時間序列用來描述股價變化484很不適當? - 股票

個人覺得很多數學分析方法都有個很重要的前提 "連續"
只要有不連續情況 很多數學分析方法就會出問題

時間序列也是一樣 股價不是穩態連續的時間序列
如果是的話 時間序列分析也很好用

股價經常因為主力作價或散戶羊群而跳空就不多說了

股價除息長的很像跳空但可以當成跳空來看嗎??

股價有沒有受配股影響?? 流通股數變多 股價或者市值該固定??

股價受減資增資影響也是很像跳空? 這真的可以看成跳空嗎?

我個人認為流動性高交易量大的股票用時間序列來分析還是可以的
也些特殊事件發生的話要作修正難度也不高

==========================================================

至於從時空資料的角度來分析股價...這是正確的

所有的股價或是台指期其實都是每筆搓合價量累積出來的
市場上稱這種資料為Tick資料 包含 價 量 時間
可再增加成交時的最佳買賣價資料 可得內外盤資料
這種資料就是 多變量時間序列


最常見的K線資料其實是一段時間內的開高低收量
我覺得這其實就是價格的時空資料 量資訊以長條圖在下方呈現
開收之間就是某段時間(向量) 高低之間是某個線段(純量)

如果完整的表達所有價量在市場上稱為價量圖 時間範圍代表的就是時間解析度
http://www.yuanta.com.tw/pages/content/StockInfo.aspx?Node=a97eac4c-d27f-449d-a7d3-0f9830d83e84
這元大的資料 時間範圍只能選 1 5 10 30 72日 5種選擇
實際上應該是任意時間範圍都可以 1 5 15 分秒...
只要你高興 e秒 pi秒 也可以

如果是台指甚至可以分析1秒價量表
如果是某些冷門股可能1小時價量都太短

K線資料就是從Tick資料(多變量時間序列)而來

市場上最常用的K線時空分析方法就是K線組合與形態學
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/


為什麼很多搞程式交易的人會輸給主觀交易的人 我覺得這是關鍵因素

主觀交易的人通常會看K線與形態(時空資料) 籌碼 新聞...

程式交易的人通常就看收盤價均價或者再加個成交量(單變量或多變量時間序列)
有能力用程式去作型態辨識的人是極少數


有人可能會嗆說K線就線段而已說甚麼空間
同產業的股票K線可以看成面
不同產業股票K線可以看成體(台灣股市)
還有不同國家 約略同時段亞洲股市
還有不同洲別的 國際股市 還可以搭配外匯資料的K線

也就是說K線可以構成高維空間-時間

而且還可以用更完整的 開收價量圖來構成時空資料

我個人目前只做到個股的時空資料而已

如果有人做完台灣股市的話應該可以完整解釋類股輪漲現象

上面說的還只是從單純價量資料整理的時空資料


其實還可以再用其它資訊擴張價量表
http://www.cmoney.tw/learn/course/jenny/topic/2716
上例是把買賣分點考慮進來

價量之外再搭配買超分點數與賣超分點數
這要用3D繪圖才能更好的視覺化這樣的資料


如果用機器學習方法來分析全球股市的時空資料
我覺得應該是很有發展空間

這個主題我是覺得就算不交易 寫碩博士論文也是很好的題目


※ 引述《peter308 (pete)》之銘言：
: 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??

--