从 1m 到策略周期：聚合与交易时段过滤
很多策略在研究阶段看起来“没问题”，一上平台就出现两种典型故障：
- 指标抖动：信号频繁、噪声巨大
- 指标失真：同样参数，在不同环境结果差异明显
结论先行：问题往往不在指标公式，而在数据口径——尤其是 周期聚合 与 交易时段过滤。
EasyQuant 把 1m bars 作为统一输入，再通过聚合与会话规则把口径固定下来，避免“非交易时段噪声”与“周期不一致”导致的策略漂移。
一、为什么用 1m 做基准输入？
在平台里，你需要一种“足够细、又可控”的通用输入：
- 太细（tick）：噪声大、计算成本高、回测输入复杂
- 太粗（日线）：无法覆盖多数日内策略与更灵活的周期需求
因此 1m 是一个典型的工程折中：
- 足够支撑大多数常规指标计算
- 便于回填与入库
- 便于向上聚合成 5m/15m/30m/1h 等周期
关键点：聚合必须是平台能力，而不是每个策略各做一套。
二、周期聚合：不是简单拼 K 线
很多人以为 5m bar 就是把 1m bar “每 5 根合一根”。
但在真实市场里，聚合必须明确：
- 对齐边界：5m 的窗口从什么时候开始切？是否以交易所时间为准？
- 价格字段口径：open/close/high/low 的组合方式
- 成交量/成交额的累加方式
- 缺口处理：如果某分钟缺失，是跳过还是补齐？对指标影响巨大
如果这些口径不固定，策略“同参数不同结果”几乎不可避免（见 04 的 provenance）。
三、交易时段过滤：为什么它是“指标正确性”的一部分？
如果你把非交易时段 bars 也喂给指标，最常见后果是：
- 均线被拉平：非交易时段价格不动或异常点导致均线失真
- RSI/波动类指标异常：长时间不变价会让指标走向极端
- 信号漂移：策略在非交易时段“虚假触发”或“被稀释”
因此平台必须知道“什么时候是交易时段”。
这不是 UI 体验问题，而是 策略计算口径 的一部分。
四、平台如何把口径固定下来？
在 EasyQuant 的推荐口径里：
- 先把 1m bars 入库（作为事实基准）
- 再按市场会话（Market Session）过滤到可交易区间
- 在过滤后的序列上做周期聚合
- 策略指标计算永远基于同一套口径（便于解释与复现）
这会带来一个非常现实的好处：
当你遇到“NO_BARS/数据不足/信号不触发”时，你可以明确判断到底是数据缺失，还是被交易时段过滤导致（见 03）。
五、一个快速验收：同一策略在两种口径下的差异
你可以做一个 10 分钟的验收，直观看到口径的重要性：
- 选择一个日内策略（例如均线或 Bollinger）
- 取同一只标的、同一时间窗
- 对比两种计算方式：
- A：不做交易时段过滤直接计算
- B：按交易时段过滤后再计算
你会看到：
- 指标曲线形态不同
- 信号触发点不同
- 回测成交分布不同
这不是“策略不稳定”，而是“输入口径不一致”。
六、排障：为什么策略突然“没有 bars”？
当系统提示 NO_BARS，常见原因有三类：
- 入库缺失：区间内确实没数据
- 会话过滤：非交易时段被过滤后为空
- 周期聚合：聚合周期过大 + 窗口太短，导致有效 bar 数不足
排障建议顺序：
- 先确认 1m bars 是否存在
- 再确认交易时段过滤后的 bars 是否仍存在
- 最后看聚合周期是否合理（窗口是否足够长）
结语：把口径做成平台能力，才能谈交付
策略交付的第一步不是“写更多指标”，而是“保证输入口径一致”。
周期聚合与交易时段过滤看似工程细节，却决定了策略是否可解释、可复现、可协作。
下一篇（07）我们进入策略计算层：DSL 规则树如何编译成Rule，以及如何做可扩展与安全边界。