期货趋势的回归分析方法

㈠ 如何利用基本分析法分析期货的中长期走势

基本分析法主要看供求关系。必须保证消息的准确及时！也许你得到了准确的信息，但不一定是及时的。不要盲目操作

㈡ 期货趋势的解释

期货市场中最迅速和安全的赚钱的方法,是及早察觉趋势的变化，建立顺势的头寸,并跟着趋势一路获利,并在趋势反转之前或掉头之后不久,平掉头寸。对散户而言，在最低点买进，在最高点卖出，只能靠运气。但是经过一个阶段的实践，要掌握顺势赚钱的方法，不是达不到的目标。对于有实践经验的投机者来说，如果希望在市场中寻找潜在的买卖机会，观察价格走势图是最简单而有效的方法。因为图形视觉比文字解释容易理解，而且图上设置进入和退出点，也是最简单的定量决策方法。那么,什么是趋势呢？趋势是一段时间内，价格走势的方向。所以，识别趋势就是识别方向。需要注意的是。趋势是波浪的方向。在上升趋势中，价格持续上升但中间夹带着暂时的下跌走势，在下跌趋势中，夹带着暂时的上升走势。虽然这是老生常谈，确是不可偏废的准则。辨别趋势的法则1）如果价格已经创新高但未能持续上升，而后，又跌破上一次的高点，表明趋势可能发生反转。以最近的LME3月铜价趋势为例分析，7月15日，铜价创出近期新高1748美元，但是，7月16日，铜价未能持续上升，收市价跌破上一次6月2日的高点1739美元，表明趋势可能发生反转，果然不出所料，价格持续回调6天，跌到7月22日的1693美元。（见附图）如果你在7月16日看到趋势可能发生反转，而卖出铜，那么，你就可以在暂时的回档走势中获利。这种回档通常会发生在上述法则成立的一个星期之内。为什么会发生这种规律性的调整，是因为交易者经常会用止损单限制损失。由于场内经纪了解止损点的位置，基于利益考虑，他们都希望把价格推到突破阻力线的上方或支撑线的下方，迫使止损单成交。这在市场上称之为清除止损，既然清除了止损单，造市者挤出了对手，达到了目的，就会大规模平仓获利，市场出会现回调。2）把趋势线作为衡量标准。趋势发生变化必须突破趋势线才能确立。以最近的LME3月铜价趋势为例分析，7月16~22日，价格持续回调，跌到7月22日的1693美元。但是，并没有跌破上升的趋势线（见附图）。这说明价格上涨趋势不变，只是暂时的调整走势。这种调整完毕后会继续处于上涨趋势。只要回调没有创出新低或跌破趋势线，原则上不需要改变头寸方向。当本周二，LME 3月期铜没有像很多人想象的那样去试盘1680美元一线，而是在1690美元就受到支撑，价格高走，达到盘中高点1712美元，收盘收在1700以上（1708美元，成交量53201手。）价量配合，说明这次回调大致走完。LME期铜跌到1690美元是20天平均线和30天平均线，一个双线合并的位置-遇到支持是可以预测的。运用平均线和趋势线结合寻找支持点或阻力点，也是非常有用的技术方法。图形是非常有用的工具根据图形解释资料，识别价格趋势，并推测未来的价格，属于技术分析的方法。这些方法并不是十全十美，但是用正确的技术方法评估趋势与转折点，至少是非常有用的工具。根据技术判断中短期趋势，正确的机会远大于错误。如果运用得当，一旦决策出错，它们也可以让你迅速认赔。以最近的LME3月铜价趋势为例，7月16日，铜价未能持续上升，收市价跌破上一次6月2日的高点1739美元，表明趋势可能发生反转，果然卖出铜，你可以在铜价再次突破近期新高1748美元后止损。技术方法还有一个优点，它们可以判断适用于每一个不同的期货商品的价格趋势。具有广泛适用性。运用走势图制定买卖决策，是因为市场的参与者对于类似情况会产生类似的反应。从心理学的角度说，这些共性反应会反映到走势图的模式中，这对短线交易者非常重要。交易者在视觉上呈现人类行为的特征，而这种人类行为的特征会反复出现在市场价格的走势图中。特别适用于对于交易流动性高的商品市场。但是对于流动性欠佳的市场或者对消息面非常敏感的市场，则常出现跳空缺口，而突然出现巨幅的波动，技术面的分析必须结合基本面的分析和季节性的分析，才能提高准确性。

㈢ 列举几种期货技术分析方法

一般说来，可以将期货的技术分析方法分为如下五类：指标类、切线类、形态类、K线类、波浪类。
1、指标类
以市场行为作参考，建立数学模型，得到一个体现期货市场所处的状态的指标值，为我们的操作行为提供指导方向。如，相对强弱指标(RSI)、随机指标(KD)、趋向指标(DMI)、平滑异同移动平均线(MACD)。
2、切线类
切线的作用主要是起支撑和压力的作用。一般说来，期货价格在从下向上抬升的过程中，一触及压力线，甚至远未触及到压力线，就会调头向下。同样，价格从上向下跌的过程中，在支撑线附近就会转头向上。另外，如果触及切线后没有转向，而是继续向上或向下，这就叫突破。突破之后，这条切线仍然有实际作用，只是名称和作用变了。原来的支撑线变成压力线，原来的压力线变成支撑线。
3、形态类
形态类是根据价格图表中过去一段时间走过的轨迹形态来预测期货价格未来趋势的方法。技术分析第一条假设告诉我们，市场行为包括一切信息。价格走过的形态是市场行为的重要部分，是期货市场对各种信息感受之后的具体表现，用价格图的轨迹或者说形态来推测期货价格的将来是有道理的。从价格轨迹的形态中，我们可以推测出期货市场处在一个什么样的大环境之中，由此对我们今后的投资给予一定的指导。主要的形态有M头、W底、头肩顶、头肩底等十几种。
4、K线类
K线类的研究手法是侧重若干天的K线组合情况，推测期货市场多空双方力量的对比，进而判断期货市场多空双方谁占优势。K线图是进行各种技术分析的最重要的图表。人们经过不断地总结经验，发现了一些对期货买卖有指导意义的组合。
5、波浪类
波浪理论把价格的上下变动和不同时期的持续上涨、下跌看成是波浪的上下起伏。波浪的起伏遵循自然界的规律，期货的价格运动也就遵循波浪起伏的规律。简单地说，上升是5浪，下跌是3浪。数清楚了各个浪就能准确地预见到：跌势已接近尾声，牛市即将来临，或是牛市已到了强弩之末，熊市即将来到。波浪理论较之于别的技术分析流派，最大的区别就是能提前很长的时间预计到行情的底和顶，而别的流派往往要等到新的趋势已经确立之后才能看到。但是，波浪理论又是公认的较难掌握的技术分析方法。
对期货交易感兴趣的同学，可以去应用市场搜索下载同花顺期货通，这是一个免费的期货手机行情交易软件，海量咨询，还有期货学院，有大量的投教课程，让你快速学习期货知识。

㈣ 数据分析师必须掌握的7种回归分析方法

1、线性回归

线性回归是数据分析法中最为人熟知的建模技术之一。它一般是人们在学习预测模型时首选的技术之一。在这种数据分析法中，由于变量是连续的，因此自变量可以是连续的也可以是离散的，回归线的性质是线性的。

线性回归使用最佳的拟合直线(也就是回归线)在因变量(Y)和一个或多个自变量(X)之间建立一种关系。

2、逻辑回归

逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元(1 /0，真/假，是/否)变量时，我们就应该使用逻辑回归.

逻辑回归不要求自变量和因变量是线性关系。它可以处理各种类型的关系，因为它对预测的相对风险指数OR使用了一个非线性的log转换。

为了避免过拟合和欠拟合，我们应该包括所有重要的变量。有一个很好的方法来确保这种情况，就是使用逐步筛选方法来估计逻辑回归。它需要大的样本量，因为在样本数量较少的情况下，极大似然估计的效果比普通的最小二乘法差。

3、多项式回归

对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。虽然会有一个诱导可以拟合一个高次多项式并得到较低的错误，但这可能会导致过拟合。你需要经常画出关系图来查看拟合情况，并且专注于保证拟合合理，既没有过拟合又没有欠拟合。下面是一个图例，可以帮助理解：

明显地向两端寻找曲线点，看看这些形状和趋势是否有意义。更高次的多项式最后可能产生怪异的推断结果。

4、逐步回归

在处理多个自变量时，我们可以使用这种形式的回归。在这种技术中，自变量的选择是在一个自动的过程中完成的，其中包括非人为操作。

这一壮举是通过观察统计的值，如R-square，t-stats和AIC指标，来识别重要的变量。逐步回归通过同时添加/删除基于指定标准的协变量来拟合模型。

5、岭回归

岭回归分析是一种用于存在多重共线性(自变量高度相关)数据的技术。在多重共线性情况下，尽管最小二乘法(OLS)对每个变量很公平，但它们的差异很大，使得观测值偏移并远离真实值。岭回归通过给回归估计上增加一个偏差度，来降低标准误差。

除常数项以外，这种回归的假设与最小二乘回归类似;它收缩了相关系数的值，但没有达到零，这表明它没有特征选择功能，这是一个正则化方法，并且使用的是L2正则化。

6、套索回归

它类似于岭回归。除常数项以外，这种回归的假设与最小二乘回归类似;它收缩系数接近零(等于零)，确实有助于特征选择;这是一个正则化方法，使用的是L1正则化;如果预测的一组变量是高度相关的，Lasso 会选出其中一个变量并且将其它的收缩为零。

7、回归

ElasticNet是Lasso和Ridge回归技术的混合体。它使用L1来训练并且L2优先作为正则化矩阵。当有多个相关的特征时，ElasticNet是很有用的。Lasso会随机挑选他们其中的一个，而ElasticNet则会选择两个。Lasso和Ridge之间的实际的优点是，它允许ElasticNet继承循环状态下Ridge的一些稳定性。

通常在高度相关变量的情况下，它会产生群体效应;选择变量的数目没有限制;并且可以承受双重收缩。

关于数据分析师必须掌握的7种回归分析方法，青藤小编就和您分享到这里了，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的职业前景及就业内容，可以点击本站的其他文章进行学习。

㈤ 回归分析方法

§3.2 回归分析方法
回归分析方法，是研究要素之间具体的数量关系的一种强有力的工具，能够建立反映地理要素之间具体的数量关系的数学模型，即回归模型。
1. 一元线性回归模型
1) 一元线性回归模型的基本结构形式
假设有两个地理要素（变量）x和y，x为自变量，y为因变量。则一元线性回归模型的基本结构形式：

a和b为待定参数；α=1,2,…,n为各组观测数据的下标； εa为随机变量。如果记a^和b^ 分别为参数a与b的拟合值，则得到一元线性回归模型

ÿ 是y 的估计值，亦称回归值。回归直线——代表x与y之间相关关系的拟合直线

2) 参数a、b的最小二ÿ乘估计
参数a与b的拟合值：

,

建立一元线性回归模型的过程，就是用变量 和 的实际观测数据确定参数a和b的最小二乘估计值α^和β^ 的过程。
3) 一元线性回归模型的显著性检验
线性回归方程的显著性检验是借助于F检验来完成的。
检验统计量F：

误差平方和：

回归平方和：

F≈F（1，n-2）。在显著水平a下，若 ，则认为回归方程效果在此水平下显著；当 时，则认为方程效果不明显。

[举例说明]
例1：在表3.1.1中，将国内生产总值（x1）看作因变量y，将农业总产值（x2）看作自变量x，试建立它们之间的一元线性回归模型并对其进行显著性检验。
解：
(1) 回归模型
将y和x的样本数据代入参数a与b的拟合公式，计算得：

故，国内生产总值与农业总产值之间的回归方程为

(2) 显著性检验

在置信水平α=0.01下查F分布表得：F0.01(1,46)=7.22。由于F=4951.098 >> F0.01(1,46)=7.22，所以回归方程（3.2.7）式在置信水平a=0.01下是显著的。

2. 多元线性回归模型
在多要素的地理系统中，多个（多于两个）要素之间也存在着相关影响、相互关联的情况。因此，多元地理回归模型更带有普遍性的意义。
1) 多元线性回归模型的建立
(1) 多元线性回归模型的结构形式
假设某一因变量y受k 个自变量 的影响，其n组观测值为 。则多元线性回归模型的结构形式：

为待定参数， 为随机变量。如果 分别为 的拟合值，则回归方程为

b0为常数， 称为偏回归系数。
偏回归系数 ——当其它自变量都固定时，自变量 每变化一个单位而使因变量xi平均改变的数值。

(2) 求解偏回归系数

,

2) 多元线性回归模型的显著性检验
用F检验法。
F统计量：

当统计量F计算出来之后，就可以查F分布表对模型进行显著性检验。
[举例说明]
例2：某地区各城市的公共交通营运总额（y）与城市人口总数（x1 ）以及工农业总产值（x2）的年平均统计数据如表3.2.1（点击展开显示该表）所示。试建立y与x1及x2之间的线性回归模型并对其进行显著性检验。

表3.2.1 某地区城市公共交通营运额、人口数及工农业总产值的年平均数据

城市序号

公共交通营运额y/103人公里 人口数x1/103人 工农业总产值x2
/107元
1 6825.99 1298.00 437.26
2 512.00 119.80 1286.48
．．． ．．． ．．． ．．．
14 192.00 12.47 1072.27
注：本表数据详见书本P54。
解：
(1) 计算线性回归模型
由表3.2.1中的数据，有

计算可得：

故y与x1 及y2之间的线性回归方程

(2) 显著性检验

故：

在置信水平a=0.01下查F分布表知：F0.01(2,11)=7.21。由于F=38.722> F0.01(2,11)=7.21，所以在置信水平a=0.01下，回归方程式是显著的。

3. 非线性回归模型的建立方法
1) 非线性关系的线性化
(1) 非线性关系模型的线性化
对于要素之间的非线性关系通过变量替换就可以将原来的非线性关系转化为新变量下的线性关系。
[几种非线性关系模型的线性化]

① 于指数曲线 ，令 ， ，将其转化为直线形式：
，其中， ；
② 对于对数曲线 ，令 ， ，将其转化为直线形式：
；
③ 对于幂函数曲线 ，令 ， ，将其转化为直线形式：
，其中，
④ 对于双曲线 ，令 ，将其转化为直线形式：
；
⑤ 对于S型曲线 ，将其转化为直线形式：

；
⑥ 对于幂函数乘积：

令 将其转化为直线形式：

其中， ；
⑦ 对于对数函数和：

令 ，将其化为线性形式：

(2) 建立非线性回归模型的一般方法
① 通过适当的变量替换将非线性关系线性化；
② 用线性回归分析方法建立新变量下的线性回归模型：
③ 通过新变量之间的线性相关关系反映原来变量之间的非线性相关关系。
3) 非线性回归模型建立的实例

非线性回归模型建立的实例

景观是地理学的重要研究内容之一。有关研究表明（Li，2000；徐建华等，2001），任何一种景观类型的斑块，其面积（Area）与周长（Perimeter）之间的数量关系可以用双对数曲线来描述，即

例3：表3.2.2给出了某地区林地景观斑块面积（Area）与周长（Perimeter）的数据。试建立林地景观斑块面积A与周长P之间的双对数相关关系模型。

表3.2.2某地区各个林地景观斑块面积（m2）与周长（m）

序号 面积A 周长P 序号 面积A 周长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

注：本表数据详见书本57和58页。

解：因为林地景观斑块面积（A）与周长（P）之间的数量关系是双对数曲线形式，即

所以对表3.2.2中的原始数据进行对数变换，变换后得到的各新变量对应的观测数据如表3.2.3所示。

㈥ 常见的回归分析方法有哪些

1/6分步阅读
1.线性回归方法：通常因变量和一个（或者多个）自变量之间拟合出来是一条直线（回归线），通常可以用一个普遍的公式来表示：Y（因变量）=a*X（自变量）+b+c，其中b表示截距，a表示直线的斜率，c是误差项。如下图所示。

2/6
2.逻辑回归方法：通常是用来计算“一个事件成功或者失败”的概率，此时的因变量一般是属于二元型的（1 或0，真或假，有或无等）变量。以样本极大似然估计值来选取参数，而不采用最小化平方和误差来选择参数，所以通常要用log等对数函数去拟合。如下图。

3/6
3.多项式回归方法：通常指自变量的指数存在超过1的项，这时候最佳拟合的结果不再是一条直线而是一条曲线。比如：抛物线拟合函数Y=a+b*X^2，如下图所示。

4/6
4.岭回归方法：通常用于自变量数据具有高度相关性的拟合中，这种回归方法可以在原来的偏差基础上再增加一个偏差度来减小总体的标准偏差。如下图是其收缩参数的最小误差公式。

5/6
5.套索回归方法：通常也是用来二次修正回归系数的大小，能够减小参量变化程度以提高线性回归模型的精度。如下图是其惩罚函数，注意这里的惩罚函数用的是绝对值，而不是绝对值的平方。

6/6
6.ElasticNet回归方法：是Lasso和Ridge回归方法的融合体，使用L1来训练，使用L2优先作为正则化矩阵。当相关的特征有很多个时，ElasticNet不同于Lasso，会选择两个。如下图是其常用的理论公式。

㈦ 期货技术分析里如何画趋势线

有好几种方法：

第一种：依着最高点向次高点画一条下降的线就是下降趋势线，依着最低点向次低点画一条上升的线就是上升趋势线。这种画线方法是从左向右画

第二种：最新技术分析理论有人支持，趋势线应该从右向左画，意思就是，从最近的一个高点，向左侧的前期最高点画线，就得到下降趋势线。从最近的一个低点向左侧的前期最低点画线，就得到上升趋势线。

运用的方法：
第一种：趋势跟踪，就是向上突破下降趋势线后，就做多；向下突破上升趋势线后，就做空。优点是如果成功可以捕捉到大利，缺点是成功率不高。

第二种方法：反趋势的，就是向上突破下降趋势线后，继续做空；向下突破上升趋势线后就做多。优点是准确率比较高。

希望对你有帮助。