个人觉得很多数学分析方法都有个很重要的前提 "连续"
只要有不连续情况 很多数学分析方法就会出问题
时间序列也是一样 股价不是稳态连续的时间序列
如果是的话 时间序列分析也很好用
股价经常因为主力作价或散户羊群而跳空就不多说了
股价除息长的很像跳空但可以当成跳空来看吗??
股价有没有受配股影响?? 流通股数变多 股价或者市值该固定??
股价受减资增资影响也是很像跳空? 这真的可以看成跳空吗?
我个人认为流动性高交易量大的股票用时间序列来分析还是可以的
也些特殊事件发生的话要作修正难度也不高
==========================================================
至于从时空资料的角度来分析股价...这是正确的
所有的股价或是台指期其实都是每笔搓合价量累积出来的
市场上称这种资料为Tick资料 包含 价 量 时间
可再增加成交时的最佳买卖价资料 可得内外盘资料
这种资料就是 多变量时间序列
最常见的K线资料其实是一段时间内的开高低收量
我觉得这其实就是价格的时空资料 量资讯以长条图在下方呈现
开收之间就是某段时间(向量) 高低之间是某个线段(纯量)
如果完整的表达所有价量在市场上称为价量图 时间范围代表的就是时间分辨率
http://www.yuanta.com.tw/pages/content/StockInfo.aspx?Node=a97eac4c-d27f-449d-a7d3-0f9830d83e84
这元大的资料 时间范围只能选 1 5 10 30 72日 5种选择
实际上应该是任意时间范围都可以 1 5 15 分秒...
只要你高兴 e秒 pi秒 也可以
如果是台指甚至可以分析1秒价量表
如果是某些冷门股可能1小时价量都太短
K线资料就是从Tick资料(多变量时间序列)而来
市场上最常用的K线时空分析方法就是K线组合与形态学
http://lachlan.pixnet.net/blog/post/40349278-%E5%90%84%E7%A8%AEk%E7%B7%9A%E7%B5%84%E5%90%88
https://www.stockfeel.com.tw/%E6%AD%B7%E5%8F%B2%E4%B8%8D%E6%96%B7%E9%87%8D%E6%BC%94%E2%94%80%E5%9E%8B%E6%85%8B%E5%AD%B8/
为什么很多搞程式交易的人会输给主观交易的人 我觉得这是关键因素
主观交易的人通常会看K线与形态(时空资料) 筹码 新闻...
程式交易的人通常就看收盘价均价或者再加个成交量(单变量或多变量时间序列)
有能力用程式去作型态辨识的人是极少数
有人可能会呛说K线就线段而已说什么空间
同产业的股票K线可以看成面
不同产业股票K线可以看成体(台湾股市)
还有不同国家 约略同时段亚洲股市
还有不同洲别的 国际股市 还可以搭配外汇资料的K线
也就是说K线可以构成高维空间-时间
而且还可以用更完整的 开收价量图来构成时空资料
我个人目前只做到个股的时空资料而已
如果有人做完台湾股市的话应该可以完整解释类股轮涨现象
上面说的还只是从单纯价量资料整理的时空资料
其实还可以再用其它资讯扩张价量表
http://www.cmoney.tw/learn/course/jenny/topic/2716
上例是把买卖分点考虑进来
价量之外再搭配买超分点数与卖超分点数
这要用3D绘图才能更好的视觉化这样的资料
如果用机器学习方法来分析全球股市的时空资料
我觉得应该是很有发展空间
这个主题我是觉得就算不交易 写硕博士论文也是很好的题目
※ 引述《peter308 (pete)》之铭言：
: 我之前版上po过我自己的见解
: #1R1uCkrB
: [请益] 股市那么难预测是什么原因??
: 文章有提到以下内容:
: 所谓的价格动力的空间部分的贡献
: 来自于交易投资人间形成的一个网络拓朴结构(network topolology structure)
: 这个结构很可能是 scale-free, small-word 或是其他结构
: 但很可惜 目前投资人的拓朴结构为何是个unknown
: 不像材料科学 可以用Xray 或是中子绕射的方法去测量材料的晶格构造!
: 怎么知道这个拓朴结构的拓朴长相，
: 以及如何把它的效应放进CAPM或是异质投资人模型，
: 是我下一个阶段想研究的课题!
: 我认为如果未来能够写的出这个考虑过网络拓朴结构的PDE
: 对于我们理解股价的动力行为会有一些帮助!
: 简单讲
: 股价的动力学模型应该本质上是一个PDE(偏微方方程)而非ODE(常微分方程)
: 时间序列看的就是股价怎么随着时间变化而已
: 至于空间结构的那个部分则把它平均掉
: 我的想法是 结构空间不应该被平均掉，而是应该透过一个PDE的空间座标去描述
: 当然
: 要从第一原理或理论角度去建构出这样的PDE 太困难了
: 但如果把原本的时间序列改成收集spatio-temporal 数据
: 再用机器学习去针对这个spatio-temporal 数据做超参数优化(模型训练)呢?
: 有没有可能提升股价预测上的准确度??
: 有没有人实际做过?
: 或是有些想法的??
: 要不要讨论看看??