如何使用Python拟合数据曲线并生成可复用的ROI阈值计算函数
连续卖出阈值函数实现方案
核心判断
你现有的阈值规则是随持有时间单调递减的——持有越久,允许的最低收益率越低。这类场景不推荐直接用高次多项式拟合,很容易出现节点间隙的非单调震荡,违背交易逻辑。优先选择单调函数形式拟合,或者直接用已知节点做连续插值,实现成本最低。
第一步:整理原始输入
先把字典中的键值拆成可用于计算的数组:
import numpy as np # 原始阈值配置 roi = { "0": 0.13, "10": 0.07, "30": 0.04, "50": 0.025, "75": 0.017, "360": 0.01, "720": 0.005, "1440": 0 } # 拆分时间序列、对应阈值序列 t_list = np.array([float(k) for k in roi.keys()]) threshold_list = np.array([float(v) for v in roi.values()])
可选实现方案
方案A:分段线性插值(推荐)
不需要预先假设函数形式、不需要迭代拟合,生成的曲线会严格经过所有你定义的节点,相邻节点之间按线性过渡,完全匹配原有规则,没有拟合偏差:
from scipy.interpolate import interp1d # 生成可调用的f(t) f = interp1d( t_list, threshold_list, kind='linear', bounds_error=False, # 处理极端值:t=0时返回初始阈值,t超过1440分钟时返回最低阈值0 fill_value=(threshold_list[0], threshold_list[-1]) )
方案B:幂律衰减全局拟合
如果你需要一个统一的数学函数,而不是分段插值,选择单调递减的幂律衰减形式比普通多项式靠谱——它天生匹配“时间越久阈值越低、最终趋近于0”的业务逻辑,不会出现震荡:
from scipy.optimize import curve_fit # 定义拟合函数形式 def decay_curve(t, a, b, c): return a * np.power(t + b, -c) # 执行拟合,得到最优参数 popt, _ = curve_fit(decay_curve, t_list, threshold_list, maxfev=10000) # 固化为可复用的f(t) def f(t): return decay_curve(t, *popt)
实际调用逻辑
不管用哪个方案,最终f(t)的调用方式完全一致:输入已持有分钟数t,直接返回对应时间点的卖出阈值,和当前收益率对比即可:
# 示例:已持有321分钟,当前收益率1.2% hold_minutes = 321 current_roi = 0.012 current_threshold = f(hold_minutes) if current_roi < current_threshold: print(f"当前收益率{current_roi:.2%}低于阈值{current_threshold:.2%},触发卖出") else: print("未达卖出条件,继续持有")
注意事项:
- 不要使用4次及以上的普通多项式拟合这类单调递减的业务数据,很容易在节点间隙出现阈值反向升高的不符合逻辑的结果,干扰交易判断
- 当输入的持有时间超过最大节点(1440分钟)时,函数会自动返回最低阈值0,适配长期持有的场景规则
内容的提问来源于stack exchange,提问作者WerkkreW
相关产品推荐
相关产品推荐

