核心理念：我们究竟在判断什么？
在大多数交易体系中，决策的出发点往往是一个看似简单的问题：价格会上涨，还是会下跌？
然而，在专业交易实践中，这个问题本身并不完整，甚至可能具有误导性。真正决定交易结果的，并非对"方向"的主观判断，而是交易行为是否与当前市场状态相匹配。
因此，一个更本质的问题应当是：
此刻，市场正处于什么状态？
G-Prophet 的方法论，正是从这一问题出发构建的。
传统技术指标的结构性局限
当前市场上广泛使用的技术指标（如 RSI、MACD、KDJ 等），在数学上大多属于：
- 滑动均值的变换
- 历史价格的差分或比率
- 对过去价格行为的压缩表达
这类指标存在一个无法回避的结构性问题：指标本身并不直接描述市场状态，而只是价格历史的函数。
其结果是：
- 指标天然具有滞后性
- 对结构变化的反应往往发生在价格已经移动之后
- 难以刻画"不确定性"与"多路径可能性"
G-Prophet 的核心转变：从价格结论到状态建模
G-Prophet 并非试图输出一个简单的"涨/跌"判断。其核心思想是：
价格只是市场状态的结果，而不是市场状态本身。
因此，G-Prophet 的方法论重心在于——构建可计算、可视化、可更新的市场状态模型。
该模型以蒙特卡洛预测框架为基础，重点刻画以下维度：
📊 趋势结构 (Trend Regime)
市场是否存在方向性惯性，趋势是否具备可持续性
📈 波动率与不确定性
未来价格的可能区间，而非单一点位
💹 量价关系
价格变动是否得到成交行为的支持
🔄 市场结构与路径依赖
当前走势对未来路径的约束与偏向
市场状态的数学建模
要使"市场状态"成为可用于交易决策的对象，它必须同时满足三个条件：
G-Prophet 将市场状态定义为：
在给定时间尺度与信息集下，对价格行为约束条件的统计刻画。
市场状态向量
St = ( Tt, Vt, Ut, Mt )
- Tt — 趋势结构状态 (Trend Regime)
- Vt — 波动率水平 (Volatility Level)
- Ut — 不确定性分布特征 (Uncertainty Profile)
- Mt — 市场结构与路径依赖 (Market Structure)
该状态向量，并非静态标签，而是一个随时间演化的随机过程。
蒙特卡洛路径生成：状态到未来的映射
在完成状态建模后，G-Prophet 使用蒙特卡洛方法生成大量可能的未来路径：
{Pt+1(i), Pt+2(i), …}, i = 1,…,N
这些路径并非随机游走，而是受到以下约束：
- 当前趋势结构
- 波动率水平
- 不确定性分布
- 市场结构条件
最终形成的，并不是单一路径，而是一个条件化的路径集合。预测区间，正是该集合在时间轴上的统计投影。
预测区间：不确定性的可视化表达
在 G-Prophet 中，预测结果并非一条确定性的"目标价格"，而是一个随时间展开的不确定性区间（预测区间）。
预测区间（Prediction Funnel）被定义为：
在给定市场状态约束下，未来价格路径集合在时间轴上的概率投影。
漏斗形态与市场状态
收敛型漏斗
路径分布集中，市场对未来方向存在较强共识，趋势结构具备统计稳定性
扩张型漏斗
波动率上升，状态不稳定，市场结构可能正在发生变化
横向漏斗
市场缺乏明确方向性，价格更可能围绕中轴波动
方法论边界：模型不是"全知系统"
任何量化模型，都是对现实市场的近似，而非复制。G-Prophet 的方法论明确承认以下边界：
突发事件与外生冲击
模型刻画的是既有市场结构的延续概率，并不假设能够预知政策突变、监管事件或突发性宏观冲击。
样本密度与时间尺度
在极短周期或流动性不足的资产中，价格行为更接近随机噪声，回归与概率估计容易产生过拟合。
交易的角色转变
在 G-Prophet 框架下，交易者的角色并不是"预测者"，而是概率与结构的决策者。
系统尝试回答的，不是"价格一定会走向哪里"，而是：
- 哪些路径更有可能发生
- 哪些行为与当前市场状态高度不匹配
- 当前决策是否站在统计意义上更有利的一侧
你交易的不是价格本身，而是概率、结构与市场惯性。
体验 G-Prophet 的方法论优势
基于蒙特卡洛模拟的市场状态识别，68% 信号准确率