本文提出基于自然可见图的相对强弱指标VGRSI,通过因果性的后向可见性筛选并隐式加权价格增量,构建A0与A1两种0—100刻度的振荡指标。 研究在2024—2025年对DJI30、EUR/USD和XAU/USD开展30日滚动优化、7日步进前向测试,VGRSI策略在三类标的上均取得正累计净利润,且结果显示可见性筛选对策略表现具有重要影响。 但研究仅覆盖三个标的和一个两年样本期,且存在参数范围与窗口设置导致的选择偏差风险,结论应视为初步结果而非普遍盈利证明。
| 标的 | 累计净利润(USD) | 归一化累计利润 | 平均窗口最大回撤 | 年化尺度Sharpe |
|---|---|---|---|---|
| DJI30 | 146,000 | 1,460% | 18% | 约4.3 |
| EUR/USD | 69,000 | 690% | 12% | 3.71 |
| XAU/USD | 125,000 | 1,250% | 10% | 约3.2 |
| 策略 | DJI30 | EUR/USD | XAU/USD |
|---|---|---|---|
| VGRSI | 约146,000 | 约69,000 | 约125,000 |
| 经典RSI(图4显示) | 约-1,850 | 约-51,000 | 约-33,000 |
| 无可见性VGRSI(正文列示) | 33,848 | 30,190 | 27,769 |
我会按报告原有结构展开,先厘清方法与实验设计,再逐一解读四幅图和两张表,并对结果的可比性、风险统计与潜在偏差作审慎评价。由于原文未明确给出正式发布日期、出版机构、表1的完整数值排版及部分公式的清晰版,我会明确区分“报告明示”和“基于报告的推断”。# 一、报告元数据与总体概览
报告标题:《Visibility-Graph-Based Relative Strength Indicator for Financial Market Decision-Making》,可译为《基于可见性图的相对强弱指标及其在金融市场决策中的应用》。
作者:Rafał Rak。
作者机构:波兰热舒夫大学(University of Rzeszow)精确与技术科学学院物理研究所。
发布日期:原文未明确提供正式发布日期;研究样本覆盖2024—2025年,文中示例图使用了2025年10月的数据,因此不能将样本期直接视为报告发布日期。,
发布机构:原文没有明确列出独立的期刊、出版社或研究机构发布信息,能够确认的是作者的大学机构归属。,
研究主题:金融时间序列、技术分析、复杂网络、自然可见性图、相对强弱指标以及自动化交易策略。
报告的核心工作是提出一种新的技术指标——Visibility-Graph-Based Relative Strength Index,简称VGRSI。它保留了传统RSI的0—100数值尺度,但不再简单地对连续价格涨跌进行平均,而是利用价格—时间平面上的“自然可见性”关系筛选历史价格变化,并根据某个历史变化被后续多个价格点“看见”的次数,对其进行隐含加权。,
报告没有给出传统意义上的股票评级、买入/卖出评级或目标价格,因为研究对象不是单一上市公司,而是一个交易指标及其自动化策略。作者通过MetaTrader 5对DJI30、EUR/USD和XAU/USD进行滚动样本外测试,结果显示VGRSI策略在三个品种上均获得正的累计净利润,而传统RSI策略和“不使用可见性筛选”的VGRSI变体在相同条件下均出现损失。, , 不过,作者明确承认研究只覆盖三个品种和一个两年期间,结论属于初步结果,不能证明VGRSI具有普遍盈利能力。, ,
报告首先指出,金融价格变化通常表现出非高斯分布、时间依赖、多尺度组织结构和多重分形等特征。这意味着金融市场的结构不仅体现在单次价格变动的大小,还体现在这些变动如何沿时间排列。 传统移动平均线、MACD、布林带和RSI等指标具有简单、直观、易于自动化的优点,但它们通常依赖局部变化和简单平均,可能忽略价格序列中的非局部几何关系。,
作者对既有RSI研究的回顾并没有简单得出“RSI无效”的结论,而是强调其效果具有明显的不稳定性。例如,有研究发现RSI在印度BSE Sensex上未能在扣除交易成本前实现正收益;也有研究在部分经合组织市场、外汇市场或特定时期发现RSI配置能够产生异常收益。然而,大样本研究表明,近期表现最好的技术规则往往难以在样本外维持,并且即使是适度交易成本也会显著削弱其表现。,
因此,作者的逻辑不是完全否定RSI,而是认为:传统RSI可能有效地表达“上涨和下跌的相对强度”,但没有利用价格序列的几何结构;如果把时间序列转换为可见性网络,可能可以提取连续局部平均之外的信息。
自然可见性图是一种把时间序列转化为网络的方法。每个价格观测值对应一个节点,如果两个节点之间的连线没有被中间价格观测阻挡,则两个节点之间建立连接。 在VGRSI中,这一概念被改造成向后可见性:对于当前或较新的参考价格点,只考虑它之前、且在规定回溯范围内的历史点,因此计算只使用当前时点已经能够获得的数据,不使用未来信息。,
这种设计具有两个含义:
作者由此试图把“涨跌幅度”“涨跌次数”和“时间—价格几何结构”结合起来。
VGRSI使用两个彼此独立的窗口参数:
这两个参数的作用不同。WS控制指标最终汇总多少个参考节点,WV控制每个参考节点可以追溯多远。相比传统RSI通常只有一个周期参数,VGRSI允许“信息聚合范围”和“几何观察范围”分别调整。,
对于每个参考点 (j),算法检查过去一定范围内的点 (i)。如果从点 (j) 到点 (i) 的连线高于所有中间价格点,则认为点 (i) 对点 (j) 可见。与点 (i) 相关的价格增量并不是从 (p_j-p_i) 计算,而是定义为相邻观测之间的单步变化,即由 (p_i) 与 (p_{i-1}) 形成的增量。, 这一点非常重要,因为可见性关系决定“选不选这个增量”,但增量本身始终是连续两个观测值之间的变化。
所有被可见性筛选出来的价格增量被分为正贡献和负贡献。正贡献的总和记为正向幅度,负贡献则通常以绝对值形式汇总为负向幅度;同时,算法还分别统计正、负贡献出现的次数。
由于有序对是“参考节点 (j)”与“历史节点 (i)”的组合,同一个 (\Delta p_i) 可能在多个不同的参考点上满足可见性条件。因此,它可能被重复计算多次。作者将这种重复次数解释为一种几何权重:如果一个历史变化在时间—价格结构中持续具有可见性,它对指标的影响就可能更大。
这与普通RSI的核心区别在于,传统RSI通常基于一定周期内的上涨和下跌变化,并使用Wilder平滑方法;VGRSI则使用可见性筛选后的贡献及其重复次数,不直接采用Wilder平滑收益和损失。
报告定义了两个聚合变体。
A0把两类相对强度结合起来:
作者将二者进行平均或组合。因此,A0在正向贡献数量较多、正向平均变动幅度较大,或者二者同时占优时上升;反之则下降。,
不过,报告特别指出,幅度比本身已经同时受到“贡献数量”和“单次平均幅度”的影响,所以A0并不是两个完全独立维度的纯粹平均,而是一种启发式组合。也就是说,A0的“幅度因素”和“频次因素”存在一定重叠,不能把它们解读成完全相互独立的市场信号。
A1将幅度比除以数量比。由于代数上的数量抵消,A1最终等价于:
可见性筛选后正向贡献的平均变动幅度 ÷ 负向贡献的平均变动幅度。
因此,A1主要衡量单次上涨和单次下跌的平均幅度差异,而不是正负变化出现频率的差异。,
这一区别具有重要解释意义。A1不能被直接理解为“上涨次数增加”或“市场进入新状态”的证据,也不能仅凭A1升高就断言出现突破或市场制度切换。作者在结果部分再次强调,当前实验评估的是完整交易策略,而不是证明A1本身能够识别突破或市场状态改变。
VGRSI最终被转换到0—100区间:
因此,VGRSI保留了传统RSI的直观解释框架:数值越高,正向贡献相对占优;数值越低,负向贡献相对占优。但它的内部经济含义与RSI不同,尤其是其数值受可见节点数量、可见性重复次数以及窗口参数共同影响。
图1展示了一个价格序列中,当前参考点如何向过去寻找可见节点。黑线和黑色圆点表示金融工具的收盘价序列;橙色和绿色点是两个用于展示可见性的参考点;虚线表示参考点与可见历史观测之间的连线;蓝色阴影表示可见性窗口;红色圆点则表示虽然从橙色点看似可见,但已经超出该参考点向后回溯范围、因而被排除的历史点。
图中设置WS=WV=35,说明聚合窗口和可见性窗口都为35。图中最重要的信息不是价格本身的上涨或下跌,而是同一历史点是否能被一个或多个后续点看见。一个历史节点如果能够被多个参考节点连接,就会让其对应的单步价格变化多次进入正负贡献集合,从而形成更高权重。,
图1给出的示例VGRSI A0值为60.1,说明在该示例窗口内,正向贡献及其几何权重略占优势,但并未达到极端超买水平。该图直观说明了VGRSI的因果性:计算只依赖当前和历史观测,蓝色阴影之外的更早数据不会因为几何上可见而被无限制纳入。
图2上半部分显示2025年10月7日至8日的XAU/USD价格,下半部分显示两个不同参数配置下的VGRSI曲线。红线为A0,参数为WS=20、WV=40;蓝线为A1,参数为WS=15、WV=100。下方的30和80虚线是参考阈值。
价格曲线在整个观察期内总体呈上升趋势,但中间出现多次快速回撤、横盘和重新上升。对应的两条VGRSI曲线则在30—80区间内频繁波动,且红线与蓝线并不总是同步。这个现象支持作者关于“A0和A1虽然作用于同一价格轨迹,但对价格结构的反应可能不同”的观点。,
A0采用较短的可见性范围WV=40,A1采用较长的WV=100,因此两条曲线的差异不仅来自聚合逻辑,还来自对历史范围的不同观察。蓝色A1曲线在某些阶段下降到30附近或低于30,而红色A0可能仍维持在中性区域;反过来,A0也会在部分快速波动中短暂冲高至80附近。这说明不同的窗口长度会改变指标对局部波动与较长历史几何结构的敏感度。
需要注意的是,图2是指标行为的可视化示例,而不是完整的盈利验证。它没有展示交易入场、出场、成本、胜率或最大回撤,因此不能单独证明某一次指标极端读数具有预测能力。
图3分为三个面板,分别对应DJI30、EUR/USD和XAU/USD。黑线表示连续7天向前测试窗口累积的净利润,蓝线表示经过缩放处理的品种价格,灰色柱表示每个7天窗口中的交易数量。
DJI30的黑色累计利润曲线总体从零附近上升至约146,000美元,但中间存在明显的平台期和回撤。蓝色价格曲线波动较大,尤其在2025年春季出现剧烈下跌和反弹,而黑色利润曲线并未完全复制价格走势,说明策略并非简单地持有指数多头头寸。,
DJI30的优势是累计利润最高,但报告同时指出其7天窗口平均最大回撤也最高,约为18%。这意味着较高收益伴随更大的短期风险暴露。,
EUR/USD的累计利润约为69,000美元。黑色曲线在样本前段稳步上升,2025年中期出现一段回落,随后恢复并在期末接近69,000美元。图中价格曲线在部分阶段下跌,但累计利润仍然上升,进一步说明策略可能同时使用多头和空头,而不是被动复制汇率的单方向走势。,
EUR/USD的平均窗口最大回撤约为12%,低于DJI30但高于XAU/USD。其交易方向上,平均空头交易数量略多于多头交易。,
XAU/USD累计利润约为125,000美元,位居三个品种第二。其黑色利润曲线在2024年大部分时间持续上升,2025年后段出现较明显的跳升,最终达到约125,000美元。与DJI30和EUR/USD一样,累计利润曲线与蓝色价格曲线并非简单同步,但XAU/USD的价格后期强劲上升与利润快速增长存在时间上的重合。,
XAU/USD的平均窗口最大回撤约为10%,是三个品种中最低的;不过其交易方向明显偏向多头,因此其结果可能部分受样本期黄金价格上行环境的影响。,
报告称,三种工具的交易活跃度约为每天3.3—4.8笔,且每个品种均有多头和空头交易。灰色柱显示不同7天窗口的交易数量差异较大,有些时期交易集中,有些时期交易很少或没有交易。,
图3也说明利润并非在每个7天窗口都为正。黑色曲线存在横向移动和局部下降,因此最终正收益是多个窗口累计后的结果,而不是每个窗口都稳定盈利。,
图4采用与图3类似的结构,黑线表示经典RSI策略的累计利润,蓝线表示经过缩放的价格。三组结果均明显弱于VGRSI。
这组图的重要意义在于,它提供了一个在相同交易环境、相同品种和相同滚动评估框架下的基准比较。结果支持“本实验中,VGRSI的收益并不只是由交易平台、品种或交易成本设置所造成”的初步判断,但由于经典RSI只测试了一个具体配置,不能据此推出所有RSI参数都不适用。,
实验在MetaTrader 5中进行,使用经纪商提供的演示账户和Admiral Group Demo服务器的历史数据。策略由MQL5专家顾问执行,Python脚本负责整理和汇总滚动结果。虽然回测模式使用“基于真实跳价的每个跳价”,但交易信号只根据已经收盘的M1、M5和M30柱线计算。
测试对象包括:
数据覆盖2024年和2025年两个完整日历年,共503个交易日。杠杆为1:100,每个品种最多同时持有两个仓位,连续入场之间至少间隔30分钟。
EUR/USD以1标准手作为参考,名义头寸约为100,000欧元,保证金约为1,000美元;DJI30和XAU/USD的交易量被调整,使单笔保证金大致相同。 这意味着报告中的美元利润高度依赖杠杆、合约规格、保证金和手数设置,不能简单理解为无杠杆投资收益。
每一步先用过去30个日历日进行参数优化,再把最优参数固定应用于随后7个日历日的向前测试。之后窗口向前移动7天,重新优化。第一个优化窗口是2024年1月1日至30日,对应测试窗口是1月31日至2月6日。
MetaTrader 5遗传算法通常在每个30天窗口测试约10,000组参数,而不是穷举所有组合。优化目标是最大化30天窗口净利润;如果不同参数组合利润相同,则选择回撤较小者。
这种设计比把全样本数据一次性用于参数选择更接近真实交易,因为测试阶段的参数来自前一阶段。但它仍然可能受到参数区间、优化目标和窗口长度选择的影响。作者也承认30天优化和7天测试窗口是任意选择的,参数区间部分参考了被研究期间及其他年份的探索结果,因此仍存在策略层面的选择偏差。,
每个仓位在开仓时固定对称的止损和止盈距离。距离由最近若干根多头和空头K线的中位高度乘以参数Z得到。N在5—200之间以30为步长变化,Z在5—30之间以5为步长变化。
VGRSI在M1、M5和M30三个周期上同时使用,A0与A1分别独立优化WS和WV,搜索范围为10—200、步长40。下方入场阈值在20—35之间,上方入场阈值在70—95之间。
多头信号要求A0和A1都从上向下穿越各自的下方阈值,并且在M1、M5、M30三个时间尺度上同时满足;空头信号则要求两种指标都从下向上穿越上方阈值,并在三个周期上同时满足。两种指标和三个周期采用逻辑“AND”关系,因此入场条件相当严格。
经典RSI对照策略用RSI周期替代WS和WV,周期在10—50之间以5为步长优化,其余品种、时间窗口、阈值和止损止盈机制保持不变。 无可见性变体则取消可见性条件,把WV范围内的所有过去观测都纳入计算,以检验可见性筛选本身的增量作用。
表1汇总了三个品种在全部7天向前窗口中的交易总数、多头数、空头数、MT5计算的夏普比率以及最大回撤。交易总数、日均交易数和窗口利润总和覆盖完整的2024—2025测试期;平均夏普比率则只纳入至少发生过一笔交易的7天窗口。
报告给出的日均交易范围为3.3—4.8笔,平均窗口夏普比率范围为2.55—3.60。平均7天窗口最大回撤分别约为:DJI30 18%、EUR/USD 12%、XAU/USD 10%。这些回撤是“窗口级平均值”,不是从整个两年净值曲线计算出的全周期最大回撤,因此不能用于衡量整个投资过程最严重的资金回撤。,
报告还重新基于每个7天窗口的收益计算年化夏普比率。令每个窗口收益为 (r_k=P_k/C_0),其中初始参考资本 (C_0=10,000)美元,再以 (\sqrt{52})进行年度化,得到DJI30约4.3、EUR/USD约3.71、XAU/USD约3.2。DJI30的数值最高,表示在这种窗口收益定义下,其平均收益相对于窗口收益波动的比例最高。
但这一夏普比率的解释必须谨慎。首先,每个7天窗口开始时账户余额都重置为10,000美元;其次,零利润窗口被保留;再次,报告采用零无风险利率。因此,它更像是多个独立窗口回测结果的统计汇总,而不是一个连续复利账户的真实年化夏普比率。,
表2比较了VGRSI、经典RSI和无可见性VGRSI三种策略在三个品种上的累计净利润。
VGRSI的报告数值为:
固定参考资本为10,000美元时,作者进一步计算归一化累计利润,即所有7天窗口利润之和除以10,000美元,而不是进行复利。由此得到DJI30约1460%、EUR/USD约690%、XAU/USD约1250%。这些数字看起来极高,但它们不能直接解读为一个10,000美元账户连续持有两年的实际复合收益率,因为账户在每个前向窗口开始时被重置。
经典RSI的正文给出DJI30约1,844美元、EUR/USD负50,921美元、XAU/USD负32,904美元;图4则把DJI30标注为约负1,850美元,且正文随后说三种品种均出现累计损失。因此,DJI30的正负号在抽取文本中存在明显不一致,结合图4标题和结论,更合理的解释是DJI30经典RSI最终约为负1,844至负1,850美元。, ,
无可见性变体的正文列出了33,848美元、30,190美元和27,769美元,但随后明确称该变体在三个品种上均出现损失,结论部分也称无可见性变体产生累计损失。因此,这些数字的负号很可能在文本转换或排版中丢失,原始表2应进一步核对正负号。, ,
在不考虑上述排版符号问题的前提下,报告的核心比较结论非常明确:在相同的交易程序下,加入可见性筛选后的VGRSI优于测试的经典RSI和无可见性变体。,
本报告不是公司研究或证券估值报告,因此不存在DCF、P/E、EV/EBITDA、目标价或可比公司估值。研究对象是一个交易信号和自动化策略,主要评价指标是累计净利润、窗口级最大回撤、交易数量和夏普比率。,
如果从策略评估角度类比“估值输入”,其关键参数包括WS、WV、A0/A1选择、RSI周期、上下阈值、止损止盈倍数Z、K线样本数N,以及30天优化与7天测试窗口长度。所有这些参数都通过遗传算法在历史窗口中选择,而不是通过企业现金流或市场风险溢价推导出来。,
因此,报告的“目标”不是给出某个资产的合理价格,而是检验一种规则在样本外滚动交易中的相对表现。
研究只包括DJI30、EUR/USD和XAU/USD三个品种,并且只覆盖2024—2025一个两年阶段。三个品种分别代表指数、货币和黄金,但仍不足以证明策略适用于股票、债券、其他货币、商品或加密资产。, ,
遗传算法每个30天窗口测试约10,000组配置,并以净利润最大化为主要目标。即使参数只应用于随后的7天,这种大量尝试仍可能在历史窗口中选择出偶然有效的参数组合。 同时,参数范围来自作者此前的经验和探索实验,而且部分探索覆盖了被评估期间,因此不能完全排除策略设计层面的选择偏差。,
30天优化、7天测试和7天滚动步长并不是由理论模型内生推导出来的,而是作者选定的实验安排。更换为例如60/10天、90/20天或其他窗口,可能显著改变结果。,
作者明确承认,没有足够完整的权益曲线来可靠重建整个评估期的最大资金回撤。报告提供的是单个7天窗口内的最大回撤平均值,而非连续两年的全周期最大回撤。 这会掩盖跨窗口累积风险,例如多个连续不利窗口、窗口之间的资金重置风险以及实际投资者无法随意重置账户余额的问题。
历史数据来自Admiral Group Demo服务器,结果依赖该经纪商的数据、点值、合约规格、杠杆、浮动点差、手续费、隔夜利息和执行设置。, 更换经纪商、流动性环境、滑点或成交规则后,结果可能发生变化。
三个品种是分别独立测试的,各自使用单独的初始余额。因此,报告所说的三者利润合计约34万美元,并不代表一个同时持有三种资产、仅投入10,000美元或某个统一资本规模的组合收益。 这也是为何不能将1460%、690%和1250%简单相加后理解成投资者的实际组合回报。
历史跳价数据直接从经纪商服务器获得,没有单独准备或公开数据文件;作者仅表示可根据个人请求提供部分策略代码。 这会增加外部研究者完整复现实验的难度,也使不同时间访问同一经纪商历史数据时可能出现数据版本差异。
第一,报告的结论在表面上非常突出:三类资产均取得正收益,且经典RSI和无可见性变体均亏损。但高收益与高归一化利润主要建立在杠杆、固定参考资本、重复账户重置和分品种独立回测之上,因此不能直接等同于现实投资者能够获得的长期复合收益。, ,
第二,策略同时优化多个时间尺度、两个指标变体、WS、WV、上下阈值、止损止盈参数和K线数量,这提供了较强的适应能力,也增加了参数挖掘风险。报告虽然使用了滚动样本外测试,但样本外窗口只有7天,且总体期间只有两年,仍不足以充分检验不同市场环境下的稳健性。, ,
第三,A1的解释需要特别克制。A1本质上比较的是可见性筛选后正负变化的平均幅度,不是正负变化频率,也不是已被证明的突破识别器或市场状态转换指标。,
第四,报告对经典RSI的比较是有条件的。它只测试了作者规定的RSI周期范围、信号条件和交易执行规则;其他RSI周期、出场方式、平滑方式或交易频率可能得到不同结果。因此,经典RSI测试失败不能推出RSI整体无效。,
第五,正文存在两个值得核对的正负号问题:经典RSI部分DJI30的“1,844美元”与图4的“负1,850美元”不一致;无可见性变体列出的三个利润数字与随后“全部亏损”的叙述不一致。报告的摘要、结论和图示都支持“这些结果为负”的解释,但正式使用数据时应以原始表2或作者的未转换数据为准。, , ,
这篇报告的主要贡献是提出了一个因果性的VGRSI指标:它使用自然向后可见性从价格序列中筛选历史价格变化,并通过一个历史节点被多个后续节点看见的次数形成隐含几何权重。A0同时考虑正负贡献的幅度和数量,A1则主要比较正负贡献的平均幅度。, ,
从图1可以看到,VGRSI并不是简单地把固定窗口内所有涨跌相加,而是根据时间—价格几何结构选择贡献;图2则显示A0和A1在相同XAU/USD价格轨迹下可以产生不同的动态曲线。图3显示VGRSI策略在DJI30、EUR/USD和XAU/USD上分别获得约146,000美元、69,000美元和125,000美元累计净利润,但利润曲线存在平台期和回撤,并非每个7天窗口都盈利。, , ,
图4显示测试的经典RSI策略在三种工具上总体表现不佳,特别是EUR/USD和XAU/USD出现明显累计损失;无可见性变体同样弱于带有可见性筛选的VGRSI。这支持作者的局部结论,即在本次特定的经纪商数据、参数范围、交易成本、杠杆以及30天/7天滚动实验条件下,可见性筛选似乎是VGRSI策略表现改善的重要组成部分。, ,
但报告并没有证明VGRSI具有普适性,也没有提供足以支持现实资金管理的完整全周期风险画像。最稳妥的总体判断是:VGRSI提出了一个具有明确数学创新点和可解释几何机制的技术指标,并在有限的样本外实验中显示出积极结果;然而,由于样本资产和时期有限、参数搜索较多、账户被逐窗口重置、全周期最大回撤缺失以及数据复现条件受限,该结果应被视为有待更大样本、多市场、不同窗口和完整权益曲线验证的探索性证据,而不是已经确立的交易优势。,
2605.01300.pdf