股票量化软件：赫兹量化平台价格序列离散化，随机分量和噪音

在很久以前，金融市场形成初期，没有计算机，且在实际市场中进行实际商品交易时，将价格序列表示为时间间隔（或时间帧）的经典方法既已出现。 一天内的所有价格变化太多，很难加以存储。 甚至，它并没啥用，因为价格没有快速变化。 因此，显而易见的解决方案是按规则时间间隔记录价格值。 听起来合乎逻辑：“今天小麦的价格为 90 分，而昨天的价格为 80 分” 。一切都非常清晰：需求增长，价格上涨。 与今天的市场交易相比，成交并不多，这就是为什么价格重新定义很罕见的原因。

随着价格数据分析的出现和发展，它目标是更好地预测价格行为，并随着交易操作数量的增加，人们了解特定时间段最高价和最低价就变得很重要。 也就是说，昨天 80 分、今天 90 分的有关价格信息已不再足够。 人们想知道在指定时间段内，最高价和最低价触及何处。 那就是发明著名的烛条和柱线的时候。

随着交易操作数量的增加，价格序列的离散化变得越来越准确。 现在，我们已经用到分钟离散化，甚至有时更小的帧率，例如一秒和十秒。

数据离散化不仅在交易中需要，而且在许多其他信号处理领域中也需要。 例如，在音乐中，原始的连续信号被数字化。 在进行编码时会利用时间离散。 按规则的时间间隔将信号幅度值写入存储器。 然后可以利用某些操作将该信号转换回连续信号。 连续信号离散化是一个经过充分研究的领域。 例如，遵循 Kotelnikov（Nyquist-Shannon 奈奎斯特）定理的规则指出：“如果离散频率是信号频率的 2 倍或更多，则可以完全恢复信号”。 因此，如果信号频率为 1 赫兹，则读取其幅度值时必须每秒至少 2 次（即频率为 2 赫兹）。 只有在这种情况下，才能在离散化后重获其原始形式。

如果离散频率小于信号频率两倍，则结果信号将大大失真，实际上我们收到的是一个与原始信号无关的随机信号。 当在交易里应用时，第一种情况将允许我们在发现高点时卖出，而在我们看到低点时买入。 还有，我们已知频率的情况。 错误的离散化之后，我们会丢失有关幅度和信号频率的信息。 由于选择了错误的离散频率，已知特征的确定周期性信号会变化为未知特征的随机非周期性信号。

从以上知识中得出两个合乎逻辑的问题：“在离散价格序列时，我们是否犯了错误？” 和 “价格序列是离散信号还是连续信号，其参数是什么？”

答案并不简单，而是非常重要的。