Pair Z-Score
S02	Cointegration
S03	PCA Residual Reversion
V01	Volatility Regime
Q01	Volume-confirmed Momentum
Q02	Liquidity/Price Impact
C01	Intraday/Session Seasonality
R01	Regime Switching Ensemble

然后每一个 Mother Strategy 下面再做：

lookback
rebalance
holding period
universe
filter
sizing
exit
neutralization

的参数实验。

这比直接研究100个技术指标科学得多。

十八、还有一件对 Crypto 特别重要

纯 K线策略是非常好的第一阶段研究场，但不要产生一个错觉：

“只要疯狂挖 OHLCV，就可以无限挖 Alpha。”

实际上随着时间尺度降低：

1d
↓
4h
↓
1h
↓
15m
↓
5m
↓
1m

K线的信息损失越来越严重。

因为真正推动短期价格的东西开始变成：

Bid/Ask
Order Book Imbalance
Aggressor Flow
Trade Imbalance
Queue
Spread
Liquidation
OI
Funding
Basis
Options
Cross-exchange flow

2026 年一项针对期货 OHLCV 日内信号的系统性检验就特别强调了：一些看似存在的短周期信号在现实交易成本和严格样本外验证下很容易消失。这个研究对象不是 Crypto，因此不能直接套到币圈，但它揭示的**“K线频率越高，成本和微观结构越重要”**这个问题非常值得重视。(arXiv)

所以我会把整个币圈 Alpha Research 分成：

Kline Alpha→Derivative Alpha→Microstructure Alpha→CrossMarket Alpha→Onchain/Alternative Alpha\boxed{ Kline\ Alpha \rightarrow Derivative\ Alpha \rightarrow Microstructure\ Alpha \rightarrow CrossMarket\ Alpha \rightarrow Onchain/Alternative\ Alpha }

你现在专门把 Kline Alpha 做透是非常正确的一步。

而且经过上面这次分类以后，其实下一步已经很明确了：不要问“还有什么指标”，而是开始为 Trend / Reversion / Cross-Section / StatArb / Volume / Volatility / Seasonality 这些真正不同的 Alpha Family，分别建立一套标准策略原型和批量回测矩阵。

这一步一做，你的“多策略量化研究系统”就真正有骨架了。

MindCarver Blog

MindCarver

探索

web3 K 线 全策略

一、先看完整地图

二、第一大类：时间序列趋势 / Time-Series Momentum

1. Return Momentum

三、移动平均趋势策略

2. 单均线策略

3. 双均线

4. 三均线系统

四、趋势指标策略

MACD

ADX / DMI

SuperTrend

Aroon

Parabolic SAR

Ichimoku 云图

五、回归趋势

slope

R²

六、趋势加速度策略

七、多周期趋势

Trend + Pullback

八、第二大类：突破策略 Breakout

8. Donchian Breakout

9. N-Day High

九、Range Breakout

十、ATR Breakout

Volatility Breakout

十一、波动收缩突破

Bollinger Squeeze

TTM Squeeze

NR4

NR7

Inside Bar Breakout

十二、Opening Range Breakout

十三、ATH / ATL Breakout

十四、第三大类：均值回归 Mean Reversion

十五、Moving Average Deviation

十六、Z-Score

十七、Bollinger Mean Reversion

十八、Keltner Mean Reversion

十九、RSI策略

RSI Reversion

RSI Momentum

RSI Divergence

二十、其他震荡器反转

二十一、VWAP Mean Reversion

二十二、Gap Fade

二十三、Extreme Move Reversal

二十四、Long Wick Reversal

二十五、Failed Breakout

二十六、第四大类：截面动量 Cross-Sectional Momentum

Cross-Sectional Momentum

二十七、最简单的截面动量

二十八、风险调整 Momentum

Sharpe Momentum

二十九、Trend Quality Momentum

三十、Multi-Horizon Momentum

三十一、Momentum Acceleration Ranking

三十二、Residual Momentum

三十三、Sector-Neutral Momentum

Neutralization

三十四、第五大类：截面反转 Cross-Sectional Reversal

Cross-Sectional Reversal

三十五、短期反转

三十六、Residual Reversal

三十七、第六大类：Pairs Trading / 相对价值

三十八、Price Ratio Mean Reversion

三十九、Distance Pairs

四十、Cointegration

四十一、Kalman Pair

Kalman Filter

四十二、Basket Stat Arb

四十三、PCA Statistical Arbitrage

Residual Mean Reversion

四十四、Lead-Lag

四十五、Cross-Exchange Spread

四十六、Spot-Perp Basis

web3 K 线全策略