通过差异化和熵值分析来探索市场"记忆"（基础篇）
「用差异和熵看市场有没有记忆」
价格序列常被假设为随机游走，但真实行情里往往残留可识别的结构。把相邻收盘价做一阶差分得到收益率序列，再观察其分布与熵值，能判断当前市场是偏向无序还是保留了某种短期“记忆”。 MQL5 社区 2019 年 7 月的一篇讨论帖获得 3608 次浏览、119 条互动，说明这类信息论视角的量化思路在 MT5 用户中确有需求。外汇与贵金属杠杆高，任何统计特征都只是概率倾向，实盘前务必在策略测试器里跑样本外数据。 具体做法：用 OnCalculate 抓取收盘价数组，算差分后调用数学库求样本熵；熵明显低于随机基准时，价格惯性可能增强，可作为过滤震荡信号的参考。
◍ 为什么整数差分会毁掉价格记忆
流动性市场里，参与者的投资期限千差万别，叠加出来的噪音让信噪比天然偏低。这时候若对价格做整数阶差分，等于主动把残余记忆洗掉，把报价变成平稳序列——表面干净了，底层结构却断了。 价格序列自带记忆，因为每个新价都长在漫长历史价位之上。像对数增量这种变换，本质是用有限窗口裁剪记忆。等统计学家发现平稳化把记忆削没了，又得搬出复杂数学去捞残余部分。 很多经典统计模型直接套在差分后的序列上，得出的相关结论大概率是虚假的。做 MT5 自定义指标时，别默认 diff(1) 就是去噪，先看看原序列的自相关衰减再动手。
长期依赖到底指什么
在金融时间序列里，长期依赖（LRD）说的是相隔较远的两个价格之间，统计关联性衰减得很慢。判定标准很硬：如果依赖性的衰减比指数衰减还慢，就认为序列具有长期记忆。 这种慢衰减往往和自相似过程绑在一起——也就是不同时间尺度上波动结构看起来相似。对做价格行为的人而言，这意味着短线噪音之下可能藏着跨周期的微弱关联，贵金属与外汇的高杠杆品种上这类结构容易放大误判。 想自己验证，可在 MT5 里取一段日线收盘价，算不同 lag 的自相关函数；若 acf 拖尾明显且衰减斜率小于指数，就撞上 LRD 了。
「差分太狠，记忆就死了一半」
价格图最麻烦的属性是非平稳：历史价位跨度很长，均值却随年份漂移。做统计的人习惯取价格增量（或对数增量）来抹掉趋势，序列确实更平稳了，但代价是过去信息被洗掉一大块。 平稳是出统计结论的硬前提，可预测模型恰恰靠记忆活着。均衡类模型就得留一点记忆，不然连「现价偏离期望多少」都没法算。 矛盾就在这：价格增量稳但失忆，原始价格有记忆却不平稳。核心问题是——差分做到哪一步，既能平稳又把可用记忆留到最多。 常规整数差分不是最优解。更合理的做法是分数型差分：在「完全不差分」和「一阶差分」两个极端之间找位置，只剥掉趋势那部分记忆。 实操上，分数差分序列常直接喂给机器学习。非平稳原始价送进模型时，新棒线很容易掉出训练集数值范围，模型误判概率会明显抬高；分数差分能缓解这个越界风险。
◍ 分数差分比整数阶更贴长期记忆
市面绝大多数金融时间序列文献只谈整数阶差分，比如用单位滞后做一阶差分。但有个问题被长期忽略：凭什么整数阶就是最优？过度差分很可能正是有效市场假说在计量上自我论证的源头之一。 Hosking 把 ARIMA 做了广义化，允许差分阶数带分数部分，这就是 ARFIMA（自回归分数积分移动平均值）或 FARIMA 的由来。分数差分过程能表现出长期持久性或抗持久性，预测能力通常优于标准 ARIMA。 它的实用场景很明确：当序列偏离长期均值后衰减比指数更慢，也就是存在长期记忆时，整数差分会把这种慢衰减结构差分掉，而分数阶能保留。外汇与贵金属日线具备此类慢记忆特征，使用分数差分建模前请确认品种波动的高风险属性，先在 MT5 用历史数据验证阶数稳定性。
把差分算子拆成任意实数次幂
回漂算子 B 是分数差分的语言基底：对序列 {Xt} 定义 B^k Xt = Xt−k（k 为非负整数）。例如 (1−B)^2 展开为 1−2B+B^2，作用到 Xt 上得到 Xt − 2Xt−1 + Xt−2，这就是二阶普通差分的本源写法。 普通整数阶差分只是特例。实数 d 下，(1−B)^d 依靠二项式级数正式展开，系数由 Γ 函数决定而非整数阶乘。当 d 取 0.5、−0.3 这类非整数时，模型不再截断历史，而是让全部滞后项以幂律衰减进入当前值。 在 MT5 里验证这一点很简单：把 d=0.5 的差分系数打印出来，你会看到第 10 阶系数约为 −0.0097，第 50 阶仍有 −0.0016 量级，证明长记忆确实渗透进远端滞后。外汇与贵金属价格序列常呈现这类分数整合特征，杠杆交易高风险，参数 d 估计偏差会直接扭曲信号周期。