時間序列用來描述股價變化484很不實用? - 股票

我之前版上po過我自己的見解

#1R1uCkrB

[請益] 股市那麼難預測是什麼原因??

文章有提到以下內容:

所謂的價格動力的空間部分的貢獻
來自於交易投資人間形成的一個網絡拓樸結構(network topolology structure)
這個結構很可能是 scale-free, small-word 或是其他結構
但很可惜 目前投資人的拓樸結構為何是個unknown
不像材料科學 可以用Xray 或是中子繞射的方法去測量材料的晶格構造!
怎麼知道這個拓樸結構的拓樸長相，
以及如何把它的效應放進CAPM或是異質投資人模型，
是我下一個階段想研究的課題!
我認為如果未來能夠寫的出這個考慮過網絡拓樸結構的PDE
對於我們理解股價的動力行為會有一些幫助!


簡單講

股價的動力學模型應該本質上是一個PDE(偏微方方程)而非ODE(常微分方程)

時間序列看的就是股價怎麼隨著時間變化而已

至於空間結構的那個部分則把它平均掉

我的想法是 結構空間不應該被平均掉，而是應該透過一個PDE的空間座標去描述

當然

要從第一原理或理論角度去建構出這樣的PDE 太困難了

但如果把原本的時間序列改成收集spatio-temporal 數據

再用機器學習去針對這個spatio-temporal 數據做超參數優化(模型訓練)呢?

有沒有可能提升股價預測上的準確度??

有沒有人實際做過?

或是有些想法的??

要不要討論看看??






--