综合实用脚本，变向突破次数对比？

本文目录导读：

1. 场景一：量化交易 / 技术分析（最可能）
2. 场景二：游戏AI / 机器人 / 运动轨迹模拟
3. 核心建议

综合实用脚本”和“变向突破次数对比”，这个问题通常出现在量化交易、自动化测试或游戏/AI行为模拟中。

为了给您最精准的解决方案,我将分两种最可能的情况进行解答。请根据您的实际场景选择（大概率是第一种量化交易场景）：

量化交易 / 技术分析（最可能）

在股票或加密货币策略中,您想对比不同策略（或不同参数）下的“变向突破”频率（通常指唐奇安通道突破、布林带变轨或摆动指标）。

以下是一个基于 Python + Pandas 的综合脚本，用于计算并对比两种不同逻辑的“变向突破”次数：

import pandas as pd
import numpy as np
def calculate_breakout_counts(df, lookback=20, mode='close'):
    """
    核心函数：计算变向突破次数（基于唐奇安通道）
    参数:
    df: 包含 'high', 'low', 'close' 的DataFrame
    lookback: 回溯周期（即突破N日高点/低点）
    mode: 'close' 表示收盘价突破，'intraday' 表示盘中价突破
    返回:
    dict: 包含上突破次数、下突破次数、总变向次数
    """
    # 计算通道
    df = df.copy()
    df['upper'] = df['high'].rolling(window=lookback).max()
    df['lower'] = df['low'].rolling(window=lookback).min()
    # 判断突破方向（状态机：0=无突破，1=向上突破，-1=向下突破）
    df['signal'] = 0
    df.loc[df['close'] > df['upper'].shift(1), 'signal'] = 1
    df.loc[df['close'] < df['lower'].shift(1), 'signal'] = -1
    # 过滤无效值
    df = df.dropna(subset=['upper', 'lower'])
    # 计算“变向”次数（只有信号从非当前状态变为当前状态才计数）
    df['regime'] = np.where(df['signal'] == 1, 1, np.where(df['signal'] == -1, -1, np.nan))
    df['regime'] = df['regime'].ffill().fillna(0)  # 前向填充，0为初值
    # 检测变向：状态发生变化时计数
    df['change'] = df['regime'].diff()
    up_count = (df['change'] == 2).sum()   # 从下变上（或空变上）
    down_count = (df['change'] == -2).sum() # 从上变下（或空变下）
    # 如果模式为intraday，则用high/low替代close做判断（示意）
    if mode == 'intraday':
        up_count = (df['high'] > df['upper'].shift(1)).sum()
        down_count = (df['low'] < df['lower'].shift(1)).sum()
    total = up_count + down_count
    return {'up': up_count, 'down': down_count, 'total': total}
# ========== 实战对比示例 ==========
if __name__ == "__main__":
    # 模拟生成数据（实际使用中请替换为真实数据源）
    np.random.seed(42)
    n = 500
    price = np.cumsum(np.random.randn(n) * 1.5) + 100
    df = pd.DataFrame({
        'high': price + np.random.rand(n),
        'low': price - np.random.rand(n),
        'close': price
    })
    # 对比参数A（快线，10周期）与参数B（慢线，30周期）
    result_fast = calculate_breakout_counts(df, lookback=10)
    result_slow = calculate_breakout_counts(df, lookback=30)
    # 输出对比报告
    print("="*50)
    print(f"策略A（快线10）：向上{result_fast['up']}次, 向下{result_fast['down']}次, 总变向{result_fast['total']}次")
    print(f"策略B（慢线30）：向上{result_slow['up']}次, 向下{result_slow['down']}次, 总变向{result_slow['total']}次")
    print("-"*50)
    # 可视化对比（需matplotlib）
    try:
        import matplotlib.pyplot as plt
        labels = ['向上突破', '向下突破', '总变向']
        a = [result_fast['up'], result_fast['down'], result_fast['total']]
        b = [result_slow['up'], result_slow['down'], result_slow['total']]
        x = np.arange(len(labels))
        width = 0.35
        fig, ax = plt.subplots()
        rects1 = ax.bar(x - width/2, a, width, label='快线(10)')
        rects2 = ax.bar(x + width/2, b, width, label='慢线(30)')
        ax.set_ylabel('次数')
        ax.set_title('变向突破次数对比')
        ax.set_xticks(x)
        ax.set_xticklabels(labels)
        ax.legend()
        plt.show()
    except ImportError:
        print("（未安装matplotlib，跳过图表展示）")

游戏AI / 机器人 / 运动轨迹模拟

如果您指的是角色（或机器人）在移动中的变向频率（例如对比不同算法的路径平滑度），核心逻辑是检测方向向量的夹角突变。

def count_direction_changes(path_points, angle_threshold_deg=30):
    """
    检测轨迹中的变向次数
    path_points: 轨迹点列表 [(x1,y1), (x2,y2), ...]
    angle_threshold_deg: 角度变化超过该值视为一次变向
    返回: 变向次数
    """
    if len(path_points) < 3:
        return 0
    def angle_between(v1, v2):
        """计算两个向量夹角（度）"""
        dot = np.dot(v1, v2)
        norm = np.linalg.norm(v1) * np.linalg.norm(v2)
        if norm == 0:
            return 0
        cos_theta = np.clip(dot / norm, -1.0, 1.0)
        return np.degrees(np.arccos(cos_theta))
    changes = 0
    prev_dir = None
    for i in range(1, len(path_points)-1):
        # 当前运动方向
        v1 = np.array(path_points[i]) - np.array(path_points[i-1])
        v2 = np.array(path_points[i+1]) - np.array(path_points[i])
        if np.linalg.norm(v1) == 0 or np.linalg.norm(v2) == 0:
            continue
        angle = angle_between(v1, v2)
        if angle > angle_threshold_deg:
            changes += 1
    return changes
# 对比两种路径
path_a = [...]  # 算法A生成的路径
path_b = [...]  # 算法B生成的路径
print(f"路径A变向次数: {count_direction_changes(path_a)}")
print(f"路径B变向次数: {count_direction_changes(path_b)}")

核心建议

1. 明确“变向”定义：是价格/数据的“上穿下穿”，还是运动方向的“物理转角”？这直接决定了算法的核心逻辑。
2. 数据清洗：如果是金融数据，务必使用前向填充避免未来函数；如果是运动数据，需先做平滑滤波（如卡尔曼滤波）去除噪声。
3. 批次处理：如果数据量极大，建议将上述逻辑封装为类，并用 numba 或 numpy 向量化加速。

如果您能告诉我：

• 数据长什么样？（列名、类型）
• “变向”的具体定义是什么？（突破N日高低点？角度超过X度？）

我可以直接为您定制一个更精确的脚本。