如何利用谐波分解合成抵消技术指标滞后性#1

很多人对于技术指标不感冒的原因之一就是说技术指标的产生具有滞后性，当你用一个滞后的信息来判断正在发生或即将发生的事件的时候，你需要做的就是祈祷这个动能系统的“惯性”足够大，能够按照以往的趋势继续下去。但是事实上，很多情况下，市场会出现各种“意外”导致这种“惯性”判断并不是100%有效的。但是，从短线概率上来看，如果有一种技术能够抵消掉目前大部分技术指标的滞后性的话，并根据历史数据获得正常情况下的“惯性”，也是在某种程度上实现大赢小亏的概率的，再加上更倾向于盈亏比优势的策略，可以是说是量化的一个方向。我其实也一直在苦苦思索这个可能，并且有一些实践的惊险，根据本人经验，这种能够抵消滞后性的方法很稀少，但是可以分为两类：
1. 将超前因子和滞后因子融合，抵消滞后因子的滞后性，这里的难点是超前因子非常稀少，另外如何与滞后因子融合并且体现价格走势是方法实现的难点。对于这个方向，我大概留意了5年左右了，目前比较满意的只有一款私有指标，并且已经融合到所有我能用到的交易系统中，效果还是不错的。但是，这个方法具有一定的局限性，那就是市场上不是所有标的都有，或 都能找到超前因子，这也限制了这种方法的使用范围。

2. 利用数学和物理学的奥妙，将历史价格结构分解，获得其”惯性“特征，并利用这个相对比较稳定的”惯性特征“，向未来预测很短的一段数据。这里很短是再说，时间距离当前越远的预测其成功的概率就会越低，越近越可靠，但是对于滞后性抵消就越弱。所以，抵消滞后性和预测未来数据长短是个此消彼长的关系。这个方法虽然很普适，但是其缺点也非常的明显，那就是这种未来数据预测抵消技术指标滞后性的方法其实就是在搏概率。没错！赌后面市场还会按照原来趋势走一小段！ 这听起来很合理，但是市场中各种意外变化.

正在把以前收集的一些关于2的资料翻出来看，在学术上，有很多信号处理方法来实现低算力的短期预测，其中比较常见就是傅里叶预测方法，其基本原理就是将时序信号转换到频域，找到几个组成该信号比较显著的频率，将这几个频率转换为正弦波返回时间域再次叠加拟合成一个波形，这时就会在最新数据后面产生一个”预测波形“，这个预测波形就是按照历史特性的拟合波形。 这个基于时域和频域的拟合模型需要找到合适的关键参数： 谐波缩放系数、偏差值、和谐波频率。这里找到最贴近现实的谐波频率是这个模型的重中之重。如果要论复杂性和精确度，傅里叶变换仍旧显得简陋，因为这种方法意味着只是简单地将N个过去价格按照不同频率成份重复地体现在未来上。 而是市场是复杂系统，是一个”混沌边缘“的概念，往往不能靠这种简陋方式体现市场的复杂性。但是万事开头难，先从简单的算法开始，更容易理解这个差距，但是这不是最终的结果。 通过一些特定的算法，例如Quinn-Fernades算法可以来查找谐波频率，然后在进行时域波形拟合，并且计算其与历史价格之间的残差，再把新生成的波形拟合到残差水平上。为了提高稳定性，历史价格数据源可以不是OHLC数据，而是像均线、MACD、RSI这样的指标。


润达医疗1小时价格和均线拟合来自TradingView


省广集团1小时价格和均线拟合来自TradingView

纽威股份1小时价格和均线拟合来自TradingView
这种预测方法没法准确判断涨停后的状态，因为价格已经不再波动，会被误认为没有后续动能，预测值都是快速下垂的，这是个缺陷。