TradingView 指标研究（连载）

TradingView 上有成千上万个社区自定义指标。这条连载想回答一个问题:把它们组合起来,到底有没有比单个指标更强的交易指导作用?

在挑组合之前,得先知道这些指标彼此有多不一样。所以第一步是给整个指标生态做一次同质化的证伪。

有一个流传很广的说法:TradingView（一个流行的看盘/策略平台）上数以万计的指标和策略,大量是同一批底层信号的改名、包装、参数微调或重组合。我决定用数据验证它。

从 GitHub 采集了 7235 个 Pine Script 源码文件(来自 212 个仓库),每个文件带完整来源溯源(仓库/作者/commit/许可证/星数),做三层去重 + 行为聚类。

结论:假设成立,而且有定量证据。

• 剥掉注释、字符串、数字、空白后做哈希,40% 的文件落在重复组里。

• 同家族的 RSI 参数变体之间,相关系数(pearson)普遍 ≥ 0.99,一部分干脆是逐位相同(bit-identical)。

• 30 个最大的语义簇覆盖了约 3000 个文件;大约 6 个家族(趋势/动量/波动/成交量/结构/多周期)就解释了整个生态的约 80%。

• 抽 30 个策略端口到 Python 实测,只有 4-5 个「行为上真正独立」。

但我逼自己记下了几条反过度概括的次级发现,这些比主结论更能防止自欺:

• 静态相似 ≠ 行为相似。 抽查一个簇时,发现里面混进了一个和其他成员相关性接近 0 的反向策略——被静态特征误聚了。光看代码像,不代表信号像。

• 微调有时真的是「改进」而非「换皮」。 同一作者跨 8 个月的迭代,仍能产生相关性 0.85 的细微行为差异。

• 「哪些组合能赚钱」这个处方性问题,我当前的方法学给不出可推广的肯定回答。 承认这一点,比硬凑一个结论诚实。

描述性问题(生态是否同质化)我答得很干净;处方性问题(怎么赚钱)是另一个更大、更贵的坑,没有假装填上。