123法则、2B法则 和 N字结构是趋势交易和价格行为中的经典概念。
将它们量化，就是从主观的形态识别转变为客观的、可回溯测试的交易系统规则。

将123法则、2B法则和N字结构量化的过程，
本质上是将模糊的“形态”翻译成精确的“如果...那么...”的计算机指令。
成功的量化不仅在于识别形态本身，
更在于结合趋势背景、市场位置和严格的资金管理，
形成一个完整的、可证伪的交易系统。


核心思想：从形态描述到定量规则
量化这些法则的关键在于：
明确触发条件：用具体的价格和K线关系来定义形态的每个部分。
过滤市场噪音：使用收盘价、突破幅度、时间周期等来避免假信号。
定义入场、止损和出场点：形成完整的交易逻辑。



1. 123法则（趋势反转法则）
理论描述：
趋势线被突破（原上升趋势线被跌破，或原下降趋势线被升破）。
上升趋势中，价格不再创新高；下降趋势中，价格不再创新低。
上升趋势中，价格跌破前一个回调低点；
下降趋势中，价格升破前一个反弹高点。
当这三个条件都满足时，意味着趋势可能发生反转。

量化方案（以下跌趋势反转为例）：
步骤1：定义趋势：
使用至少N根K线（如20根） 来定义一段下跌趋势。
可以要求价格在一条下降的移动平均线（如20EMA）之下，或使用波段高点/低点来确认。

步骤2：识别突破（条件1）：
找到最近一条连接至少两个波段高点的下降趋势线。
量化条件：
当前K线的收盘价 > 下降趋势线价格。
为过滤噪音，可要求突破幅度超过X%（如0.5%）或 Y倍ATR（如0.5倍ATR）

步骤3：测试失败（条件2）：
价格反弹后再次回落，但未能创出新低。
量化条件：本次回落的低点 > 前期下跌波段的最低点。

步骤4：确认反转（条件3）：
价格再次上涨，并突破了最近的一个反弹高点。
量化条件：
当前K线的收盘价 > 最近一个波段反弹高点（即条件2中那次反弹的起点）。

交易触发：
当条件3被触发时，视为123法则完成，发出买入信号。

止损设置：
设置在步骤3中形成的低点的下方。
目标设定：
可以基于形态高度、前期支撑阻力位，或使用风险报酬比（如1:2）




2. 2B法则（假突破反转法则）
理论描述：
在上升趋势中，价格突破前期高点后未能延续，迅速跌回前期高点之下，
意味着趋势可能衰竭，是反转做空信号。下降趋势反之。

量化方案（以顶部2B为例）：
步骤1：定义前期高点：
找到最近一个显著的波段高点 H1

步骤2：定义突破：
价格向上突破了 H1，创出新高 H2

量化条件：
收盘价 > H1。可要求突破幅度（例如，超过H1的0.2%）

步骤3：定义失败与反转：
价格在创出 H2 后，在M根K线内（如3-5根） 跌回至 H1 之下。

量化条件：
收盘价 < H1，并且从 H2 到当前收盘价的下跌速度/幅度较大（例如，超过1倍ATR）

交易触发：
当步骤3的条件满足时，发出做空信号。

止损设置：
设置在 H2 的上方一个缓冲位置。

关键量化要点：
突破的幅度：越小越好，表明动能不足。
反转的速度：越快越有效，表明突破是假象。
成交量：可加入量化，突破时缩量，反转时放量是理想信号。




3. N字结构（趋势延续法则）
理论描述：
价格沿趋势方向运行一波（a），
然后进行逆向调整（b），最后再次沿原趋势方向运行（c），
形成类似“N”或“倒N”的形态。
是顺势入场的机会。

量化方案（以上涨N字为例）：
定义背景：
市场处于上升趋势中
例如，价格在20EMA之上，且EMA多头排列）

步骤1：
识别a浪（驱动浪）：
价格从启动点 S0 上涨至波段高点 H
量化：这一波上涨幅度应显著，例如 > 2倍ATR

步骤2：识别b浪（调整浪）：
价格从 H 回调至低点 L
量化：
回调幅度通常在a浪的38.2%-61.8%（斐波那契回撤）之间，
但不应跌破关键支撑（如前低或重要均线）。
可以量化回调比例：(H - L) / (H - S0) 在0.382到0.786之间。

步骤3：等待c浪启动信号（入场点）：
价格在 L 处获得支撑后，再次向上启动。
量化入场方式：
突破入场：当价格收盘价突破b浪回调中最近一个小波段高点时入场。
形态入场：在 L 附近出现看涨K线组合（如看涨吞没、锤子线）时入场。

止损设置：
设置在 L 的下方。

目标设定：
初始目标：a浪的1倍高度，即 目标价 = L + (H - S0)
也可以使用动态止盈（如移动止损）

量化整合与系统构建
要建立一个可交易的量化系统，需要：
选择时间框架：确定在哪个周期（如1小时、日线）上识别这些形态。
精确定义所有变量：
如何定义“波段高点/低点”
例如，Donchian Channel， 或左侧/右侧有N根K线最高/最低

突破的幅度阈值（固定百分比或ATR倍数）
回调的时间限制（例如，2B法则中突破后的K线根数）

编写识别算法：
使用程序（
如Python的TA-Lib、Pine Script in TradingView
扫描历史数据，自动识别符合量化条件的形态。

加入过滤条件：
趋势过滤器：
只在更大趋势方向上进行操作
例如，日线趋势向上，只做多123法则和上涨N字

波动率过滤器：
在低波动市场（ATR值低）中，形态可靠性可能下降

位置过滤器：
形态出现在关键支撑阻力位附近时，成功率更高。

历史回测：
用大量历史数据测试量化规则的盈亏比、胜率和夏普比率。
优化参数（如突破幅度、回调比例），但要避免过度拟合。

风险管理：
根据止损空间和总资金，确定每笔交易的仓位。


123法则 和 2b法则 
https://gitee.com/dyyx/work2024/blob/master/myquant/images/123_2b_rule.png