如何着手编写图表中5个higher highs与higher lows的形态检测代码？

一、先搞定杂波过滤，精准定位有效高低点 #

• 窗口过滤法：遍历价格数据，给每个点设置一个N根K线的观察窗口（比如5-10根，根据品种波动调整），只有当某个点是窗口内的绝对最高/最低点时，才标记为有效高低点，直接过滤掉小幅波动产生的杂点。
• 波动阈值过滤：设定一个百分比阈值（比如0.5%），新的高点必须比上一个有效高点涨幅超过这个阈值，才算“有效抬高”；低点同理，需比上一个有效低点涨幅（因为是逐步抬高的低点）超过阈值，避免把微幅震荡误判为形态组成部分。

二、构建连续抬高的高低点序列 #

• 维护两个列表：valid_highs（存筛选后的有效高点）、valid_lows（存筛选后的有效低点）。
• 遍历筛选后的点，逐个验证序列连续性：
  • 高点：如果当前高点 > valid_highs最后一个元素，就加入列表；否则清空当前连续序列，重新计数。
  • 低点：当前低点 > valid_lows最后一个元素，加入列表；否则重置序列。
  • 必须保证高低点序列同步：比如当valid_highs有5个元素时，valid_lows也得有5个，才算完整形态的基础。

三、用滑动窗口检测重叠形态 #

当有效高点序列长度≥5时，用滑动窗口遍历：

• 比如序列是H1<H2<H3<H4<H5<H6<H7，那么窗口从索引0开始，取H1-H5作为第一个形态；窗口后移到索引2，取H3-H7作为第二个重叠形态（完全符合你说的7个高点生成两个重叠形态的需求）。
• 每取一个窗口的高点，同步检查对应索引的低点窗口是否也是连续抬高的，两者都满足才算有效形态。

四、核心逻辑伪代码示例 #

# 假设已完成预处理，得到有效高低点列表
valid_highs = [h1, h2, h3, h4, h5, h6, h7]
valid_lows = [l1, l2, l3, l4, l5, l6, l7]

detected_patterns = []
# 滑动窗口遍历，步长可根据需求调整（这里步长2实现7个高点出两个重叠形态）
for i in range(0, len(valid_highs) - 4, 2):
    window_highs = valid_highs[i:i+5]
    window_lows = valid_lows[i:i+5]
    
    # 验证是否连续抬高
    is_valid_highs = all(window_highs[j] < window_highs[j+1] for j in range(4))
    is_valid_lows = all(window_lows[j] < window_lows[j+1] for j in range(4))
    
    if is_valid_highs and is_valid_lows:
        detected_patterns.append({
            'start_pos': i+1,
            'end_pos': i+5,
            'high_points': window_highs,
            'low_points': window_lows
        })

# 输出检测结果
for idx, pattern in enumerate(detected_patterns):
    print(f"形态{idx+1}：第{pattern['start_pos']}至{pattern['end_pos']}个有效高低点")

五、实操注意事项 #

• 过滤参数（窗口大小、波动阈值）必须结合你的交易品种和时间周期调优，拿历史数据回测几次，找到最适合的数值。
• 遇到高低点不同步的情况（比如高点连续抬，但低点中途回落），直接重置序列，别硬凑形态。
• 可以额外加形态确认规则，比如形态收尾时的成交量变化、后续的突破信号，提升形态的实战价值。

内容的提问来源于stack exchange，提问作者sey eeet