上証波數推測

eagleclime

從對稱波數來看，上証應該接近波段底部，從黃色粗線的走勢，約在2300附近，可能指數會與黃線接觸，接下來可能會進行反彈。

/ L- j+ c* Z8 }

seethreesmall

謝謝分享

francious

很完美的對稱

eagleclime

francious 發表於 2018-10-22 21:24
很完美的對稱

) F  ?$ [2 Z" C1 H4 H) n波浪本應完美，但政、軍、經脫不了關係，必會受人為影響，石油與911恐攻是最明顯例子之一。因此波可能提早或被延後結束，川普這二年影響最明顯的是美元指數，二次都是他一句話反轉，都提早了一個月左右。美股因減稅與庫藏股而延後下跌。

francious

發幾張圖，供參考！！別人的圖(我自己的模型初始架構年初遇到意外損毀，數據庫和臨界值數據也爆了，將就一下)
& S# m( S' m& j! _, o* ?1是分型擬合，2是2012年走勢片段序列擬合，3、4是LPPL模型的對數週期擬合。

- b2 z" |4 w( U# }( E

: u) m- i4 G! H8 L8 o$ U/ s

eagleclime

francious 發表於 2018-10-24 07:38
發幾張圖，供參考！！別人的圖(我自己的模型初始架構年初遇到意外損毀，數據庫和臨界值數據也爆了，將就一 ...

謝謝分享！！很好的資訊。

francious

如果說，對稱表現的特性是【平衡】
提供2個小技巧【關于平衡的】，供玩樂！！
+ b+ W. ]4 C, D9 f, a
1）一般的MA均線，看圖解，：

7 n: n0 q+ C1 i3 o- D& [( h: p# A
$ p7 q# Y  ^6 K" M- g2）MACD，單位值是收盤價，不過不重要。重要的是它的特性，由於MACD使用EMA計算，權重在每個T不等。
所以，2條EMA的差值，有“歸遞”特性。由此，可以定位下一個時間點（配合結構），甚至後面幾個時間點。不精確、但是存在這現象。
下面2張圖，第一是最近的局部，第二是較久（從3587下來）。

5 q: y+ _. ^$ O6 ?

- {8 c+ [  K* h8 B' ]- q6 u0 R

eagleclime

francious 發表於 2018-11-1 21:57
. B" a' p7 _( X$ n4 Q  j8 B6 d9 l如果說，對稱表現的特性是【平衡】
3 G1 T+ W/ n4 P; f8 Y8 l6 f9 L提供2個小技巧【關于平衡的】，供玩樂！！

! ~7 a, \9 ]0 F2 [8 O2 N基本型態是五波，一五波在設定上是假設相等時間長與相同幅度，而第三波就由布朗運動的指數決定，有時一三五接近，且二四接近，就會有很明顯的對稱，就有明顯周期出現，用通道來看會是接近平行通道，用對稱線來看是幾乎完美，假如只要一五波相近，時間碎型不變動，都符合平行通道與對稱，但周期誤差就會變大。一旦時間碎型變動，就沒有周期可言。而這是很常見的，因為選舉而變動，因為等待某決議而變動，因為期貨決算日而變動，因此考慮周期時，可能必須考慮其他因素造成的時間延遲或提前，之後的波動，也會因為這個提早或延遲而受影響。就碎型的角度而言，周期很難穩定存在，時間越長就越難，除非如您所做的短期間，可儘量避開。所以我的預估跟您一樣，用約略相近。在小時線來看，誤差是小時，在月K線來看是幾個月。我很少做小時的碎型，因為還沒做完，那波可能結束了.......，我比較著重在大規模，抓長期趨勢。短線我用波浪約略估計波數，標準差抓支撐壓力，空頭不看撐，多頭不看壓，因為趨勢之下必破，直到遠超出倍數極限才會反彈或修正。如台股十月的支撐二個都破了，一直跌到極限值9９０２之外，一直到十月最後一天才快速反彈收９８０２。剛好３０號買多單，也許明天多單就會出場。不過外資硬是壓到最後一天才放手，讓人覺得太超過了，雖然不是第一次，但並不多見。小時線我現在少用了，因為台積電的關係，一檔佔權值近２０％的股票，會讓指數的波動不正常，或許是我模型需要修正，將台積電的比重列入算式，不過目前還沒空去考慮這件事，目前著重在複合波與碎型的研究中。

francious

eagleclime 發表於 2018-11-2 01:08
基本型態是五波，一五波在設定上是假設相等時間長與相同幅度，而第三波就由布朗運動的指數決定，有時一三 ...

8 @' H2 T6 _. F6 L. i1）實際上，分型布朗運動比波浪理論更適合作為重點、更接近市場“分類”的真相。波浪理論是一種理想化、未經數據檢驗的不完整理論。（畢竟Elliot那個時代，根本就沒有數據驗證這個概念，他自己也沒憑這個賺過錢）
波浪理論最有價值就是概念中提出了層級嵌套這個概念。近似分型級別的嵌套。（不知是否誤打誤撞）
關於波浪曾經提到過的一點看法，以及市場近似分型（分數）布朗運動：
* N8 c( H8 n3 G
* R4 l6 \% J! f& Z
' N" A  g$ E9 E- F7 m2）週期其實是一種“幻象”，只是現象不是原理。但說到形、數、理、象，它是可以連續性去描述市場狀態的一種觀測標尺。
2 I# w; ^& ]7 ^8 d1 ~如果，已經建立算法，讓電腦自己去耦合（擬合）特徵，取得概率分佈。當然就不需要去計算週期。但是就投入交易使用來說，完全照算法建模對硬體要求太高，有時效性問題。近似傳統的技術分析方式反而更有指導作用（前提是，經過大量數據檢測過傳統技術分析的一些假設是否存在、被證實。）
& l/ |$ g4 S- `4 V1 ]
3）週期這種幻象，其實一直都存在。若投入使用，難的其實在於怎麽正確採樣（時間序列可能出現無數種樣本、分型也可能無數種，怎麽去選最能解決當下問題的）。但是非常有用，尤其是對數週期冪率模型（LPPL模型，冪法則和正向回饋），可以說是神一般的模型。對於超指數型增長、衰竭數據，臨界點無一缺漏。
LPPL模型，當時在2015年上證股災時，先驗性的提示：

* V% W7 b6 {5 E, p" i; A% u

6 X4 Z- |0 b4 Y+ G% |9 M! k& M
PS. ETH實驗室，之後對上證（2015/06/15，5178.19開始的崩盤），所做的有關LPPL模型的詳盡報告（
Real-Time Prediction and Post-Mortem Analysis of the Shanghai 2015 Stock Market Bubble and Crash）：
+ X" W, c6 y  o: x/ z- ?; n

% i- R5 V9 W7 g! O

eagleclime

francious 發表於 2018-11-11 02:02
1）實際上，分型布朗運動比波浪理論更適合作為重點、更接近市場“分類”的真相。波浪理論是一種理想化、 ...

  t3 ~# z. {% P5 [- y4 `2 shttp://tasmania.ethz.ch/pubfco/fco.html
LPPL的觀察站，可以比對他給的反轉訊號，很方便。他的計算總比我們來的正確太多。結果可以參考參考。紅點很多，綠點也很多，都是可能的反轉點。

francious

eagleclime 發表於 2018-11-11 22:23
- i: B* j. Q+ vhttp://tasmania.ethz.ch/pubfco/fco.html
8 a+ k& r6 X" G* GLPPL的觀察站，可以比對他給的反轉訊號，很方便。他的計算總比 ...

ETH他們的每月報告有定期收録。但觀察上證的話，因為種種不可描述之原因，2015之後ETH很少在披露有關CH（包含上證）的觀察結果，所以只能自己算。（之前大陸市場觀察，主要是由華東理工大學教授周煒星做的，之前他師從Didier Sornette）

. ?+ X+ [' J5 F3 w) I* D  D這模型有點nasty，因為參數7個，很難找到最優。原作者（Pro. Didier Sornette）採用的是禁忌搜索。但是依然很麻煩。網上倒是有流傳網友使用Python寫的源碼，是採用遺傳算法。（https://uqer.io/v3/community/share/567a4fbd228e5b344568810f）

9 m; j- \/ Z$ i3 r" W" _以下供參考，望有幫助：
康奈爾大學收録-
4 G  n6 E% y2 i+ [2 H& F! a% d0 a關於Pro. Sornette 論文：[url]https://arxiv.org/find/q-fin/1/au:+Sornette_D/0/1/0/all/0/1[/url]關於zhou_W（周煒星）論文：https://arxiv.org/find/q-fin/1/au:+Zhou_W/0/1/0/all/0/1
Sornette在TED的演講：How we can predict the next financial crisis（我们如何预测下一场金融危机?）
, Q$ y/ }( J0 E0 C" W$ y2 B" R3 p
LPPL有它的侷限性：能測算的數據主要需有2特徵：一是，超指數增長或衰竭；二是，時間線性尺度下，頻率不斷加速（臨界附近呈現接近“共振”狀態），對數尺度下程常數（近似“等週期”）；
, c" o& B  {+ y$ d' k5 d  z可以說LPPL在學術上的貢獻是第一次在計量（定量、量化上）角度，給了“泡沫”以及“反向泡沫”（Anti-Bubble）明確的定義，并提供數字上可供測量的尺度，標註出基礎物理特徵。
5 i8 e7 ~# W: C2 D0 M
但是非超指數狀態下的數據，就不能使用LPPL來處理了（沒優勢），一般使用模式識別類的（比如HMM模型），或者各種動量算法，或基於統計學的概率分佈算法（交易角度上來說，還更有用）。