4. 用 HistoryPanel 研究縱向擇時因子

縱向擇時：因子閾值 -> bool mask -> 組合收益與 CAGR 對比

本篇教程面向一個非常常見、也非常“接地氣”的研究場景：我們手裏只有少量股票（幾隻到十幾只），想沿每隻股票自己的時間軸做出持有/不持有的擇時決策；然後把這些決策彙總成一條組合曲線，最後再和基準（HS300）對比，得到一個能複用的年化指標（CAGR）。

先把定位說清楚：HistoryPanel 在這裏扮演的是輕量因子研究容器。它的強項是把“數據 -> 條件 -> 研究口徑（mask）-> 組合聚合 -> 可視化解釋”打通，讓我們能快速驗證一個規則是不是值得繼續深挖。它不是交易回測引擎：不處理交易成本、交割、滑點、資金約束、最小成交單位等完整交易語義。本文的目標是做研究閉環，不是做交易閉環。

---

4.1. 0. 开场：先跑通一个最小可用的研究闭环

如下代碼所示，我們只用幾行就能拿到一個 HistoryPanel，並畫出第一張圖（不管是折線還是 K 線），證明“數據和可視化鏈路是通的”。

import qteasy as qt

stocks = ['000001.SZ', '600519.SH', '300750.SZ']
benchmark = '000300.SH'
shares = stocks + [benchmark]

hp = qt.get_kline(
    shares=shares,
    start='20220101',
    end='20221231',
    freq='D',
    as_panel=True,
)

# 最小可跑：能出图即可
fig = hp.plot(interactive=True)
fig

如果你在 Notebook 裏運行，上面這一段通常就能立即看到一張圖。

不過，僅僅“能畫出來”還遠遠不夠。 如果我們真的要把它當成日常研究工具來用，至少會遇到下面這些問題：

1. 擇時規則怎麼落地：我們腦子裏很容易有一句“MACD>0 就持有”，但寫成代碼後常常會變形：列名記錯、數據缺列、算出來全是 NaN、或不同股票對齊方式不一致。結果就是研究腳本一跑就報錯，或者更糟——不報錯但結論不可信。

2. mask 形狀怎麼對齊：條件本質是二維的（股票×時間），但 HistoryPanel 是三維的（股票×時間×字段）。如果形狀對不齊，你會出現“以爲在篩選股票，其實在篩選字段”的隱性 bug；而這種 bug 往往不會立刻報錯，只會讓收益曲線看起來“有點怪”。

3. 沒有 benchmark 很難判斷好壞：只看組合曲線很容易“自嗨”。它可能只是踩中了 2022 年某一段風格或大盤趨勢。把 000300.SH 拉進來做對照，至少能回答一個更接近實戰的問題：這套擇時規則，是在創造超額，還是隻是跟着市場波動？

4. 有結果但難解釋：就算 long 組合跑贏了，也很難解釋“爲什麼贏”。真正的研究需要可覆盤：當收益出現明顯拐點時，我們能不能迅速回到圖上定位“是哪些觸發點改變了持倉狀態”？

好在這些能力都可以一步步補齊。本文就按“先跑通，再增強”的節奏，把它補齊成一個真正可用的小研究流程。

---

4.2. 0.5 先貼最終效果（我們最後會得到什麼）

爲了讓節奏更穩，我們先把“終點形態”講清楚。按本文做完，你至少會得到兩類輸出：

1. 組合層面的對比：LONG / SHORT / 000300.SH 三條曲線（統一從 1.0 起點歸一化）放在一張圖裏，你能一眼看出“擇時規則在研究期內是否有效”。

2. 單標的層面的解釋：對某隻股票畫 K 線（或價格曲線），並把“觸發持有條件的時點”用高亮標出來。這樣當你看到組合曲線某段表現異常時，可以快速回到單股圖上覆盤“觸發點是否符合直覺”。

注：本文不強制你輸出 GIF。更推薦的做法是：先在 Notebook 裏把圖跑通，截圖即可；如果你要寫博客或做分享，再把關鍵步驟錄成 GIF。

---

4.3. 1. 目标（我们这篇文章要完成什么）

在開始動手之前，我們先把目標講清楚，這樣每一步都知道自己在解決什麼問題。

• 獲取少量個股 + 000300.SH 的 HistoryPanel

• 派生一個可解釋的擇時因子（示例：MACD）

• 用比較運算得到 bool 條件，並用 where() 生成研究 mask

• 用 portfolio(mask=...) 聚合成組合曲線，並與 benchmark 對比

• 用 normalize/cum_return 得到累計收益，並推導 CAGR 摘要

• 用 plot(highlight=...) 把“觸發時點”解釋回圖上

• 文末給出一段“單函數可跑”的完整代碼

• 明確研究口徑邊界：這不是交易回測引擎

整篇文章保持同一個節奏： 先講本節要解決什麼 -> 再說最小必要原理 -> 最後給關鍵代碼與預期效果。 重複代碼會適當省略，但每一節都保證可以順着文章直接復現。

---

4.4. 1.1 復現前置：數據是否已在本地準備好？

本文的示例默認你已經在本地配置好了數據源，並且 qt.get_kline() 能成功取到 20220101–20221231 的日線數據。

如果你的環境裏暫時沒有數據，最常見的現象是：qt.get_kline() 返回空面板，或者在後續計算指標時出現全 NaN。爲了避免“跑到一半才發現沒數據”，建議你在第 2 節做完後務必檢查：

• hp.shape 的時間長度是否大於 100（一年日線一般在 200 附近）；

• hp.htypes 是否至少包含 open/high/low/close；

• hp.hdates 是否連續覆蓋你想研究的區間。

如果你在自己的環境裏需要先下載數據，請先完成“數據下載與數據源配置”相關章節；本文不展開數據通道細節，專注在 HistoryPanel 的研究鏈路本身。

---

4.5. 2. 准备数据：三只个股 + 一个基准指数（HS300）

2.1 本節要解決什麼

我們先把數據準備乾淨： 用 3 只個股做縱向擇時，同時把 000300.SH（滬深 300）加入面板，作爲後面 portfolio(..., benchmark=...) 的對照。

這裏最關鍵的一步是：確認 OHLC 列齊全。 因爲後面不管是畫 K 線、還是做形態識別，都繞不開 open/high/low/close。

2.2 最小必要原理

HistoryPanel 是三維數據：(share, time, htype)。 後續 where/mask/portfolio/cum_return 都會依賴“形狀對齊”的前提。 因此我們在一開始就列印 shape/shares/htypes，並做一個最低限度的字段校驗，可以把後面大部分“寫到一半才報錯”的坑提前堵掉。

2.3 可運行代碼 + 預期效果

import qteasy as qt

stocks = ['000001.SZ', '600519.SH', '300750.SZ']
benchmark = '000300.SH'
shares = stocks + [benchmark]

hp = qt.get_kline(
    shares=shares,
    start='20220101',
    end='20221231',
    freq='D',
    as_panel=True,
)

print('hp.shape:', hp.shape)
print('hp.shares:', hp.shares)
print('hp.htypes:', hp.htypes)
print('last_date:', hp.hdates[-1])

required = {'open', 'high', 'low', 'close'}
missing = [c for c in required if c not in set(hp.htypes)]
if missing:
    raise ValueError(f'Missing required OHLC columns in htypes: {missing}')
if benchmark not in hp.shares:
    raise ValueError(f'Benchmark {benchmark} not found in shares: {hp.shares}')

# 额外做一个“是否真的有数据”的快速检查（避免空面板/全 NaN 继续往下跑）
if hp.shape[1] < 50:
    raise ValueError(
        'Not enough data points loaded (too few hdates). '
        'Please check your local datasource and date range.'
    )

你應該看到：

• hp.shares 裏包含 3 只個股 + 000300.SH

• hp.htypes 至少包含 open/high/low/close（以及可能還有 vol）

---

4.6. 3. 派生择时因子：MACD（把信号落成一列可复用的数据）

3.1 本節要解決什麼

我們先選一個足夠常見、足夠可解釋、也足夠“能馬上用”的擇時因子：MACD。 這一節的目標很簡單：把 MACD 計算出來，併成爲 HistoryPanel 的新列，讓後續條件篩選可以直接對列做比較。

3.2 最小必要原理

hp.kline.macd() 會返回一個新 HistoryPanel，並在 htypes 裏追加三列：

• macd_12_26_9

• macd_signal_12_26_9

• macd_hist_12_26_9

注意這個命名：默認是帶後綴的，不是裸的 macd_hist。 這一步我們把列名列印出來，後面寫條件時就不會猜錯。

另外，很多朋友第一次做因子研究時，會不自覺地在不同地方“重複計算指標”。短期看沒問題，但一旦你開始加更多列、畫更多圖，就容易出現“同名列覆蓋/同義列多份”的混亂。更穩妥的做法是：先把指標算成列，明確寫進 htypes，後續的條件、聚合、可視化都只依賴這些列。

3.3 可運行代碼 + 預期效果

hp_macd = hp.kline.macd(price_htype='close', fastperiod=12, slowperiod=26, signalperiod=9)
print('new htypes (tail):', hp_macd.htypes[-6:])

預期：你會看到 macd_hist_12_26_9 出現在 htypes 裏。

---

4.7. 4. 因子阈值 -> bool 条件 -> where() 研究 mask

4.1 本節要解決什麼

現在我們把擇時規則寫清楚： 例如“MACD 柱狀圖大於 0 的時候屬於 long，小於等於 0 屬於 short”。 這一步要交付的產物是兩個 mask：

• mask_long：哪些格點參與 long 組合聚合

• mask_short：哪些格點參與 short 組合聚合

4.2 最小必要原理

從 2.2.8 起，HistoryPanel 支持直接做比較運算： 例如 hp_macd > 0 會返回 numpy.ndarray(bool)。 而 hp.where(condition) 會把各種可廣播條件規整爲與 hp.values 同形的 (M,L,N) mask。

這一步非常關鍵：我們不是在“刪除數據”，而是在“定義研究口徑”： mask 爲 False 的格點，在 portfolio/cum_return 裏會被視作缺失（不參與聚合或導致路徑斷開）。 因此 mask 就是“研究規則本身”。

這裏我們再把“形狀”說得更直白一點：

• 你腦子裏的擇時規則是“每隻股票每天一個 True/False”，因此最自然的條件形狀是 (M, L)。

• 但 HistoryPanel 的 values 是 (M, L, N)，有 N 個字段列。

• where() 做的事情就是：把你的條件擴展/廣播成 (M, L, N)，讓後續任何需要按格點過濾的計算都有一個統一的入口。

一旦你養成“條件都先過 where()”的習慣，後面把條件餵給 portfolio(mask=...)、cum_return(mask=...) 時，就不容易在形狀上踩坑。

4.3 可運行代碼 + 預期效果

import numpy as np

factor_col = 'macd_hist_12_26_9'

# 取单列子面板（形状 (M,L,1)），再与标量比较得到 bool ndarray
cond_long = (hp_macd[factor_col] > 0.0)     # numpy.ndarray(bool)
cond_short = (hp_macd[factor_col] <= 0.0)  # numpy.ndarray(bool)

# 规整为 (M,L,N) 研究 mask
mask_long = hp.where(cond_long)
mask_short = hp.where(cond_short)

print('cond_long shape:', getattr(cond_long, 'shape', None))
print('mask_long shape:', mask_long.shape)
print('mask_long dtype:', mask_long.dtype)

# 只做一个直觉检查：最后一天 long 有多少格点为 True
print('true_count_last_day(long):', int(mask_long[:, -1, 0].sum()))

預期：

• mask_long.shape == hp.shape

• mask_long.dtype == bool

---

4.8. 5. 用 portfolio(mask=...) 聚合组合曲线，并与 benchmark 对比

5.1 本節要解決什麼

我們不做交易回測，只做研究向的“粗聚合”： 對每一天，把滿足條件的股票（long/short）聚合成一條組合曲線，然後把 000300.SH 作爲 benchmark 拉出來對比。

5.2 最小必要原理

HistoryPanel.portfolio() 的幾個關鍵點（我們用到的）：

• mask=：與 where() 同形規則；False 的格點不參與聚合

• benchmark= + benchmark_output='tag_along'：把基準行追加到輸出中

• 輸出仍是一個 HistoryPanel，時間軸不變

再次強調：這是研究向聚合，不含交易成本、無資金約束、也不做調倉執行。

你可以把它理解成一種“研究口徑上的等權籃子”：每天把符合條件的股票等權平均成一條曲線。它的意義不是模擬真實交易，而是回答一個更基礎的問題：

如果我用這個條件去定義一個“持有集合”，它在樣本期內表現有沒有系統性差異？

只有當這個問題的答案是“有”，我們才值得繼續投入，把它升級成真正的交易策略回測。

5.3 可運行代碼 + 預期效果

benchmark = '000300.SH'

pf_long = hp.portfolio(
    htypes='close',
    mode='equal',
    mask=mask_long,
    benchmark=benchmark,
    benchmark_output='tag_along',
    new_share_name='LONG',
)

pf_short = hp.portfolio(
    htypes='close',
    mode='equal',
    mask=mask_short,
    benchmark=benchmark,
    benchmark_output='tag_along',
    new_share_name='SHORT',
)

print('pf_long.shares:', pf_long.shares)
print('pf_long.htypes:', pf_long.htypes)
print('pf_long.shape:', pf_long.shape)

預期：pf_long.shares 裏會有 LONG 和 000300.SH 兩行。

---

4.9. 6. normalize / cum_return + CAGR：把曲线变成可比较的年化摘要

6.1 本節要解決什麼

兩條曲線擺在一起，人眼能看趨勢，但很難快速總結： “這一段研究期，long 比 benchmark 到底強多少？” 因此我們做兩件事：

1. normalize：統一起點（便於目視比較）

2. cum_return + CAGR：給出一個可複用的年化摘要表

6.2 最小必要原理

• normalize(base_index=0) 會把基準點縮放到 1.0（研究口徑），非常適合畫同圖比較

• cum_return(method='simple') 給出累計收益 cumret_*

• CAGR 的本質是“等效年化增長率”：

  [ \text{CAGR}=(1+R)^{1/T}-1 ]

其中 (R) 是區間累計收益（末值），(T) 是年數。

這裏我們再補一句“爲什麼要算 CAGR”：很多時候我們會拿不同長度的區間做對比（半年、一年、兩年）。如果只看累計收益，很容易“區間越長看起來越厲害”。CAGR 把它折算成“每年等效增長多少”，這樣不同研究期的結果才更容易橫向比較。

6.3 可運行代碼 + 預期效果

import pandas as pd

def _years_between(hdates) -> float:
    idx = pd.DatetimeIndex(hdates)
    days = (idx[-1] - idx[0]).days
    return max(1e-9, days / 365.25)

def _cagr_from_cumret(cumret_end: float, years: float) -> float:
    return (1.0 + cumret_end) ** (1.0 / years) - 1.0

years = _years_between(pf_long.hdates)

cr_long = pf_long.cum_return(htypes='close', method='simple')   # 输出列 cumret_close
cr_short = pf_short.cum_return(htypes='close', method='simple')

cumret_long_end = float(cr_long.values[cr_long.shares.index('LONG'), -1, 0])
cumret_short_end = float(cr_short.values[cr_short.shares.index('SHORT'), -1, 0])

# benchmark 行同样在 shares 里（tag_along）
cumret_bm_long_end = float(cr_long.values[cr_long.shares.index('000300.SH'), -1, 0])
cumret_bm_short_end = float(cr_short.values[cr_short.shares.index('000300.SH'), -1, 0])

summary = pd.DataFrame(
    {
        'cum_return_end': [cumret_long_end, cumret_short_end, cumret_bm_long_end],
        'CAGR': [
            _cagr_from_cumret(cumret_long_end, years),
            _cagr_from_cumret(cumret_short_end, years),
            _cagr_from_cumret(cumret_bm_long_end, years),
        ],
    },
    index=['LONG', 'SHORT', '000300.SH'],
)

print(summary)

你應該能看到一張 3 行的摘要表。建議你至少關注兩件事：

• LONG vs 000300.SH：是否真的跑贏（CAGR 更高/或累計收益更高）？

• SHORT 的表現：它不一定要“虧”，但它能幫助我們判斷條件是否真的在分離樣本（LONG/SHORT 兩端的差異是否明顯）。

---

4.10. 7. 可视化解释：用 plot(highlight=...) 把“触发点”标回图上

7.1 本節要解決什麼

我們已經有收益曲線了，但還差最後一環：解釋。 這一步我們做一個“覆盤友好”的動作：在單隻股票的 K 線圖上，把觸發點高亮出來，讓讀者能一眼看到“什麼時候觸發了擇時條件”。

7.2 最小必要原理

HistoryPanel.plot(highlight=...) 支持兩種常用寫法：

• 简写：highlight='max'/'min'

• 显式：highlight={'condition': <1D bool over time>, 'style': {...}}

注意一點：靜態渲染路徑裏 condition 更偏向 1D 時間軸（用於在圖上散點標記）。因此我們在這裏用單股時間軸的 1D bool 來做高亮更穩。

7.3 可運行代碼 + 預期效果

import numpy as np

primary_share = '000001.SZ'

# 从 cond_long（M,L,1 或 M,L,N 的 bool）里抽出该 share 的时间轴 1D 条件
si = hp_macd.shares.index(primary_share)
cond_1d = np.asarray(cond_long[si, :, 0], dtype=bool).ravel()

# 为了让图更清爽，这里只看最后 200 个交易日（你也可以改成全区间）
hp_one = hp.loc[-200:]

fig = hp_one.plot(
    shares=[primary_share],
    interactive=True,
    highlight={'condition': cond_1d[-200:], 'style': {'marker': 'x', 's': 50}},
)
fig

預期效果：你會在圖上看到一系列被高亮標出的點（對應 macd_hist_12_26_9 > 0 的時點）。 這一步的價值在於：當你看到組合曲線某段突然變差時，可以回到單股圖快速確認：觸發點是否集中出現在震盪區、是否“來回打臉”，從而決定下一步要不要加過濾條件（例如趨勢過濾、波動過濾等）。

---

4.11. 8. 完整代码（单函数可跑版本）

下面給出一段“單函數可跑”的完整版本，方便你複製進 Notebook 一鍵運行。它做了三件事：

• 跑通 MACD -> mask -> portfolio -> CAGR 的研究閉環；

• 畫出 LONG/SHORT/benchmark 的歸一化曲線；

• 畫出單股圖並高亮觸發點（便於解釋與覆盤）。

import numpy as np
import pandas as pd
import qteasy as qt


def demo_vertical_timing(
        stocks: list,
        benchmark: str = '000300.SH',
        start: str = '20220101',
        end: str = '20221231',
        primary_share: str = '000001.SZ',
):
    \"\"\"演示纵向择时研究闭环：MACD 阈值 -> mask -> 组合曲线 -> CAGR -> 高亮解释。

    Parameters
    ----------
    stocks : list
        个股代码列表（建议 3~15 只，太多不利于解释）。
    benchmark : str, default '000300.SH'
        基准指数代码（示例使用沪深 300）。
    start : str, default '20220101'
        起始日期（YYYYMMDD）。
    end : str, default '20221231'
        结束日期（YYYYMMDD）。
    primary_share : str, default '000001.SZ'
        用于做“触发点高亮解释”的单只股票代码。

    Returns
    -------
    dict
        结果对象集合，便于你在 Notebook 里继续查看：
        - hp: 原始面板
        - hp_macd: 含 MACD 列的面板
        - pf_long/pf_short: 组合面板（含 benchmark 行）
        - summary: CAGR 摘要表（DataFrame）
        - fig_pf: 组合对比图
        - fig_one: 单股高亮图
    \"\"\"
    shares = list(stocks) + [benchmark]

    hp = qt.get_kline(
        shares=shares,
        start=start,
        end=end,
        freq='D',
        as_panel=True,
    )

    required = {'open', 'high', 'low', 'close'}
    missing = [c for c in required if c not in set(hp.htypes)]
    if missing:
        raise ValueError(f'Missing required OHLC columns in htypes: {missing}')
    if benchmark not in hp.shares:
        raise ValueError(f'Benchmark {benchmark} not found in shares: {hp.shares}')
    if hp.shape[1] < 50:
        raise ValueError(
            'Not enough data points loaded (too few hdates). '
            'Please check your local datasource and date range.'
        )
    if primary_share not in hp.shares:
        raise ValueError(f'primary_share "{primary_share}" not found in shares')

    # 1) 派生因子：MACD（默认 12_26_9）
    hp_macd = hp.kline.macd(price_htype='close', fastperiod=12, slowperiod=26, signalperiod=9)
    factor_col = 'macd_hist_12_26_9'
    if factor_col not in hp_macd.htypes:
        raise ValueError(f'Required factor htype "{factor_col}" not found after macd()')

    # 2) 条件 -> mask（研究口径）
    cond_long = (hp_macd[factor_col] > 0.0)
    cond_short = (hp_macd[factor_col] <= 0.0)
    mask_long = hp.where(cond_long)
    mask_short = hp.where(cond_short)

    # 3) 组合聚合 + benchmark
    pf_long = hp.portfolio(
        htypes='close',
        mode='equal',
        mask=mask_long,
        benchmark=benchmark,
        benchmark_output='tag_along',
        new_share_name='LONG',
    )
    pf_short = hp.portfolio(
        htypes='close',
        mode='equal',
        mask=mask_short,
        benchmark=benchmark,
        benchmark_output='tag_along',
        new_share_name='SHORT',
    )

    # 4) cum_return -> CAGR 摘要
    def _years_between(hdates) -> float:
        idx = pd.DatetimeIndex(hdates)
        days = (idx[-1] - idx[0]).days
        return max(1e-9, days / 365.25)

    def _cagr_from_cumret(cumret_end: float, years: float) -> float:
        return (1.0 + cumret_end) ** (1.0 / years) - 1.0

    years = _years_between(pf_long.hdates)
    cr_long = pf_long.cum_return(htypes='close', method='simple')
    cr_short = pf_short.cum_return(htypes='close', method='simple')

    cumret_long_end = float(cr_long.values[cr_long.shares.index('LONG'), -1, 0])
    cumret_short_end = float(cr_short.values[cr_short.shares.index('SHORT'), -1, 0])
    cumret_bm_end = float(cr_long.values[cr_long.shares.index(benchmark), -1, 0])

    summary = pd.DataFrame(
        {
            'cum_return_end': [cumret_long_end, cumret_short_end, cumret_bm_end],
            'CAGR': [
                _cagr_from_cumret(cumret_long_end, years),
                _cagr_from_cumret(cumret_short_end, years),
                _cagr_from_cumret(cumret_bm_end, years),
            ],
        },
        index=['LONG', 'SHORT', benchmark],
    )
    print('\\n[CAGR summary]')
    print(summary)

    # 5) 图：组合曲线对比（先 normalize，便于肉眼比较）
    pf_view = pf_long.normalize(htypes='close', base_index=0)
    fig_pf = pf_view.plot(interactive=True)

    # 6) 图：单股触发点解释（1D 时间轴条件）
    si = hp_macd.shares.index(primary_share)
    cond_1d = np.asarray(cond_long[si, :, 0], dtype=bool).ravel()
    lookback = min(200, len(cond_1d))
    fig_one = hp.loc[-lookback:].plot(
        shares=[primary_share],
        interactive=True,
        highlight={'condition': cond_1d[-lookback:], 'style': {'marker': 'x', 's': 50}},
    )

    return {
        'hp': hp,
        'hp_macd': hp_macd,
        'pf_long': pf_long,
        'pf_short': pf_short,
        'summary': summary,
        'fig_pf': fig_pf,
        'fig_one': fig_one,
    }


res = demo_vertical_timing(
    stocks=['000001.SZ', '600519.SH', '300750.SZ'],
    benchmark='000300.SH',
    start='20220101',
    end='20221231',
    primary_share='000001.SZ',
)
res['fig_pf']

說明：上面 normalize 只爲了畫圖對比更直觀；你做統計時仍以 cum_return 或原始價格序列爲準。

---

4.12. 9. 小结与边界

到這裏，我們已經把一個“少量標的擇時”的研究閉環跑通了： 數據 -> 因子 -> bool 條件 -> where mask -> portfolio + benchmark -> cum_return + CAGR -> plot(highlight) 解釋。

需要注意的是：這裏的 portfolio/cum_return 都是研究向計算，不包含交易成本、滑點、交割、資金約束等完整回測語義。 如果你希望把研究邏輯遷移到真正的策略回測，建議把因子/條件輸出成策略可用的數據列或信號，並交給 Operator/Backtester 處理交易層語義。

---

4.13. 附錄：插圖索引（建議你在 Notebook 裏生成/截圖）

插圖	建議放置位置	你將看到什麼
img/3.1_minimal_run.png	§0 開場最小可跑	證明 get_kline -> plot 鏈路通了
img/3.1_pf_compare.png	§0.5 或 §6	LONG/SHORT/000300.SH 歸一化曲線對比
img/3.1_highlight_one_share.png	§7	單股圖上高亮觸發點（便於覆盤解釋）