bquant.analysis.zones.strategies — паттерн Strategy

✅ v2.1 - Универсальные стратегии

Все аналитические стратегии теперь работают с ЛЮБЫМ индикатором!

Что изменилось:

  • Все стратегии принимают явный параметр indicator_col

  • VolumeMetrics.volume_macd_corr → volume_indicator_corr (универсальное именование)

  • Сигнатуры протоколов обновлены для универсальности

Примеры: Каждая стратегия теперь показывает использование с MACD, RSI, AO и пользовательскими индикаторами

Подтверждено: Работает с FICTIONAL_INDICATOR_99 и 10+ реальными индикаторами (100% покрытие тестами)

Стабильность API: 🟢 STABLE - этот API не изменится после универсализации

📘 Для разработчиков: см. Zone Detection Strategies — Developer Guide для пошаговой инструкции по созданию собственных стратегий детекции зон.

Обзор

BQuant использует Strategy Pattern для расширяемого расчета метрик зон. Это позволяет:

  • Добавлять новые алгоритмы анализа без изменения основного кода

  • Переключаться между алгоритмами через конфигурацию

  • A/B тестировать разные подходы

  • Комбинировать несколько стратегий одновременно

Архитектура

ZoneFeaturesAnalyzer
├── SwingStrategy → SwingMetrics (23 поля)
├── ShapeStrategy → ShapeMetrics (3 поля)
├── DivergenceStrategy → DivergenceMetrics (4 поля)
├── VolatilityStrategy → VolatilityMetrics (10 полей)
└── VolumeStrategy → VolumeMetrics (4 поля)

Каждая стратегия:

  1. Реализует протокол (Protocol)

  2. Возвращает типизированный результат (Dataclass)

  3. Регистрируется в StrategyRegistry

  4. Создается через фабрику из config.py

Protocols и Dataclasses

SwingCalculationStrategy Protocol

class SwingCalculationStrategy(Protocol):
    def calculate_swing(self, data: pd.DataFrame) -> SwingMetrics: ...
    def get_name(self) -> str: ...
    def get_metadata(self) -> dict: ...

SwingMetrics Dataclass (23 поля)

Полный результат анализа свингов в зоне.

Категории метрик:

Базовые (6 полей)

  • num_swings: Количество свингов (пар impulse+correction)

  • avg_rally_pct: Средняя амплитуда ралли (%)

  • avg_drop_pct: Средняя амплитуда откатов (%)

  • max_rally_pct: Максимальная амплитуда ралли (%)

  • max_drop_pct: Максимальная амплитуда откатов (%)

  • rally_to_drop_ratio: Отношение среднего ралли к среднему откату

Счетчики (2 поля)

  • rally_count: Количество восходящих движений

  • drop_count: Количество нисходящих движений

Минимумы и распределение (6 полей)

  • min_rally_pct: Минимальная амплитуда ралли (%)

  • min_drop_pct: Минимальная амплитуда откатов (%)

  • rally_amplitude_std: Стандартное отклонение амплитуд ралли

  • drop_amplitude_std: Стандартное отклонение амплитуд откатов

  • rally_amplitude_median: Медиана амплитуд ралли (%)

  • drop_amplitude_median: Медиана амплитуд откатов (%)

Длительность в барах (4 поля)

  • avg_rally_duration_bars: Средняя длительность ралли (бары)

  • avg_drop_duration_bars: Средняя длительность откатов (бары)

  • max_rally_duration_bars: Максимальная длительность ралли (бары)

  • max_drop_duration_bars: Максимальная длительность откатов (бары)

Скорость движения (4 поля)

  • avg_rally_speed_pct_per_bar: Средняя скорость ралли (% за бар)

  • avg_drop_speed_pct_per_bar: Средняя скорость откатов (% за бар)

  • max_rally_speed_pct_per_bar: Максимальная скорость ралли (% за бар)

  • max_drop_speed_pct_per_bar: Максимальная скорость откатов (% за бар)

Симметрия (1 поле)

  • duration_symmetry: Отношение средней длительности ралли к откатам

Метаданные

  • strategy_name: Имя использованной стратегии

  • strategy_params: Параметры стратегии

Интерпретация:

  • rally_to_drop_ratio > 2: Сильные импульсы, слабые коррекции

  • duration_symmetry > 1.5: Импульсы длиннее коррекций

  • Высокое значение *_speed: Быстрые резкие движения

  • Низкое значение *_std: Однородные свинги

ShapeCalculationStrategy Protocol

class ShapeCalculationStrategy(Protocol):
    def calculate(self, data: pd.DataFrame, indicator_col: Optional[str] = None) -> ShapeMetrics: ...
    #                                        ^^^^^^^^^^^^^^^^^^^^^^^^
    #                                        v2.1: Required for universal usage
    def get_name(self) -> str: ...
    def get_metadata(self) -> dict: ...

Универсальное использование v2.1:

Параметр indicator_col обязателен для универсального использования с любым осциллятором.

Примеры:

from bquant.analysis.zones.strategies.shape import StatisticalShapeStrategy

strategy = StatisticalShapeStrategy()

# MACD
shape = strategy.calculate(zone_data, indicator_col='macd_hist')

# RSI
shape = strategy.calculate(zone_data, indicator_col='RSI_14')

# Awesome Oscillator
shape = strategy.calculate(zone_data, indicator_col='AO_5_34')

# CCI
shape = strategy.calculate(zone_data, indicator_col='CCI_20')

# Custom indicator
shape = strategy.calculate(zone_data, indicator_col='MY_CUSTOM_OSC')

Все возвращают одну и ту же структуру ShapeMetrics:

  • hist_skewness: Асимметрия распределения

  • hist_kurtosis: Острота пика

  • hist_smoothness: Согласованность изменений

ShapeMetrics Dataclass (3 поля)

Характеристики формы гистограммы индикатора.

  • hist_skewness: Асимметрия распределения

  • hist_kurtosis: Эксцесс (острота пика)

  • hist_smoothness: Гладкость изменения значений

Интерпретация:

  • Skewness > 0: Правосторонняя асимметрия (больше положительных значений)

  • Skewness < 0: Левосторонняя асимметрия (больше отрицательных значений)

  • Kurtosis > 3: Острый пик (лептокуртический)

  • Kurtosis < 3: Плоское распределение (платикуртический)

  • Smoothness высокая: Плавное изменение индикатора

  • Smoothness низкая: Резкие скачки индикатора

DivergenceCalculationStrategy Protocol

class DivergenceCalculationStrategy(Protocol):
    def calculate_divergence(self, 
                           data: pd.DataFrame, 
                           indicator_col: Optional[str] = None,
                           indicator_line_col: Optional[str] = None) -> DivergenceMetrics: ...
    #                       ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
    #                       v2.1: Support for 2-line indicators (MACD line + signal)
    def get_name(self) -> str: ...
    def get_metadata(self) -> dict: ...

Универсальные примеры v2.1:

from bquant.analysis.zones.strategies.divergence import ClassicDivergenceStrategy

strategy = ClassicDivergenceStrategy()

# RSI divergence
div = strategy.calculate_divergence(data, indicator_col='RSI_14')

# MACD histogram divergence
div = strategy.calculate_divergence(data, indicator_col='macd_hist')

# MACD with signal line (2-line divergence)
div = strategy.calculate_divergence(data, 
                                    indicator_col='macd',
                                    indicator_line_col='macd_signal')

# Awesome Oscillator divergence
div = strategy.calculate_divergence(data, indicator_col='AO_5_34')

DivergenceMetrics Dataclass (4 поля)

Информация о дивергенциях между ценой и индикатором.

  • divergence_type: Тип (‘regular_bullish’, ‘regular_bearish’, ‘hidden_bullish’, ‘hidden_bearish’, None)

  • divergence_count: Количество обнаруженных дивергенций

  • divergence_strength: Сила дивергенции (0.0-1.0)

  • divergence_direction: Направление дивергенции (+1, -1, 0)

Интерпретация:

  • Regular bullish: Цена формирует более низкий минимум (lower low), индикатор — более высокий минимум (higher low) → потенциальный разворот вверх

  • Regular bearish: Цена формирует более высокий максимум (higher high), индикатор — более низкий максимум (lower high) → потенциальный разворот вниз

  • Strength > 0.7: Сильная дивергенция

  • Strength < 0.3: Слабая дивергенция

VolatilityCalculationStrategy Protocol

class VolatilityCalculationStrategy(Protocol):
    def calculate_volatility(self, data: pd.DataFrame) -> VolatilityMetrics: ...
    def get_name(self) -> str: ...
    def get_metadata(self) -> dict: ...

VolatilityMetrics Dataclass (10 полей)

Оценка волатильности в зоне через Bollinger Bands и ATR.

Bollinger Bands метрики (5):

  • bollinger_width_pct: Ширина полос (% от цены)

  • bollinger_width_std: Ширина в стандартных отклонениях

  • bollinger_squeeze_ratio: Отношение текущей ширины к средней

  • bollinger_upper_touches: Количество касаний верхней полосы

  • bollinger_lower_touches: Количество касаний нижней полосы

ATR метрики (3):

  • atr_normalized_range: Диапазон зоны нормализованный на ATR

  • atr_trend: Тренд ATR в зоне (-1: падает, 0: стабилен, +1: растет)

  • avg_atr: Средний ATR в зоне

Композитные метрики (2):

  • volatility_score: Комплексный скор 0-10 (weighted avg)

  • volatility_regime: Классификация (‘low’, ‘medium’, ‘high’, ‘extreme’)

Интерпретация volatility_score:

  • 0-3: Low volatility - спокойный рынок

  • 3-6: Medium volatility - нормальный рынок

  • 6-8: High volatility - повышенная волатильность

  • 8-10: Extreme volatility - экстремальная волатильность

VolumeCalculationStrategy Protocol

class VolumeCalculationStrategy(Protocol):
    def calculate_volume(self, data: pd.DataFrame, baseline_volume: Optional[float] = None) -> VolumeMetrics: ...
    def get_name(self) -> str: ...
    def get_metadata(self) -> dict: ...

VolumeMetrics Dataclass (4 поля)

Анализ объемов торгов в зоне (v2.1: универсальный для ЛЮБОГО индикатора).

  • volume_zone_ratio: Отношение среднего объема зоны к baseline

  • volume_at_entry_change: Изменение объема при входе в зону (%)

  • volume_indicator_corr: Корреляция объема с индикатором ✨ v2.1: переименовано из volume_macd_corr

  • avg_volume_zone: Средний объем в зоне

Интерпретация:

  • volume_zone_ratio > 1.5: Высокий объем - сильное движение

  • volume_zone_ratio < 0.7: Низкий объем - слабое движение

  • volume_indicator_corr > 0.7: Объем подтверждает индикатор ✨ v2.1: универсальный

  • volume_at_entry_change > 0.5: Объем растет при входе — подтверждение

Универсальные примеры v2.1:

from bquant.analysis.zones.strategies.volume import StandardVolumeStrategy

strategy = StandardVolumeStrategy()

# MACD correlation
vol = strategy.calculate_volume(zone_data, baseline_volume=1000, indicator_col='macd_hist')

# RSI correlation
vol = strategy.calculate_volume(zone_data, baseline_volume=1000, indicator_col='RSI_14')

# AO correlation
vol = strategy.calculate_volume(zone_data, baseline_volume=1000, indicator_col='AO_5_34')

# Access universal field
print(f"Volume-Indicator correlation: {vol.volume_indicator_corr:.2f}")

StrategyRegistry

Централизованный реестр всех стратегий.

Регистрация стратегий

from bquant.analysis.zones.strategies.registry import StrategyRegistry

# Register swing strategy
@StrategyRegistry.register_swing_strategy('my_strategy')
class MySwingStrategy:
    pass

# Manual registration
StrategyRegistry.register_swing_strategy('another', AnotherStrategy)

Получение стратегий

# Get strategy class
StrategyClass = StrategyRegistry.get_swing_strategy('zigzag')

# Create instance
strategy = StrategyClass(legs=10, deviation=0.05)

# List all available
print(StrategyRegistry.list_swing_strategies())
# ['zigzag', 'find_peaks', 'pivot_points']

Статистика реестра

stats = StrategyRegistry.get_registry_stats()
print(f"Total strategies: {stats['total']}")
print(f"By type: {stats['by_type']}")
# {'swing': 3, 'shape': 1, 'divergence': 1, 'volatility': 1, 'volume': 1}

Реализованные стратегии

Стратегии свингов

ZigZagSwingStrategy

Алгоритм: Использует индикатор pandas-ta ZigZag для обнаружения значимых разворотов цены.

Параметры:

  • legs (по умолчанию: 10): Количество баров для анализа назад/вперед

  • deviation (по умолчанию: 0.05): Минимальное изменение цены 5% для формирования новой ноги

Когда применять:

  • ✅ Плавные трендовые рынки

  • ✅ Старшие таймфреймы (H4, D1)

  • ✅ Необходимо отфильтровать шум

Пример:

from bquant.analysis.zones import ZoneFeaturesAnalyzer

analyzer = ZoneFeaturesAnalyzer(swing_strategy='zigzag')
# Or with custom parameters
from bquant.core.config import create_swing_strategy
strategy = create_swing_strategy('zigzag', legs=15, deviation=0.03)
analyzer = ZoneFeaturesAnalyzer(swing_strategy=strategy)

Фокус метрик: Более крупные и значимые свинги

FindPeaksSwingStrategy

Алгоритм: Использует scipy.signal.find_peaks для обнаружения всех локальных экстремумов.

Параметры:

  • prominence (по умолчанию: 0.02): Минимальная выраженность 2% для пика

  • distance (по умолчанию: 3): Минимум 3 бара между пиками

Когда применять:

  • ✅ Рынки во флэте/волатильные диапазоны

  • ✅ Нужно находить все локальные экстремумы

  • ✅ Младшие таймфреймы (M15, H1)

  • ✅ Детальный анализ свингов

Пример:

analyzer = ZoneFeaturesAnalyzer(swing_strategy='find_peaks')
# Custom parameters
strategy = create_swing_strategy('find_peaks', prominence=0.01, distance=5)

Фокус метрик: Более многочисленные, но меньшие свинги

PivotPointsSwingStrategy

Алгоритм: Классический N-барный паттерн — максимум/минимум, являющийся наивысшим/наименьшим среди N баров слева и справа.

Параметры:

  • left_bars (по умолчанию: 5): Количество баров слева от пивота

  • right_bars (по умолчанию: 5): Количество баров справа от пивота

Когда применять:

  • ✅ Классический подход технического анализа

  • ✅ Требуются четко определенные пивоты

  • ✅ Любой таймфрейм

  • ✅ Консервативное определение свингов

Пример:

analyzer = ZoneFeaturesAnalyzer(swing_strategy='pivot_points')
# Asymmetric window
strategy = create_swing_strategy('pivot_points', left_bars=7, right_bars=3)

Фокус метрик: Подтвержденные, проверенные свинги

Стратегии формы

StatisticalShapeStrategy

Алгоритм: Статистический анализ формы гистограммы индикатора с использованием scipy.stats.

Параметры: Нет (используются статистические моменты)

Рассчитываемые метрики:

  • hist_skewness: Коэффициент асимметрии (scipy.stats.skew)

  • hist_kurtosis: Куртозис (scipy.stats.kurtosis)

  • hist_smoothness: Гладкость (обратная дисперсии изменений)

Когда применять:

  • ✅ Понять характеристики распределения

  • ✅ Выявить взрывные vs плавные зоны

  • ✅ Кластеризовать зоны по форме

  • ✅ Любой индикатор с гистограммой

Пример:

analyzer = ZoneFeaturesAnalyzer(shape_strategy='statistical')

features = analyzer.extract_zone_features(zone_dict)
shape = features.metadata['shape_metrics']

print(f"Skewness: {shape.hist_skewness:.2f}")
print(f"Kurtosis: {shape.hist_kurtosis:.2f}")
print(f"Smoothness: {shape.hist_smoothness:.2f}")

Интерпретация:

  • Положительная асимметрия + высокий куртозис → Взрывные движения

  • Отрицательная асимметрия + низкий куртозис → Плавное снижение

  • Высокая гладкость → Устойчивый тренд

  • Низкая гладкость → Рваное движение

Стратегии дивергенций

ClassicDivergenceStrategy

Алгоритм: Обнаруживает обычные бычьи/медвежьи дивергенции через детекцию пиков.

Параметры:

  • use_macd_line (по умолчанию: False): Использовать линию MACD вместо гистограммы

Типы дивергенций:

  • Regular Bullish: Цена формирует lower low, индикатор — higher low

  • Regular Bearish: Цена формирует higher high, индикатор — lower high

Когда применять:

  • ✅ Потенциальные точки разворота

  • ✅ Подтверждение сигналов на вход

  • ✅ Генерация сигналов на выход

  • ✅ Работает с любым осциллятором

Пример:

analyzer = ZoneFeaturesAnalyzer(divergence_strategy='classic')

features = analyzer.extract_zone_features(zone_dict)
div = features.metadata['divergence_metrics']

if div.divergence_count > 0:
    print(f"Divergence detected: {div.divergence_type}")
    print(f"Strength: {div.divergence_strength:.2f}")
    print(f"Count: {div.divergence_count}")

Расчет силы:

  • Основан на вертикальном расстоянии между пиками

  • Нормализованная корреляция между пиками цены и индикатора

  • Диапазон: 0.0 (слабая) до 1.0 (сильная)

Применение в торговле:

  • Фильтрация входов: принимать сигналы только при divergence_strength > 0.5

  • Размер позиции: увеличивать для более сильных дивергенций

  • Установка стопов: ориентироваться на divergence_direction

Стратегии волатильности

CombinedVolatilityStrategy

Алгоритм: Комбинированная оценка через Bollinger Bands и ATR.

Параметры:

  • bb_window (по умолчанию: 20): Окно для полос Боллинджера

  • bb_std (по умолчанию: 2): Количество стандартных отклонений

  • atr_window (по умолчанию: 14): Окно ATR

  • atr_multiplier (по умолчанию: 1.0): Множитель ATR для диапазона

Компоненты:

Bollinger Bands:

  • Метрики ширины: насколько широкие/узкие полосы

  • Обнаружение сжатия: полосы сужаются

  • Подсчет касаний: цена тестирует полосы

ATR:

  • Нормализованный диапазон: диапазон зоны относительно типичного

  • Тренд ATR: волатильность растет/снижается

  • Постепенная деградация: оценки через True Range при отсутствии колонки ATR

Показатель волатильности (0-10): Взвешенная комбинация:

  • 40%: перцентиль ширины полос Боллинджера

  • 30%: тренд ATR

  • 30%: коэффициент сжатия

Классификация режимов:

  • Low (0-3): Консолидация, торговля в диапазоне

  • Medium (3-6): Нормальная волатильность, стандартные стратегии

  • High (6-8): Повышенный риск, меньшие позиции

  • Extreme (8-10): Кризисный режим, минимальная экспозиция

Пример:

analyzer = ZoneFeaturesAnalyzer(volatility_strategy='combined')

features = analyzer.extract_zone_features(zone_dict)
vol = features.metadata['volatility_metrics']

print(f"Volatility score: {vol.volatility_score:.1f}/10")
print(f"Regime: {vol.volatility_regime}")
print(f"Bollinger width: {vol.bollinger_width_pct:.2%}")
print(f"Upper touches: {vol.bollinger_upper_touches}")

# Adaptive position sizing
if vol.volatility_regime == 'low':
    position_size = 2.0  # Larger position
elif vol.volatility_regime == 'medium':
    position_size = 1.0  # Normal
elif vol.volatility_regime == 'high':
    position_size = 0.5  # Smaller
else:  # extreme
    position_size = 0.25  # Minimal

Стратегии объема

StandardVolumeStrategy

Алгоритм: Стандартный анализ объема с сопоставлением с базовым значением.

Параметры:

  • baseline_volume (опционально): Эталонный объем для сравнения

Метрики:

  • volume_zone_ratio: Объем зоны / базовый объем

  • volume_at_entry_change: Изменение объема при входе в зону (%)

  • volume_indicator_corr: Корреляция между объемом и индикатором ✨ v2.1: универсальный

  • avg_volume_zone: Средний объем в зоне

Постепенная деградация:

  • Работает без baseline (ratio = None)

  • Работает без колонки объема (все метрики = None)

  • Не падает при отсутствии данных

Когда применять:

  • ✅ Подтверждать силу сигнала

  • ✅ Определять накопление/распределение

  • ✅ Дивергенции объема и цены

  • ✅ Любой рынок с объемами

Пример:

# Without baseline
analyzer = ZoneFeaturesAnalyzer(volume_strategy='standard')

# With baseline (e.g., overall average)
overall_avg_volume = data['volume'].mean()
strategy = create_volume_strategy('standard')
analyzer = ZoneFeaturesAnalyzer(volume_strategy=strategy)

features = analyzer.extract_zone_features(zone_dict)
vol = features.metadata.get('volume_metrics')

if vol:
    print(f"Volume ratio: {vol.volume_zone_ratio:.2f}")
    print(f"Volume-Indicator correlation: {vol.volume_indicator_corr:.2f}")  # v2.1: universal
    
    # Trading decision
    if vol.volume_zone_ratio > 1.5 and vol.volume_indicator_corr > 0.6:
        print("✅ Strong volume confirmation")

Примеры использования

Базовый: использование Universal Pipeline v2.1

from bquant.analysis.zones import analyze_zones

# Universal Pipeline with strategies
result = (
    analyze_zones(df)
    .with_indicator('custom', 'macd', fast_period=12, slow_period=26, signal_period=9)
    .detect_zones('zero_crossing', indicator_col='macd_hist')
    .with_strategies(swing='zigzag', volatility='combined')
    .analyze(clustering=True)
    .build()
)

# Access metrics from first zone
zone = result.zones[0]
if zone.features:
    print(f"Duration: {zone.features.get('duration', 'N/A')}")
    print(f"Swings: {zone.features.get('num_swings', 0)}")
    print(f"Volatility: {zone.features.get('volatility_regime', 'unknown')}")

Продвинутый: переключение стратегий в Universal Pipeline

from bquant.analysis.zones import analyze_zones

# Try different swing strategies with Universal Pipeline
strategies = ['zigzag', 'find_peaks', 'pivot_points']

for strategy_name in strategies:
    result = (
        analyze_zones(df)
        .with_indicator('custom', 'macd', fast_period=12, slow_period=26, signal_period=9)
        .detect_zones('zero_crossing', indicator_col='macd_hist')
        .with_strategies(swing=strategy_name)
        .analyze(clustering=True)
        .build()
    )
    
    if result.zones and result.zones[0].features:
        features = result.zones[0].features
        print(f"\n{strategy_name}:")
        print(f"  Swings: {features.get('num_swings', 0)}")
        print(f"  Avg rally: {features.get('avg_rally_pct', 0):.2%}")

Экспертный: A/B-тестирование стратегий в Universal Pipeline

import pandas as pd
from bquant.analysis.zones import analyze_zones

# Test all swing strategies on multiple zones using Universal Pipeline
results = []

# Get base result for zone iteration
base_result = (
    analyze_zones(df)
    .with_indicator('custom', 'macd', fast_period=12, slow_period=26, signal_period=9)
    .detect_zones('zero_crossing', indicator_col='macd_hist')
    .analyze(clustering=True)
    .build()
)

for zone in base_result.zones[:10]:  # First 10 zones
    for strategy_name in ['zigzag', 'find_peaks', 'pivot_points']:
        # Re-analyze with specific strategy
        result = (
            analyze_zones(df)
            .with_indicator('custom', 'macd', fast_period=12, slow_period=26, signal_period=9)
            .detect_zones('zero_crossing', indicator_col='macd_hist')
            .with_strategies(swing=strategy_name)
            .analyze(clustering=True)
            .build()
        )
        
        # Find matching zone by time range
        matching_zone = None
        for z in result.zones:
            if (z.start_time == zone.start_time and z.end_time == zone.end_time):
                matching_zone = z
                break
        
        if matching_zone and matching_zone.features:
            results.append({
                'zone_id': zone.zone_id,
                'strategy': strategy_name,
                'num_swings': matching_zone.features.get('num_swings', 0),
                'avg_rally': matching_zone.features.get('avg_rally_pct', 0),
                'rally_count': matching_zone.features.get('rally_count', 0)
            })

# Analyze results
df_results = pd.DataFrame(results)
summary = df_results.groupby('strategy').agg({
    'num_swings': 'mean',
    'avg_rally': 'mean',
    'rally_count': 'mean'
})

print(summary)

# Choose best strategy for your needs
# - ZigZag: fewer, larger swings
# - FindPeaks: more, smaller swings
# - PivotPoints: balanced, validated swings

Пользовательский: создание и использование собственной стратегии

# 1. Create strategy
@StrategyRegistry.register_swing_strategy('threshold_based')
class ThresholdSwingStrategy:
    def __init__(self, threshold=0.02):
        self.threshold = threshold
    
    def calculate_swing(self, data):
        # Your algorithm
        return SwingMetrics(...)
    
    def get_name(self):
        return 'ThresholdBased'
    
    def get_metadata(self):
        return {'threshold': self.threshold}

# 2. Use it
analyzer = ZoneFeaturesAnalyzer(swing_strategy='threshold_based')

# 3. Or with custom parameters
strategy = ThresholdSwingStrategy(threshold=0.03)
analyzer = ZoneFeaturesAnalyzer(swing_strategy=strategy)

Комбинация нескольких стратегий в Universal Pipeline

# Use different strategies for different purposes with Universal Pipeline
result = (
    analyze_zones(df)
    .with_indicator('custom', 'macd', fast_period=12, slow_period=26, signal_period=9)
    .detect_zones('zero_crossing', indicator_col='macd_hist')
    .with_strategies(
        swing='zigzag',         # For trend analysis
        shape='statistical',    # For clustering
        divergence='classic',   # For entries
        volatility='combined',  # For position sizing
        volume='standard'       # For confirmation
    )
    .analyze(clustering=True)
    .build()
)

# All strategies' results in zone.features
zone = result.zones[0]
if zone.features:
    print(f"Swing metrics: {zone.features.get('num_swings', 0)} swings")
    print(f"Shape metrics: {zone.features.get('hist_skewness', 0):.2f} skewness")
    print(f"Divergence: {zone.features.get('has_classic_divergence', False)}")
    print(f"Volatility: {zone.features.get('volatility_regime', 'unknown')}")
    print(f"Volume: {zone.features.get('volume_indicator_corr', 0):.2f} correlation")

Сравнительная таблица стратегий

Стратегия

Скорость

Детализация

Шум

Лучшее применение

ZigZag

Medium

Low

Low

Тренды, старшие ТФ

FindPeaks

Fast

High

High

Волатильные рынки, все экстремумы

PivotPoints

Medium

Medium

Low

Классический ТА

Statistical

Fast

N/A

N/A

Анализ формы

Classic

Medium

N/A

N/A

Дивергенции

Combined

Medium

High

N/A

Волатильность

Standard

Fast

Medium

N/A

Объем

🔗 Связанные разделы

📚 Core API

🎯 Learning Path

🏗️ Developer Resources

  • Architecture Patterns - Паттерны проектирования, точки расширения

  • Testing Framework - Интеграционные тесты, обратная совместимость

  • Visualization - Визуализация зон, статистические графики

  • Indicators - IndicatorFactory, пользовательские индикаторы

🔧 Technical Resources

  • Implementations: bquant/analysis/zones/strategies/

  • Tests: tests/unit/test_*_strategy.py

  • Technical docs: devref/gaps/swing_detection_approaches.md