拥挤度#

它是一类指标族，不同的人定义不同，是一种比较宽泛的指标。比如，有机构持仓拥挤、市场交易拥挤、价格分位拥挤、交易行为拥挤等等。

最经典的就是板块拥挤度，用来量化板块情绪热度的。

拥挤度本身（比如拐头、破阈）不是二元 BS 信号，可以叠加动量，把它转成线性的组合指标。

比如：

IC#

IC，即 Information Coefficient，中文常叫“信息系数”。

IC 与因子息息相关。简单说，IC 用来判断人为设定或模型拟定的因子值是否与未来收益匹配。IC 健康，说明因子值具有一定合理性。

IC 的取值范围是 $[-1, 1]$：

• $0$ 是无关
• 负值表示负相关
• 正值表示正相关

正相关里，长期稳定的 IC 往往很小。比如日频选股里，平均 IC 能稳定在 $0.02$、$0.03$、$0.05$，通常已经有研究价值了；如果看到长期平均 IC 达到 $0.3$、$0.5$ 这种特别夸张的数字，反而应该先怀疑是不是过拟合、未来数据泄漏，或者样本太小。

总结一下，在我当前的设计里，IC 不直接参与权重计算，更像是先给因子做体检。

置信度#

比如模型输出：

1
Buy, confidence = 0.78

这不是在说买入后有 78% 的概率赚钱，而是说模型有 $0.78$ 的把握做出 Buy 这个判断。

置信度的数值范围可以写成：

1
Confidence ∈ [0, 1]

不过，在 BS 二元对立的情况下，如果这里的 confidence 指最终被选中类别的置信度，那么它的范围就是：

1
Buy ∈ [0.5, 1]

置信度也分为初始置信度和概率校准后的置信度（calibrated probability）。由于模型很难做到绝对正确，即使经过前期训练和后续训练，模型的实际能力已经不错了，也可能产生过度自信或过度保守的问题，所以需要对输出的初始置信度再次校准。

例如：

1
raw confidence = 0.80 → 实际正确率约 0.65

这意味着，在历史样本中，模型输出 raw confidence 为 $0.80$ 的样本，最后实际判断正确的比例约为 $0.65$。那么下次模型输出类似的初始结果时，就可以通过这个映射得到更接近真实频率的校准结果。

至于 XDJ 可能用到的校准方式，我打算采用经验映射或 Platt Scaling：用一个 logistic 函数拟合 $p_{\mathrm{raw}} \rightarrow p_{\mathrm{calibrated}}$，映射会相对平滑。

总结，概率校准不是滤波器，不是用来降噪的；它更像是转换仪，用来做概率映射。

最终二元 BS 决策#

这是我的 XDJ 项目“三圣杯”中的一位，也是最中坚的一位。

简单地笼统定义，BS 是最终二元指数，$C$ 是因子或因子集合形成的线性组合，$R$ 是权重或动态权重的组合。在项数 $i$ 和时间 $t$ 下，可以写成：