用于预测市场价格的通用回归模型

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”。

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。

黑箱模型的局限

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

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。

小结

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。

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。