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。
: w9 }$ l9 Z, @, D  h& F1 G3 h

seethreesmall

謝謝分享

francious

很完美的對稱

eagleclime

francious 發表於 2018-10-22 21:24
) }0 }) \/ B8 J" |很完美的對稱

5 Z% p% W$ x; W' m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)
7 ^' d& b: W6 W( D% t1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。
" U3 s& d" w0 n; B
2 u* [" |/ G: o! i
6 w" y. F5 y- Q7 A
3 ]' I$ J8 V; @1 j  P
  N$ z% @  |* o$ B  A4 m
8 y4 ?' N5 P$ p, J0 `$ L

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 ...

8 \, a3 G" m( r" B7 i謝謝分享！！很好的資訊。

francious

如果說，對稱表現的特性是【平衡】
5 A* ^0 i: F4 F4 W2 G* P提供2個小技巧【關于平衡的】，供玩樂！！
7 ?. l7 t* ?: Y5 v
, y" ~3 t! u( X) D1）一般的MA均線，看圖解，：
- F& }  N: q6 |1 i& ^
% z% X8 h8 p+ `
2）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）。


  v. R) T/ k4 Z$ T7 E

eagleclime

francious 發表於 2018-11-1 21:57
5 T, Q4 ?3 ]+ ^3 b& Y2 g如果說，對稱表現的特性是【平衡】
6 \( I% K8 C4 ]提供2個小技巧【關于平衡的】，供玩樂！！

/ N$ n* U5 B' H1 ~6 J5 h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 ...

% u2 l7 S9 E8 s* n1）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：
# z% f) R% _  [; ~% s& m' x# ^/ ?

, O- h0 y8 }8 L9 V! Q2）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。
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。）
- V: e7 h6 q/ i# r
7 v5 c3 e: M  z. D1 ]7 u3）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。
% f0 y3 U6 ~: L$ z1 _LPPL模型，當時在2015年上證股災時，先驗性的提示：


7 u% C: r  B( F- w- Z9 V; p- ]1 O# |! Q

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）：

% w3 _7 M/ Y7 p. f2 C( f) 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、 ...

' ]" m: h2 w, Z: H0 ?$ x/ _http://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
5 q2 F% n! H2 P* ohttp://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 ...

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）

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）

以下供參考，望有幫助：
康奈爾大學收録-
; j: A3 @8 k% F9 R* N5 n7 ^% G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?）

2 [7 U/ `5 \* p- O. oLPPL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”）；
+ [! O2 I* Z! ?  t9 o; U- s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。

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）。