期貨趨勢的回歸分析方法

㈠ 如何利用基本分析法分析期貨的中長期走勢

基本分析法主要看供求關系。必須保證消息的准確及時！也許你得到了准確的信息，但不一定是及時的。不要盲目操作

㈡ 期貨趨勢的解釋

期貨市場中最迅速和安全的賺錢的方法,是及早察覺趨勢的變化，建立順勢的頭寸,並跟著趨勢一路獲利,並在趨勢反轉之前或掉頭之後不久,平掉頭寸。對散戶而言，在最低點買進，在最高點賣出，只能靠運氣。但是經過一個階段的實踐，要掌握順勢賺錢的方法，不是達不到的目標。對於有實踐經驗的投機者來說，如果希望在市場中尋找潛在的買賣機會，觀察價格走勢圖是最簡單而有效的方法。因為圖形視覺比文字解釋容易理解，而且圖上設置進入和退出點，也是最簡單的定量決策方法。那麼,什麼是趨勢呢？趨勢是一段時間內，價格走勢的方向。所以，識別趨勢就是識別方向。需要注意的是。趨勢是波浪的方向。在上升趨勢中，價格持續上升但中間夾帶著暫時的下跌走勢，在下跌趨勢中，夾帶著暫時的上升走勢。雖然這是老生常談，確是不可偏廢的准則。辨別趨勢的法則1）如果價格已經創新高但未能持續上升，而後，又跌破上一次的高點，表明趨勢可能發生反轉。以最近的LME3月銅價趨勢為例分析，7月15日，銅價創出近期新高1748美元，但是，7月16日，銅價未能持續上升，收市價跌破上一次6月2日的高點1739美元，表明趨勢可能發生反轉，果然不出所料，價格持續回調6天，跌到7月22日的1693美元。（見附圖）如果你在7月16日看到趨勢可能發生反轉，而賣出銅，那麼，你就可以在暫時的回檔走勢中獲利。這種回檔通常會發生在上述法則成立的一個星期之內。為什麼會發生這種規律性的調整，是因為交易者經常會用止損單限制損失。由於場內經紀了解止損點的位置，基於利益考慮，他們都希望把價格推到突破阻力線的上方或支撐線的下方，迫使止損單成交。這在市場上稱之為清除止損，既然清除了止損單，造市者擠出了對手，達到了目的，就會大規模平倉獲利，市場出會現回調。2）把趨勢線作為衡量標准。趨勢發生變化必須突破趨勢線才能確立。以最近的LME3月銅價趨勢為例分析，7月16~22日，價格持續回調，跌到7月22日的1693美元。但是，並沒有跌破上升的趨勢線（見附圖）。這說明價格上漲趨勢不變，只是暫時的調整走勢。這種調整完畢後會繼續處於上漲趨勢。只要回調沒有創出新低或跌破趨勢線，原則上不需要改變頭寸方向。當本周二，LME 3月期銅沒有像很多人想像的那樣去試盤1680美元一線，而是在1690美元就受到支撐，價格高走，達到盤中高點1712美元，收盤收在1700以上（1708美元，成交量53201手。）價量配合，說明這次回調大致走完。LME期銅跌到1690美元是20天平均線和30天平均線，一個雙線合並的位置-遇到支持是可以預測的。運用平均線和趨勢線結合尋找支持點或阻力點，也是非常有用的技術方法。圖形是非常有用的工具根據圖形解釋資料，識別價格趨勢，並推測未來的價格，屬於技術分析的方法。這些方法並不是十全十美，但是用正確的技術方法評估趨勢與轉折點，至少是非常有用的工具。根據技術判斷中短期趨勢，正確的機會遠大於錯誤。如果運用得當，一旦決策出錯，它們也可以讓你迅速認賠。以最近的LME3月銅價趨勢為例，7月16日，銅價未能持續上升，收市價跌破上一次6月2日的高點1739美元，表明趨勢可能發生反轉，果然賣出銅，你可以在銅價再次突破近期新高1748美元後止損。技術方法還有一個優點，它們可以判斷適用於每一個不同的期貨商品的價格趨勢。具有廣泛適用性。運用走勢圖制定買賣決策，是因為市場的參與者對於類似情況會產生類似的反應。從心理學的角度說，這些共性反應會反映到走勢圖的模式中，這對短線交易者非常重要。交易者在視覺上呈現人類行為的特徵，而這種人類行為的特徵會反復出現在市場價格的走勢圖中。特別適用於對於交易流動性高的商品市場。但是對於流動性欠佳的市場或者對消息面非常敏感的市場，則常出現跳空缺口，而突然出現巨幅的波動，技術面的分析必須結合基本面的分析和季節性的分析，才能提高准確性。

㈢ 列舉幾種期貨技術分析方法

一般說來，可以將期貨的技術分析方法分為如下五類：指標類、切線類、形態類、K線類、波浪類。
1、指標類
以市場行為作參考，建立數學模型，得到一個體現期貨市場所處的狀態的指標值，為我們的操作行為提供指導方向。如，相對強弱指標(RSI)、隨機指標(KD)、趨向指標(DMI)、平滑異同移動平均線(MACD)。
2、切線類
切線的作用主要是起支撐和壓力的作用。一般說來，期貨價格在從下向上抬升的過程中，一觸及壓力線，甚至遠未觸及到壓力線，就會調頭向下。同樣，價格從上向下跌的過程中，在支撐線附近就會轉頭向上。另外，如果觸及切線後沒有轉向，而是繼續向上或向下，這就叫突破。突破之後，這條切線仍然有實際作用，只是名稱和作用變了。原來的支撐線變成壓力線，原來的壓力線變成支撐線。
3、形態類
形態類是根據價格圖表中過去一段時間走過的軌跡形態來預測期貨價格未來趨勢的方法。技術分析第一條假設告訴我們，市場行為包括一切信息。價格走過的形態是市場行為的重要部分，是期貨市場對各種信息感受之後的具體表現，用價格圖的軌跡或者說形態來推測期貨價格的將來是有道理的。從價格軌跡的形態中，我們可以推測出期貨市場處在一個什麼樣的大環境之中，由此對我們今後的投資給予一定的指導。主要的形態有M頭、W底、頭肩頂、頭肩底等十幾種。
4、K線類
K線類的研究手法是側重若干天的K線組合情況，推測期貨市場多空雙方力量的對比，進而判斷期貨市場多空雙方誰占優勢。K線圖是進行各種技術分析的最重要的圖表。人們經過不斷地總結經驗，發現了一些對期貨買賣有指導意義的組合。
5、波浪類
波浪理論把價格的上下變動和不同時期的持續上漲、下跌看成是波浪的上下起伏。波浪的起伏遵循自然界的規律，期貨的價格運動也就遵循波浪起伏的規律。簡單地說，上升是5浪，下跌是3浪。數清楚了各個浪就能准確地預見到：跌勢已接近尾聲，牛市即將來臨，或是牛市已到了強弩之末，熊市即將來到。波浪理論較之於別的技術分析流派，最大的區別就是能提前很長的時間預計到行情的底和頂，而別的流派往往要等到新的趨勢已經確立之後才能看到。但是，波浪理論又是公認的較難掌握的技術分析方法。
對期貨交易感興趣的同學，可以去應用市場搜索下載同花順期貨通，這是一個免費的期貨手機行情交易軟體，海量咨詢，還有期貨學院，有大量的投教課程，讓你快速學習期貨知識。

㈣ 數據分析師必須掌握的7種回歸分析方法

1、線性回歸

線性回歸是數據分析法中最為人熟知的建模技術之一。它一般是人們在學習預測模型時首選的技術之一。在這種數據分析法中，由於變數是連續的，因此自變數可以是連續的也可以是離散的，回歸線的性質是線性的。

線性回歸使用最佳的擬合直線(也就是回歸線)在因變數(Y)和一個或多個自變數(X)之間建立一種關系。

2、邏輯回歸

邏輯回歸是用來計算“事件=Success”和“事件=Failure”的概率。當因變數的類型屬於二元(1 /0，真/假，是/否)變數時，我們就應該使用邏輯回歸.

邏輯回歸不要求自變數和因變數是線性關系。它可以處理各種類型的關系，因為它對預測的相對風險指數OR使用了一個非線性的log轉換。

為了避免過擬合和欠擬合，我們應該包括所有重要的變數。有一個很好的方法來確保這種情況，就是使用逐步篩選方法來估計邏輯回歸。它需要大的樣本量，因為在樣本數量較少的情況下，極大似然估計的效果比普通的最小二乘法差。

3、多項式回歸

對於一個回歸方程，如果自變數的指數大於1，那麼它就是多項式回歸方程。雖然會有一個誘導可以擬合一個高次多項式並得到較低的錯誤，但這可能會導致過擬合。你需要經常畫出關系圖來查看擬合情況，並且專注於保證擬合合理，既沒有過擬合又沒有欠擬合。下面是一個圖例，可以幫助理解：

明顯地向兩端尋找曲線點，看看這些形狀和趨勢是否有意義。更高次的多項式最後可能產生怪異的推斷結果。

4、逐步回歸

在處理多個自變數時，我們可以使用這種形式的回歸。在這種技術中，自變數的選擇是在一個自動的過程中完成的，其中包括非人為操作。

這一壯舉是通過觀察統計的值，如R-square，t-stats和AIC指標，來識別重要的變數。逐步回歸通過同時添加/刪除基於指定標準的協變數來擬合模型。

5、嶺回歸

嶺回歸分析是一種用於存在多重共線性(自變數高度相關)數據的技術。在多重共線性情況下，盡管最小二乘法(OLS)對每個變數很公平，但它們的差異很大，使得觀測值偏移並遠離真實值。嶺回歸通過給回歸估計上增加一個偏差度，來降低標准誤差。

除常數項以外，這種回歸的假設與最小二乘回歸類似;它收縮了相關系數的值，但沒有達到零，這表明它沒有特徵選擇功能，這是一個正則化方法，並且使用的是L2正則化。

6、套索回歸

它類似於嶺回歸。除常數項以外，這種回歸的假設與最小二乘回歸類似;它收縮系數接近零(等於零)，確實有助於特徵選擇;這是一個正則化方法，使用的是L1正則化;如果預測的一組變數是高度相關的，Lasso 會選出其中一個變數並且將其它的收縮為零。

7、回歸

ElasticNet是Lasso和Ridge回歸技術的混合體。它使用L1來訓練並且L2優先作為正則化矩陣。當有多個相關的特徵時，ElasticNet是很有用的。Lasso會隨機挑選他們其中的一個，而ElasticNet則會選擇兩個。Lasso和Ridge之間的實際的優點是，它允許ElasticNet繼承循環狀態下Ridge的一些穩定性。

通常在高度相關變數的情況下，它會產生群體效應;選擇變數的數目沒有限制;並且可以承受雙重收縮。

關於數據分析師必須掌握的7種回歸分析方法，青藤小編就和您分享到這里了，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的職業前景及就業內容，可以點擊本站的其他文章進行學習。

㈤ 回歸分析方法

§3.2 回歸分析方法
回歸分析方法，是研究要素之間具體的數量關系的一種強有力的工具，能夠建立反映地理要素之間具體的數量關系的數學模型，即回歸模型。
1. 一元線性回歸模型
1) 一元線性回歸模型的基本結構形式
假設有兩個地理要素（變數）x和y，x為自變數，y為因變數。則一元線性回歸模型的基本結構形式：

a和b為待定參數；α=1,2,…,n為各組觀測數據的下標； εa為隨機變數。如果記a^和b^ 分別為參數a與b的擬合值，則得到一元線性回歸模型

ÿ 是y 的估計值，亦稱回歸值。回歸直線——代表x與y之間相關關系的擬合直線

2) 參數a、b的最小二ÿ乘估計
參數a與b的擬合值：

,

建立一元線性回歸模型的過程，就是用變數 和 的實際觀測數據確定參數a和b的最小二乘估計值α^和β^ 的過程。
3) 一元線性回歸模型的顯著性檢驗
線性回歸方程的顯著性檢驗是藉助於F檢驗來完成的。
檢驗統計量F：

誤差平方和：

回歸平方和：

F≈F（1，n-2）。在顯著水平a下，若 ，則認為回歸方程效果在此水平下顯著；當 時，則認為方程效果不明顯。

[舉例說明]
例1：在表3.1.1中，將國內生產總值（x1）看作因變數y，將農業總產值（x2）看作自變數x，試建立它們之間的一元線性回歸模型並對其進行顯著性檢驗。
解：
(1) 回歸模型
將y和x的樣本數據代入參數a與b的擬合公式，計算得：

故，國內生產總值與農業總產值之間的回歸方程為

(2) 顯著性檢驗

在置信水平α=0.01下查F分布表得：F0.01(1,46)=7.22。由於F=4951.098 >> F0.01(1,46)=7.22，所以回歸方程（3.2.7）式在置信水平a=0.01下是顯著的。

2. 多元線性回歸模型
在多要素的地理系統中，多個（多於兩個）要素之間也存在著相關影響、相互關聯的情況。因此，多元地理回歸模型更帶有普遍性的意義。
1) 多元線性回歸模型的建立
(1) 多元線性回歸模型的結構形式
假設某一因變數y受k 個自變數 的影響，其n組觀測值為 。則多元線性回歸模型的結構形式：

為待定參數， 為隨機變數。如果 分別為 的擬合值，則回歸方程為

b0為常數， 稱為偏回歸系數。
偏回歸系數 ——當其它自變數都固定時，自變數 每變化一個單位而使因變數xi平均改變的數值。

(2) 求解偏回歸系數

,

2) 多元線性回歸模型的顯著性檢驗
用F檢驗法。
F統計量：

當統計量F計算出來之後，就可以查F分布表對模型進行顯著性檢驗。
[舉例說明]
例2：某地區各城市的公共交通營運總額（y）與城市人口總數（x1 ）以及工農業總產值（x2）的年平均統計數據如表3.2.1（點擊展開顯示該表）所示。試建立y與x1及x2之間的線性回歸模型並對其進行顯著性檢驗。

表3.2.1 某地區城市公共交通營運額、人口數及工農業總產值的年平均數據

城市序號

公共交通營運額y/103人公里 人口數x1/103人 工農業總產值x2
/107元
1 6825.99 1298.00 437.26
2 512.00 119.80 1286.48
．．． ．．． ．．． ．．．
14 192.00 12.47 1072.27
註：本表數據詳見書本P54。
解：
(1) 計算線性回歸模型
由表3.2.1中的數據，有

計算可得：

故y與x1 及y2之間的線性回歸方程

(2) 顯著性檢驗

故：

在置信水平a=0.01下查F分布表知：F0.01(2,11)=7.21。由於F=38.722> F0.01(2,11)=7.21，所以在置信水平a=0.01下，回歸方程式是顯著的。

3. 非線性回歸模型的建立方法
1) 非線性關系的線性化
(1) 非線性關系模型的線性化
對於要素之間的非線性關系通過變數替換就可以將原來的非線性關系轉化為新變數下的線性關系。
[幾種非線性關系模型的線性化]

① 於指數曲線 ，令 ， ，將其轉化為直線形式：
，其中， ；
② 對於對數曲線 ，令 ， ，將其轉化為直線形式：
；
③ 對於冪函數曲線 ，令 ， ，將其轉化為直線形式：
，其中，
④ 對於雙曲線 ，令 ，將其轉化為直線形式：
；
⑤ 對於S型曲線 ，將其轉化為直線形式：

；
⑥ 對於冪函數乘積：

令 將其轉化為直線形式：

其中， ；
⑦ 對於對數函數和：

令 ，將其化為線性形式：

(2) 建立非線性回歸模型的一般方法
① 通過適當的變數替換將非線性關系線性化；
② 用線性回歸分析方法建立新變數下的線性回歸模型：
③ 通過新變數之間的線性相關關系反映原來變數之間的非線性相關關系。
3) 非線性回歸模型建立的實例

非線性回歸模型建立的實例

景觀是地理學的重要研究內容之一。有關研究表明（Li，2000；徐建華等，2001），任何一種景觀類型的斑塊，其面積（Area）與周長（Perimeter）之間的數量關系可以用雙對數曲線來描述，即

例3：表3.2.2給出了某地區林地景觀斑塊面積（Area）與周長（Perimeter）的數據。試建立林地景觀斑塊面積A與周長P之間的雙對數相關關系模型。

表3.2.2某地區各個林地景觀斑塊面積（m2）與周長（m）

序號 面積A 周長P 序號 面積A 周長P
1 10447.370 625.392 42 232844.300 4282.043
2 15974.730 612.286 43 4054.660 289.307
．．． ．．． ．．． ．．． ．．． ．．．
41 1608.625 225.842 82 564370.800 12212.410

註：本表數據詳見書本57和58頁。

解：因為林地景觀斑塊面積（A）與周長（P）之間的數量關系是雙對數曲線形式，即

所以對表3.2.2中的原始數據進行對數變換，變換後得到的各新變數對應的觀測數據如表3.2.3所示。

㈥ 常見的回歸分析方法有哪些

1/6分步閱讀
1.線性回歸方法：通常因變數和一個（或者多個）自變數之間擬合出來是一條直線（回歸線），通常可以用一個普遍的公式來表示：Y（因變數）=a*X（自變數）+b+c，其中b表示截距，a表示直線的斜率，c是誤差項。如下圖所示。

2/6
2.邏輯回歸方法：通常是用來計算「一個事件成功或者失敗」的概率，此時的因變數一般是屬於二元型的（1 或0，真或假，有或無等）變數。以樣本極大似然估計值來選取參數，而不採用最小化平方和誤差來選擇參數，所以通常要用log等對數函數去擬合。如下圖。

3/6
3.多項式回歸方法：通常指自變數的指數存在超過1的項，這時候最佳擬合的結果不再是一條直線而是一條曲線。比如：拋物線擬合函數Y=a+b*X^2，如下圖所示。

4/6
4.嶺回歸方法：通常用於自變數數據具有高度相關性的擬合中，這種回歸方法可以在原來的偏差基礎上再增加一個偏差度來減小總體的標准偏差。如下圖是其收縮參數的最小誤差公式。

5/6
5.套索回歸方法：通常也是用來二次修正回歸系數的大小，能夠減小參量變化程度以提高線性回歸模型的精度。如下圖是其懲罰函數，注意這里的懲罰函數用的是絕對值，而不是絕對值的平方。

6/6
6.ElasticNet回歸方法：是Lasso和Ridge回歸方法的融合體，使用L1來訓練，使用L2優先作為正則化矩陣。當相關的特徵有很多個時，ElasticNet不同於Lasso，會選擇兩個。如下圖是其常用的理論公式。

㈦ 期貨技術分析里如何畫趨勢線

有好幾種方法：

第一種：依著最高點向次高點畫一條下降的線就是下降趨勢線，依著最低點向次低點畫一條上升的線就是上升趨勢線。這種畫線方法是從左向右畫

第二種：最新技術分析理論有人支持，趨勢線應該從右向左畫，意思就是，從最近的一個高點，向左側的前期最高點畫線，就得到下降趨勢線。從最近的一個低點向左側的前期最低點畫線，就得到上升趨勢線。

運用的方法：
第一種：趨勢跟蹤，就是向上突破下降趨勢線後，就做多；向下突破上升趨勢線後，就做空。優點是如果成功可以捕捉到大利，缺點是成功率不高。

第二種方法：反趨勢的，就是向上突破下降趨勢線後，繼續做空；向下突破上升趨勢線後就做多。優點是准確率比較高。

希望對你有幫助。