寻找市场形态的计量经济学方法：自相关，热点图和散点图（基础篇）
「用自相关和热点图抓形态苗头」
在 MT5 里看价格序列，别只盯 K 线形态。把收益率做自相关分析，能直接看出当前行情有没有记忆性——比如滞后 1 阶自相关系数显著为正，说明涨后易再涨的惯性概率偏高。 外汇与贵金属杠杆高，自相关窗口选错会给出假信号，建议先用日线跑 200 根以上样本再下结论。 热点图（heatmap）把不同周期的自相关值铺成色块，散点图则看两变量偏离。三者结合，比肉眼找头肩顶更不容易漏掉弱形态。
◍ 把市场记忆和季节性拧成一股
前一篇里我们定义了“市场记忆”：价格增量序列存在长期依赖，不是独立游走。同时也单独拆过“季节性形态”——某些时段里价格行为会重复出现规律。这两件事此前是各说各的，本文要做的就是把它们接起来。 核心假设很直接：价格增量的相关性，既受季节性形态驱动，也受邻近增量集簇影响。换句话说，若某窗口内增量高度抱团且跨周期仍相关，那背后大概率有季节结构在撑。 我们要验证的是——在紧凑时间段里任取顺序增量，其相关性应达到最大；拉到远期窗口，相关性塌到最小。这种“近强远弱”的剖面，就是市场记忆带季节性的直接证据。外汇与贵金属波动受宏观节奏支配，此类结构存在但随时被事件打断，属高风险信号，不可当稳态用。
自相关视角下的随机性与季节性破绽
计量经济学里判断价格增量有无形态，传统做法是看自相关是否缺失。若滞后各阶相关性都贴近零，增量就被当作随机游走，继续找规律被认为没意义。 拿 EURUSD 的 H1 收盘价跑一遍全时段自相关（滞后 50），图里相邻增量相关性在零轴附近乱跳，表面看就是纯随机，按教科书到此该收工说市场无效了。 但换个切法：只留每天的第一根 H1 柱，其余时段全剔掉，重建一个子序列再画自相关。图立刻变样——当前增量和前一期依赖明显变强，且随着时间间隔拉大依赖衰减。这说明每天首小时增量和昨天的首小时增量绑得紧，序列有了“记忆”，季节性形态嫌疑就出来了。 外汇和贵金属这种高杠杆品种，随机表象下藏的时段规律可能只是概率偏向，实盘验证前别当确定性结论。
def standard_autocorrelation(symbol, lag): rates = pd.DataFrame(MT5CopyRatesRange(symbol, MT5_TIMEFRAME_H1, class="type">class="kw">datetime(class="num">2015, class="num">1, class="num">1), class="type">class="kw">datetime(class="num">2020, class="num">1, class="num">1)), columns=[&class="macro">#x27;time&class="macro">#x27;, &class="macro">#x27;open&class="macro">#x27;, &class="macro">#x27;low&class="macro">#x27;, &class="macro">#x27;high&class="macro">#x27;, &class="macro">#x27;close&class="macro">#x27;, &class="macro">#x27;tick_volume&class="macro">#x27;, &class="macro">#x27;spread&class="macro">#x27;, &class="macro">#x27;real_volume&class="macro">#x27;]) rates = rates.drop([&class="macro">#x27;open&class="macro">#x27;, &class="macro">#x27;low&class="macro">#x27;, &class="macro">#x27;high&class="macro">#x27;, &class="macro">#x27;tick_volume&class="macro">#x27;, &class="macro">#x27;spread&class="macro">#x27;, &class="macro">#x27;real_volume&class="macro">#x27;], axis=class="num">1).set_index(&class="macro">#x27;time&class="macro">#x27;) rates = rates.diff(lag).dropna() from pandas.plotting class="kw">import autocorrelation_plot plt.figure(figsize=(class="num">10, class="num">5)) autocorrelation_plot(rates) standard_autocorrelation(&class="macro">#x27;EURUSD&class="macro">#x27;, class="num">50)
「用季节性自相关挖出时段间的隐性牵引」
前面已经看到，当日第一小时增量和前一日第一小时增量有相关性，但隔得越久相关性越弱。接下来要问的是：相邻时段之间，是否也存在类似的相互拉扯？ 我们把代码改一下，只保留每天的第 1 和第 2 个小时，其余时段全部删掉，再对新序列做差分并画出自相关函数。图例里能直观看到，紧挨着的时段序列相关性很高，说明它们不是孤立的，而是彼此影响。 不过手动挑两个小时太局限，能不能把每个时段的相对分数都算出来？下面这段就是按这个思路写的季节性自相关函数，直接丢进 MT5 的 Python 环境就能跑。 回测区间取 2015-01-01 到 2020-01-01 的 EURUSD 小时数据，lag 设 50、hour1=1、hour2=2 时，最近 lags 的自相关系数明显贴在置信带外，印证了短间隔时段的强联动。外汇和贵金属杠杆高，这种结构只是概率上的偏好，别当成确定性信号。
def seasonal_autocorrelation(symbol, lag, hour1, hour2): rates = pd.DataFrame(MT5CopyRatesRange(symbol, MT5_TIMEFRAME_H1, class="type">class="kw">datetime(class="num">2015, class="num">1, class="num">1), class="type">class="kw">datetime(class="num">2020, class="num">1, class="num">1)), columns=[&class="macro">#x27;time&class="macro">#x27;, &class="macro">#x27;open&class="macro">#x27;, &class="macro">#x27;low&class="macro">#x27;, &class="macro">#x27;high&class="macro">#x27;, &class="macro">#x27;close&class="macro">#x27;, &class="macro">#x27;tick_volume&class="macro">#x27;, &class="macro">#x27;spread&class="macro">#x27;, &class="macro">#x27;real_volume&class="macro">#x27;]) rates = rates.drop([&class="macro">#x27;open&class="macro">#x27;, &class="macro">#x27;low&class="macro">#x27;, &class="macro">#x27;high&class="macro">#x27;, &class="macro">#x27;tick_volume&class="macro">#x27;, &class="macro">#x27;spread&class="macro">#x27;, &class="macro">#x27;real_volume&class="macro">#x27;], axis=class="num">1).set_index(&class="macro">#x27;time&class="macro">#x27;) rates = rates.drop(rates.index[~rates.index.hour.isin([hour1, hour2])]).diff(lag).dropna() from pandas.plotting class="kw">import autocorrelation_plot plt.figure(figsize=(class="num">10, class="num">5)) autocorrelation_plot(rates) seasonal_autocorrelation(&class="macro">#x27;EURUSD&class="macro">#x27;, class="num">50, class="num">1, class="num">2)