You need to enable JavaScript to run this app. 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
优惠活动
大模型
产品
解决方案
定价
更多

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.30 13:27:04