15 — 概率表路径化：多窗分布 + 四类路径形状

实现：core/regime_probability.py（compute_regime_return_frame / get_path_profile / build_reentry_reference_text）。测试：tests/test_regime_probability.py。 引入版本：v0.6.0（多窗+三类形状）→ v0.6.x（四类形状 + regime 持续标注）。

0. 一句话

对几十年 OHLC 的每一个历史交易日：用 production 同款 classify_regime 判定当天 regime，再向前看 30/60/90 天记录期末收益、途中最低/最高点、各自到达时间、regime 实际持续天数——把所有"与今天同 regime"的历史日聚合成分布，注入 CIO brief。 纯算术，0 LLM token，每次委员会实时算。

设计动机：committee 的 verdict 方向预测 ≈57%（闭卷）跑不赢基率，但 regime 间 forward return 差异显著（见 12-verification.md）。所以方向 由概率表锚定，LLM 负责翻译与情景化；本文档的路径化把"30 天单点分布"升级为 "带路径形状的预测"——回答用户真正的问题：卖出后什么时候跌、什么时候涨、 途中给不给低吸点 / 更高的卖点。

1. 数据与逐日 regime 判定（compute_regime_return_frame）

输入：MarketStore 本地 OHLC 全历史（GC=F 2000→今 ~6500 行，NDQ.AX 2015→今 ~2800 行）。

对每个历史日 i，point-in-time 计算（只用 i 及之前的数据，无前视）：

指标	算法
ma20 / ma120	close 的 20/120 日滚动均值
return_30d	close[i]/close[i−30] − 1
rebound_off_30d_low	close[i]/近 30 日最低 − 1
price_quantile_2y	滚动 504 交易日窗内 (closes ≤ 当日)/n 真百分位
atr_pct	Wilder TR = max(H−L, |H−prevC|, |L−prevC|)，ewm(α=1/14, 跳过 NaN) ÷ 当日 close ×100；缺 H/L 的行（现价/节假日缓存行）不计入、沿用前值，整表无 H/L 才全序列退化 |ΔClose|

逐日调 production 的 classify_regime(metrics, symbol)——与实盘委员会同一个函数、 同一套 per-asset 阈值，保证历史分布与今天的 regime 标签口径一致。warmup 不足 （头部 ~120 行）→ unknown，不进分布。

2. 前向路径量（日历日对齐）

对每窗 w ∈ {30, 60, 90} 日历日（与 verdict_review 的 "30d" 语义一致）：

pos[i]      = index.searchsorted(date[i] + w 天, side="left")   # 窗末当天或之后第一个收盘
fwd_w[i]    = close[pos]/close[i] − 1          # 期末收益
min_w[i]    = min(close[i+1..pos])/close[i] − 1   # 途中最深回踩
tmin_w[i]   = argmin 的交易日偏移（i+1 起算）      # 几个交易日见谷底（"什么时候跌"）
max_w[i]    = max(close[i+1..pos])/close[i] − 1   # 途中最高冲高（镜像 min）
tmax_w[i]   = argmax 的交易日偏移                  # 几个交易日见顶（"什么时候涨"）
persist_w[i]= min(regime 前向连续段长, pos[i]−i+1) # regime 在窗内实际持续的交易日数
wdays_w[i]  = pos[i] − i + 1                       # 窗内交易日数（persist 的分母参照）

尾部 lookahead 不足整窗的行 → 全部 NaN（绝不偷看半截窗）。 persist 的连续段长用倒序扫一遍 O(n) 的 run-length 得到，逐行精确 cap 到窗末， 无近似魔数。

3. 聚合（get_path_profile(asset, regime)）

取 frame 中 regime == 当前 regime 的全部历史日。

每窗分布（30/60/90 各一组）：

• median_pct 中位收益、p_below = P(期末 < 现价)、p_down = P(跌 > 5%)
• p10_pct / p90_pct 悲观/乐观 10 分位
• downside_pct = 20 分位（悲观情形，换算买回参考价 现价×(1+downside/100)）
• effective_n = n // 窗口天数 —— 相邻样本重叠 w−1 天，n=1423 在 90d 窗下独立 样本只有 ≈15；effective_n < 10 → 输出标 ⚠样本不足。诚实折算，防重叠把置信度撑虚高

路径形状（90d 窗，四类完备互斥）：

单位 u  = 当日 atr_pct（自校准，无绝对百分比 magic number）
dipped = min_90d ≤ −1×u      # 途中给过"显著回踩"（≥1 倍自身日常波动）
popped = max_90d ≥ +1×u      # 途中给过"显著高点"
up     = fwd_90d > 0

先跌后涨   = dipped  ∧ up     # 等回踩能接回（持有者：浅回踩别恐慌）
直接涨     = ¬dipped ∧ up     # 没给低吸机会（等回调会踏空）
冲高回落   = popped  ∧ ¬up    # 先给更高卖点再收跌 —— 卖出时机的核心读数
一路收跌   = ¬popped ∧ ¬up    # 全程没给过像样的离场点

为什么是四类不是三类（2026-06 口径修正）：最初三类（先跌后涨/直接涨/收跌） 的分类轴只有"途中最低点"，它问"途中跌没跌过"但不问"途中涨没涨过"——于是 "一路阴跌"和"先冲 +8% 再掉头"被糊进同一个"收跌"，而后者恰恰是卖出决策最 关心的形状。修法 = 加镜像的 max 轴，把 ¬up 支按 popped 拆开。实测 NDQ uptrend 旧"收跌 27%" = 冲高回落 19% + 一路收跌 8%——收跌支里七成是"给过更高卖点"。

外加伴随统计（百分比都换算成现价价位）：

• 冲高：pop_median_pct / pop_p75_pct（高四分位）+ days_to_peak_median
• 回踩：dip_median_pct / dip_p25_pct（深四分位）+ days_to_trough_median
• regime_persist_median_days / window_median_days：窗内 regime 实际持续中位

为什么标 persist（2026-06 解读防护）：形状分布按"窗口起点的 regime"分桶， 窗内 regime 可能切换——"先跌后涨 49%"里混着"regime 早切走了、那个涨不是本 regime 给的"。persist 中位 / 窗中位 比值低 → 形状占比主要在说切换后的事，解读 权重要打折。实测：NDQ uptrend 45/64（大半窗内有效）；GC=F downtrend 13/63 ——金的 downtrend 中位 13 个交易日就切走，其 90d 形状大半是切换后的行为（这也 解释了 downtrend 下 90d 中位收益 +3.0% 的"反直觉"）。

4. 输出与进决策（build_reentry_reference_text）

单次 OHLC 加载算完三窗 + 形状（get_path_profile 一次调用复用 frame），文本注入 CIO brief 的 === 卖出后路径 / 买回点参考 === 段。真实样例（2026-06-11）：

# 路径参考（regime=uptrend 历史 forward 路径分布；TRIM 买回点 + 持有路径预期）：
- 现价: ¥60.73
- 30d (n=1423，重叠窗口独立≈47): 跌破现价概率 35%、跌>5% 概率 9%；悲观情形(20分位) -2.1% → ¥59.46；中位 +1.4%
- 60d (n=1423，重叠窗口独立≈23): 跌破现价概率 32%、跌>5% 概率 14%；悲观情形(20分位) -2.9% → ¥58.95；中位 +2.7%
- 90d (n=1423，重叠窗口独立≈15): 跌破现价概率 27%、跌>5% 概率 15%；悲观情形(20分位) -2.6% → ¥59.15；中位 +4.3%
- 90d 路径形状（n=1423，重叠窗口独立≈15）: 先跌后涨 49% / 直接涨(无显著回踩) 23% / 冲高回落 19% / 一路收跌 8%（"显著"=途中波幅 ≥1×当日ATR；冲高回落=先给更高卖点再收跌）
- 90d 途中最高冲高: 中位 +7.1%（→ ¥65.04），高四分位 +10.5%（→ ¥67.12）；中位 48 个交易日见顶
- 90d 途中最深回踩: 中位 -3.3%（→ ¥58.72），深四分位 -6.9%（→ ¥56.53）；中位 18 个交易日见谷底
- 90d 窗内 regime 中位持续 45/64 个交易日——持续占比低则形状占比含 regime 切换成分，解读权重打折

约束闭环：

• CIO SKILL（capabilities/committee/cio/cio.md）强制 EXPECTED_PATH 引用这些数字 （形状占比/回踩深度/见底时点），禁止凭空编路径
• TRIM 的 REENTRY_PRICE ≥ 现价 仍被 parse_cio_memo Sanity 5 确定性打回 HOLD
• 概率口径同源：regime_brief 的 STRATEGY_HINT（30d 中性概率）与本路径参考来自 同一个 get_path_profile → calibrate_profile 管线，不会互相打架 （2026-10-07 #234-6 修：此前 hint 走未校准原始分布，校准层 06-11 启用后两者对 同一 regime 给出不同中位/跌破概率）

5. 边界与已知局限

• graceful：行情/计算任何失败 → reentry_reference 退化空串，不阻断委员会
• 条件分布按起点 regime 分桶：窗内切换是事实存在的（persist 行让它可判断）， 分类本身不按"全程同 regime"过滤——那会引入存活偏差（只统计"撑满 90 天的 uptrend"= 挑了最强的样本）
• 小样本诚实标注：GC=F downtrend 90d 独立样本 ≈4 → ⚠样本不足；不假装精确
• 1×ATR 是定义不是调参结果：它只影响"显著回踩/冲高"的展示分界，不进任何 确定性 verdict 改写；要 sweep 它需先建验证口径（同 EVENT_STANCE 权重的纪律， 见 scripts/research/eval_event_stance.py 的 INSUFFICIENT_DATA 闸门先例）

6. 校准闭环（path_review）与 walk-forward 基线

路径预测是可验证的——jobs/path_review.py（照 verdict_review 模式）：

• 决策时落快照：committee_runner 把 CIO 看到的同一份结构化 profile 写到 memory/.committee/<date>/<sym>_path.json（防代码口径漂移污染 ground truth）
• 成熟后对账：实际 fwd 30/60/90、窗内最低/最高/到达时点、同口径形状分类
• 校准口径：P10-P90 带覆盖率（目标 ~80%）、p_below 的 Brier vs 基率 Brier、 形状概率分 vs uniform 0.25、见底时点 MAE
• recompute 模式：预测器纯确定性 → --recompute-weekly-since 历史逐周重算 "当时会预测什么"（get_path_profile(asof=...) 零前视），不用等 90 天攒样本

Walk-forward 校准基线（2026-06-11，2024-01 起每周一 × 2 资产，n=388）：

窗	n	带覆盖(目标 0.8)	p_below Brier	基率 Brier	中位|误差|	中位偏差
30d	388	66%	0.248	0.220	4.4pp	+0.5pp
60d	357	62%	0.275	0.220	7.2pp	+2.1pp
90d	335	56%	0.240	0.185	9.6pp	+1.6pp

形状：概率分 0.29（uniform 0.25）、top1 命中 34%、见底时点 MAE 19.1 交易日。

诚实解读（单一牛市窗口，下同 16 章的局限）：

1. 预测带系统性偏窄——2024-26 实际波动（尤其黄金大涨）频繁落出历史条件分布 的 P10-P90。读 brief 里的"悲观分位/带"时要知道它低估尾部
2. p_below 作为概率在本窗口输给基率——per-regime 条件分布的方向概率不如 无条件基率校准（与 16 章"打不过基率"互证）。中位偏差为正=预测偏保守
3. 形状分布略有信息量（0.29>0.25）但远非精确；见底时点 MAE ~19 天≈低信息
4. 改进方向 已落地（2026-06-11，校准层）：扩窗到 2007-2026（n=1579） 做时代分桶确认两缺陷是结构性（带覆盖 7 个时代 6 个 <80%；小样本桶最差 ——GC 07-09 downtrend 覆盖 7%）→ calibrate_profile 两个修复： 小样本收缩（λ=eff_n/(eff_n+k)，条件分布向同资产无条件分布收缩）+ 带宽扩张（P10/P90/downside 围绕中位 ×γ）。 scripts/research/fit_path_calibration.py 预注册 fit(2007-17)/OOS(2018-26)： OOS 三窗带覆盖 76/73/70% → 81/80/76% 全进 [75,85]，Brier 全窗改善 → PASS， k=80 / γ=1.1 已写入 defaults（path 节）。caveat：p_below 与"事后基率" 差距缩到 0.5-1.5% 但未反超（事后基率不可预知，仅参考）。 重拟合流程：walk-forward recompute → fit 脚本重跑（recompute 快照永远存 未校准原始分布，校准只在生产出口应用——fit 数据不会被自己污染）。 周度 path_review job（周日 11:30）已启用，只评 live 快照，写 memory/.dreams/path_review_live.jsonl + docs/path_calibration_live.md； recompute 基线 path_review.jsonl（fit 脚本的输入）只由手动 --recompute-weekly-since 重写，cron 不碰。live 快照逐日重叠，独立样本 ≥30（约 2027-05）之前不读 live 校准数字。周末休市资产的周末快照（基准=周五收盘， 周五样本的重复）不进校准汇总，只在报告里计数（2026-10 D8 统一周末口径，见 06-api）

7. 怎么验证

uv run pytest tests/test_regime_probability.py -q     # 数值精确性 + 形状完备性

关键测试：min/max/tmin/tmax/persist 在单调序列上的逐位精确断言；四类占比和=1； 单边上行 → 直接涨 100% 且 persist==窗长；合成锯齿（先 +8% 后跌穿）→ 冲高回落 主导收跌支。秒级真实 spot-check（零委员会重跑）：

uv run python -c "
from utils.market_metrics import METRICS_PERIOD, compute_metrics
from utils.exchange_fee import get_history_data
from core.regime import classify_regime
from core.regime_probability import build_reentry_reference_text
df = get_history_data('NDQ.AX', METRICS_PERIOD); m = compute_metrics(df)
rg = classify_regime(m, symbol='NDQ.AX')['regime']
print(build_reentry_reference_text('NDQ.AX', rg, m['current_price']))"