用于预测市场价格的通用回归模型

一、四类分析与道氏公理

预测价格可用四类分析：技术分析（价格含一切）、基本分析（宏观经济模型）、直观分析（难以逻辑证明的直觉）、心理分析（群体心理）。而道氏三公理是所有技术分析的基石：

• 市场价格反映所有影响因素，且历史数据足以预测。
• 价格与时间的依赖体现为趋势（S 形、横摆或无明显趋势）。
• 历史图形在一段时间内保持不变——“历史重演”。

二、通用回归框架

把价格 D(t) 建模为自变量的回归：滞后价、宏观变量、情绪指标等。模型的通用性在于“框架不变、特征可换”，但具体函数形式需随市场状态调整。

三、黑箱模型的局限

四、指数依赖 D(t)

文中给出一个简化的指数依赖示例，强调单变量远不够，真实应使用多变量回归，并随“平静—剧变”的状态切换调整结构。

// 简化：价格对时间的指数依赖示例
double D(double t) { return a * MathExp(-lambda * t) + b; }
// 实际用多变量回归而非单变量，且需状态切换

五、平稳与剧变

价格序列在平静阶段后常接复杂阶段，看似“不可预测的混乱”中又自组织出秩序。模型必须能感知这种机制切换，否则在剧变期会集体失效。

六、回归模型思路

通用回归把「价格未来变化」建模成特征（如多周期动量、波动率、成交量变化）的线性/非线性组合，拟出系数后用于预测。思路朴素但可解释：每个特征的系数告诉你它影响方向和强度。

相比神经网络黑盒，回归的优势是「看得懂」——你能直接说「波动率上升 1 单位，预期收益降 0.2」，便于风控和向他人解释。

七、特征与过拟合

回归最易过拟合：特征越多、阶数越高，训练集拟合越好，但样本外越差。纪律是用「最少必要特征」、做交叉验证、看样本外误差而非训练误差。多项式阶数别贪高。

// 最小二乘思路（伪代码）
beta = Solve(X^T X, X^T y);     // 拟合系数
pred = X_new * beta;            // 预测

八、实盘预期管理

回归预测的是「期望偏移」而非确定方向，实盘要当「概率倾斜」用：预测偏多就略加仓、偏空就减仓，而不是全仓押方向。配合止损，靠长期胜率与赔率累积正期望。

更要清醒：历史关系的系数会随市场 regime 变，定期用新数据重拟合，别以为一次拟合能用一辈子。

九、回归 vs 树模型 vs 神经网络

回归可解释但表达力有限，适合线性或可微结构；树模型（如随机森林）抓非线性交互更强但稍黑盒；神经网络最强但最易过拟合、最需数据量。按问题复杂度选，别盲目上深度。

务实建议：先用回归打底（建立基准与可解释性），不够再上树或轻量网络，层层加码而非一步登天，每一步都能解释「为什么更好」。

十、回归模型的落地清单

落地回归预测前过三关：特征无未来泄漏、样本外误差可接受、预测被用于「仓位偏向」而非「全仓押注」。任何一关不过，就退回重构特征，而不是硬上实盘。

实盘运行后还要监控「预测值分布」是否漂移：若模型长期输出的分布和训练时差太远，说明市场变了，该重训练。模型不是一劳永逸，是持续维护的资产。

模型上线前必须用样本外数据验证，绝不能只看拟合优度 R² 高就放心。过拟合的回归曲线在历史完美、未来失效，留 20% 数据当验证集是底线纪律。更稳的做法是做滚动窗口交叉验证，看模型在不同时间段是否都稳，而不是拿一整段历史自嗨。

十一、小结

十二、回归模型与机器学习的分工

回归（含多元/多项式/岭回归）胜在可解释：每个系数的符号与大小直接告诉你“哪个因子在推价格”。机器学习（如 ENCOG 网络）胜在拟合非线性，但常成黑箱。实务上先用回归建立直觉与基线，再用机器学习尝试提升，二者互为校验而非替代。

十三、特征工程的优先级高于模型

对同一组价格，换特征比换模型带来的提升往往更大。滞后收益、波动率、期限结构、成交量异常、跨品种价差——这些“信息因子”的质量决定天花板。道氏公理提醒我们价格已含一切，但“含一切”不等于“直接可回归”，需要先把信息提炼成稳定、低相关的特征。