自動型態辨識的規則與限制

掃描器能一致執行明確規則,卻只能看見輸入資料;資料缺漏、事件調整與模糊定義都會進入輸出。

約 18 分鐘規則化掃描含 2 個互動練習
機器人、收件匣、齒輪、放大鏡、文件與操作人員呈現自動辨識流程
學習目標
  • 把型態辨識拆成輸入資料、規則、輸出與人工覆核。
  • 說明規則化帶來一致性的同時,也會遺漏難以量化的情境。
  • 觀察容差參數如何改變同一批虛構圖形的標記數量。
  • 辨認反覆調參貼合舊樣本的風險,並用未見資料檢驗規則。
  • 為除權息、暫停交易、缺值與代碼異動建立例外處理。
故事

安檢門會依門檻警示,不會替人解釋整段行程

機場安檢門對每個人執行同一套門檻,速度快而且不會疲倦。警示只說明某個規則被觸發,物品用途、現場背景與是否誤報都還要進一步核對。型態掃描器也是這樣:自動化不是直覺,而是一串可以追蹤的決定。

  1. 1輸入價格、成交量、公司事件與交易日曆的來源、頻率及調整方式。
  2. 2規則波段如何定義、邊界容許多少、什麼算突破,以及哪些樣本要排除。
  3. 3輸出與覆核候選型態需附分數、規則版本與例外旗標,再由一致的流程檢查。
白話

掃描器擅長找「像規則的東西」,不負責證明它可靠

規模

同一規則批次執行

它能比人工更快檢查大量圖形,也不會因為疲勞而改變標準。

精確

只標記被要求的條件

匹配確認的是設定的條件已滿足,含義不會自動擴大。

盲區

規則之外沒有判斷力

沒有寫進輸入的訊息、流動性與相關市場狀態都不會被考慮。

掃描器看到的形狀真實 K 線上的頭肩形態
頭肩形態頸線 ~96.0
K 線圖:帶頸線區域的頭肩形態106.0102.098.094.0

掃描器把這段幾何編碼成規則,在成千上萬個標的上重複查找——它只看到形狀,不關心價格為什麼這樣走。

機制與術語

容差決定誰被標記,反覆調參可能只記住舊樣本

嚴格容差

標記較少,可能漏掉變形較大的候選。

寬鬆容差

標記較多,也可能納入更多相似但不完整的輪廓。

曲線擬合

不斷調整規則去迎合一段歷史,學到的可能只是那一段的雜訊。

跨市場沿用門檻

上市、上櫃、興櫃的資料結構與流動性可能不同;同一套門檻直接跨市場套用,容易把制度差異誤認成型態差異。適用範圍請以交易場所公告與商品最新正式文件為準,並記下查閱日期。

同一段歷史,兩種規則過擬合邊界貼合每段回撤,簡潔規則只是一條直線
過擬合規則貼合每條回撤
K 線圖:同一段歷史上對比過擬合規則邊界與簡潔直線規則 — 過擬合規則104.0100.096.0

左邊的邊界把每一段歷史波動都「解釋」了——這是曲線擬合,不是驗證;右邊只有一條直線,粗糙但更可能在未見行情上泛化。

模擬互動

同一批圖形,改一個數字就會改變匹配數

在固定的虛構型態集合上調整掃描容差,觀察寬鬆與嚴格規則產生的標記差異。底層圖形一根都沒有動,改變的只有設定。

規則掃描靈敏度視覺化實驗同一批固定候選形狀——親眼觀察掃描容差如何改變不同不對稱度候選的匹配數量
已命中: 2 / 6 個候選
肩差 1%已命中
肩差 4%已命中
肩差 7%未命中
肩差 10%未命中
肩差 13%未命中
肩差 16%未命中

6 個候選形狀中匹配 2 個——底層價格資料從未改變,變的只是規則的嚴格程度。

事實—解釋—條件預測—反例

多出來的標記來自規則變寬,不是圖形自己變了

事實

固定輸入

【虛構練習情境】同一批二十個練習圖形,在 3% 容差下標記兩個,在 8% 容差下標記七個。

解釋

變化來自設定

多出來的五個標記來自容差放寬,調整期間底層圖形完全沒有改變。

條件

遷移要另外檢驗

把寬鬆規則用在未見的虛構資料時,匹配數可能增加,但誤標情況必須獨立評估。

反例

什麼會削弱參數解釋

若多組未見資料在不同合理參數下都得到相近結果,才會削弱「這次設定主導結論」的解釋。

模擬互動

檢查自動標記遺漏了什麼

【虛構規則 `triangle-v1`】輸入欄位固定為 `case_id、day、high、low、event_flag、trade_status`,每案需有 D1 至 D5 五列。只有五列都完整、`event_flag=none` 且 `trade_status=normal` 才進入型態判定;若 high 逐日不增加、low 逐日不減少,而且 D5 振幅 `(high-low)` 小於或等於 D1 振幅的 60%,輸出 `candidate`,否則輸出 `no-match`。任一價格缺值輸出 `reject-missing`;事件旗標不是 none 輸出 `manual-review`;任一日暫停交易輸出 `exclude-halt`。四個固定案例是:F01 的 high 為 110、108、107、106、105,low 為 90、92、93、94、95,事件 none、狀態 normal,應為 `candidate`,因為 D5 振幅 10 是 D1 振幅 20 的一半;F02 沿用 F01 但 D3 的 high=null,應為 `reject-missing`;F03 沿用 F01 但 D2 的 event_flag=distribution-adjustment,應為 `manual-review`;F04 沿用 F01 但 D4 的 trade_status=halted,應為 `exclude-halt`。規則中的數字只用於測試程式行為,fixture 全部是模擬資料,不對應真實標的。

自動化信任稽核選擇一個情境,判斷自動匹配實際告訴了你什麼
複核

依賴自動標記之前先把這幾格填完

01

規則

哪些明確條件觸發了標記、容差多嚴格,以及規則版本是什麼;本課練習一律標註 `triangle-v1`。

02

敏感度

輕微調整參數之後,同一批輸入是否仍然被標記。波段門檻或型態容許範圍過度寬鬆時,需要版本化規格與固定測試案例。

03

資料

除權息、暫停交易、缺值或錯誤成交量都會被自動放大;要保留原始資料、調整旗標與完整性檢查,逐案抄錄六個欄位與五列數量,不得補造缺值。

04

背景

是否存在規則沒有讀到的事件、流動性或相關市場變化。

05

驗證

只展示命中的漂亮圖形不算驗證;要納入誤報、漏報與不同市場期間的案例。

06

人工覆核

像檢查人工發現的候選一樣檢查證據與失效條件。每案填「預期、實際、通過/失敗、理由」,F01 至 F04 的實際結果應分別等於 `candidate`、`reject-missing`、`manual-review`、`exclude-halt`;覆核不得把例外案改成 candidate。

本課工具

離開前記住三條規則

一致執行是優勢

掃描器能快速批次執行固定規則,但不會超出輸入去理解背景。

一致不等於正確

程式可以穩定重複同一個錯誤;匹配只是候選,仍需要同樣的證據審計。

用未見資料檢查遷移

反覆貼合舊樣本的規則,不能把歷史結果當成未來保證。

知識檢測

檢驗你是否真正理解

送出作答後會顯示每一題的原理說明。題目中的數字與情境均為「教學示例」,不構成投資建議。

第 1 題,共 3 題

掃描器標記某段資料符合型態,最精確的解讀是什麼?

第 2 題,共 3 題

哪個做法最能提升自動辨識的可稽核性?

第 3 題,共 3 題

一則突發訊息發布兩分鐘後,掃描器在同一個虛構圖形上標記出一個標準延續型態。三種讀法裡哪一種站得住?

認識你的學伴

卡住了?讓 Mira 幫你拆解

Mira 僅處理去識別化的虛構教學情境,不接收真實帳戶、個人資料、資產、委託或成交資料、登入資訊或憑證,也不提供具體標的、方向、數量、時點或個人化指令。掃描結果只能用於規則檢查。

正在檢查登入狀態...