#（三）、股市中无处不在的随机性

图1－2、图1-3，这两张图是笔者学习python时完成的印象派画作――《未来》。
这实际就是一个无聊的数学游戏，当你把x和y同时取1-1000范围内100个随机数，然后做成折线图，就有了这样一系列印象派大师的画作了。这才画了两张。实际上，每执行一次，结果都会不一样。要画多少张不一样的结果，关键看你的电脑累不累。
源码很简单，几句话，你就可以成为超现实主义印象派大师了。
import numpy as np
import pylab as pl
import random
x = random.sample([i fori in range(1000)],100)
y = random.sample([i fori in range(1000)],100)
pl.plot(x, y)
pl.show()
如果将这个画作涂上梦幻的色彩会更理想。不怪python号称是码农大师圣诞节的无聊之作，的确可以解闷。而且，它还会带你走进数学世界，开始古人一样的冥想。冥想不深奥，也就是随便想，不着边际的想。
这是x，y同时取随机数情况，如果x是序列数，y是随机数会怎么样？
有人和笔者有一样的爱好，不过他用学数学专业通常使用的MATLAB。
（以下引用图片引自JayRoxis的《机器学习预测市场走势？——期货交易分析》
http://blog.csdn.net/JayRoxis/article/details/78147447）

同样的结果，一小段程序，可以画出无限多张这样效果的不同形状的图来。不用过多解释，你第一个想象到的，“这不就是股票的趋势图吗？”。
但是，当你分析源码的时候，你就知道，这是一个随机性数字的游戏。没有利用股市的任何数字。这是间接拟合的最主要特点。
现在假如用这种方法拟合股市，那么，股票的趋势居然是随机的。博弈论也就是基于这种原因产生了。
既然股市是随机的，你已经明显看到了，那么我们只能通过概率的分析来获得未来的有限信息，而不是唯一性的准确信息。经典理论说能预测唯一性的未来，你看看这随机生成的各种各样的趋势，预测唯一性的未来就是不可能的！对于随机性数字序列，预测下一个数字或者下一组数字序列，并产生唯一性的、非概率性的预测结果，数学上不成立，是数学不可能完成的任务。
当然，人文意义的预测，不在本书考虑范围之内。“是福不是祸是祸躲不过”这句改造一下，“是涨不是跌是跌躲不过”。“底部抄底，顶部逃顶，你就赚钱了。”类似这些，就是人文意义的预测，可以说得很哲学，但是没有数学意义，对于数学而言，这是人文骗术。而过去的经典股市理论书籍，经常采用这种写作手法。笔者的批评是：“理论书籍中人文意义的反向思维的文学笔法。”这种手法，至少不该在理论书籍中出现。
那么，前面提到的那道数学题，明显是个数学陷阱。利用历史趋势图这唯一的已知条件，预测明天或者未来几天的细节。以数学的角度来讲，这实际是不可能完成的任务。但是，这是股市各种理论几乎追求了百年的理论极限的圣杯。而且，在追求中不断进步，不断逼近目标。
这对学习经典理论的简直是泼了一头冰水，股市原来是随机性的，那么我们原来学的经典理论是什么？
实际上，这也仅仅是一种股市间接数学拟合的方法。而且是绝对明显意义的间接拟合方法，不用任何股市有关的信息，却在考虑股市的问题。这种现象的存在，至少提示我们，股市是具有随机性特性的。经典理论号称可以产生唯一性的预测结果，的确存在理论性问题。
让经典理论“崩溃”的博弈论
“这也就是人们说的“赌博足够久，最好的情况就是不赚不亏”。为了获取收益，就需要找到市场规律中的非随机性因素所在。我们可以分析市场中的非随机因素有哪些，最容易分析出的有以下几点：
人们的投资倾向：低位买入，高位卖出。
政治局势以及其他国际大事的影响。
趋势上涨跟投，趋势下跌撤资，市场信心预测影响市场。
价值理论对价格的束缚作用。
有一些理论也认为市场的震荡拥有惯性。
现有诸多的经验预测，例如反弹的预测，最佳买入点的判断，无论多么复杂花哨，都需要基于上面的假设，否则市场完全无法预测。金融时序分析的指导思想就是利用市场规律去打破投资的盲目，从而获得正收益。而且，所有预测模型从根本上来说就是回归模型，机器学习或者其他的高级工具则是更复杂的回归模型。如果模型本身就没有可回归性，或者没有明显的时序相关性，那么再高级的预测模型只能是笑话。
日下最热门的方式是利用壁虎原则进行的短线交易，假设涨跌拥有惯性，那么下一秒的涨跌就不会完全不能预测。然而，这样做的人并不是少数了，当规律被应用多了，那么市场就重新回归了混沌，因为交易更像是一种交易者之间的博弈。
所以，纷繁复杂的预测模型更像是水论文的工具，市场是人控和人为的，没有一种模型能参透其中的道理。市场有规律，但没有函数规律；数据有相关性，但是历史数据中并没有决定涨跌的特征；技术本身没有问题，有问题的是使用的出发点。”
――JayRoxis《机器学习预测市场走势？——期货交易分析》
如此大段的引用，只想说明，博弈论让经典理论有多么的崩溃。如果这样的论述绝对正确，那么经典理论将无地自容。
那么，除了随机性，股市还有没有别的性质吗？
这就是四维时空股市拟合理论要解决的理论问题。基于数学拟合判断是，股市存在随机性，同时存在自然性。这个自然性就是简单的、直接的线性拟合可以描述的现象。
笔者以前认为，分形混沌性是另外一种数学拟合性质，但现在看来，股市的分数维的分形混沌特性应该属于自然性，尽管它的函数表达复杂，由于误差放大导致的测不准，但是，相对于其之前产生的经典理论，它实际是一种定量的、对股市中分形特征的总结，只是相对复杂了一些的直接数学拟合方法的产物。
混沌从数学角度来看，笔者分两大类，一种是具有分形特征的（不管是分数维还是整数维），这一种通过分形的计算，可以大致拟合。另一种是不具有分形特征、数学拟合无法唯一性表达的，笔者干脆认为就是浑沌、混乱、无序的意思。这种浑沌体系，至少现在没有办法通过数学拟合的方式唯一性的表达（马尔科夫链是概率性表达），可以暂时简称为无序。
那么有分形特征的混沌体系，实际是看似无序的有序，或者说里面隐藏着复杂的有序，这是古代、近代的直接拟合和简单的线性拟合没有明确表述出来的，仅仅定性表达。数学也是直到上世纪70年代，才有所发现并发展，实现定量化表达。
只针对股市这个拟合目标，刚才我们已经看到股市的随机性表现出来的特征是“无序”。那么股市就没有直接的线性特征了吗？
分形理论实际已经否定了博弈论这种片面的判断。至少证明，股市是一个具有分形特征的、特殊的、复杂有序的混沌体系，而不是无序的随机产物。
那么股市至少需要两种拟合方式同时表达这种随机性和无序中的有序的拟合。也就是博弈论和分形理论必须兼容。从理论的完整性来说，博弈论“吃独食”“偏食”也是有理论问题的。
用一把准确的米尺，测量一个变动的长度，这把米尺会出现无法胜任工作的问题；
那么用一把变动的尺，测量一个变动的长度，会怎么样的呢？
这会产生两个结果：一种是更加测不准；另一种是如果这把尺的变动“恰当”，会可能接近准确测量这个变动的量。
也就是对于变动的长度，不会变化的尺要想完成测量任务会肯定失败。而变化的尺，有一个概率性成功的可能性！
对于持续运动的、带有曲率的、混沌的、随机的、多维的股市，不变的尺是注定要失败的，那么只能选择变化的尺来测量，这样至少概率上有成功的可能性。当然，如果你对尺的特性和原理都不掌握，也可能会把事情弄得更糟糕。博弈论基于随机性这个数学根基建模，从选择工具上来说，就具有优势。但是博弈论忽略了一个问题，股市的混沌性表达可以导致股市拟合的随机性不是广义的随机、纯粹的随机，而是有特征性的随机这种狭义的范畴。；
混沌数学的产生和分形维数学的产生是同一时期，都是上世纪70年代前后。而混沌数学里面包含了可拟合的混沌体系和不可拟合的混沌体系。这些概念，实际并不明晰。不可拟合的混沌体系是浑沌吗？不明确。也就是说，世界上有没有绝对的浑沌体系呢？还是世界上就不存在绝对的浑沌，都是混沌体系，仅仅是暂时没有拟合出来？这两个问题，数学家、物理学家暂时并没有给出明确答案。至少股市，分形理论已经证明，是可以用分形维拟合的方式来表达的混沌数学体系。而博弈论不管它是混沌还是浑沌，只求用概率方法解决拟合问题，重点的追求在于提高成功率概率。
分形维这种方法是间接拟合，是对经典理论的一个支持。那么还有没有一种相对古典一点的方法，来支援一下经典理论呢？经典理论各种模型自身，实际已经给股市的自然性表达出来大部分，仅仅是经典理论没有表达出来股市的随机性。经典理论对分形性质是定性表达，分形理论是定量表达。也就是说，分形理论和经典理论本身就是兼容的。
在《股市预测数学基础》中，笔者还引用了一张图。那是用另外一种分形表达的方式，来拟合股市，采用的是固定的数学模式，也就是间接的、简单的、线性拟合方式。这个图一样可以表达出如随机图一样的股市效果。这种方法的表达，是对股市纯粹随机性的一种抗争。也就是用固定的数学模式这种方法一样可以表达出股市趋势图来。这是股市具有自然性的拟合证据。
当初刚接触博弈论，思路上来说，是崩溃了。研究多年的经典理论，难道是骗人的吗？我们炒股难道就是在赌场里赌博赢概率的问题吗？自然属性的理论到底有什么问题？可是那些明摆着的0.618有关的数哪里来的？非常的纠结！
（由于书看多了，这张图的原作者是谁，以及该公式出自哪里，无从考证。在此引用，表示感谢。这是利用他的函数方法画的股市趋势模拟图。也就是利用线性的间接拟合方式表达混沌分形体系。笔者对原函数略有改动，以补充曲率影响。）

F(x)＝2*(sin(x3.14159261)+sin(x3.14159261/2)1.414+sin(x3.14159261/4)2+sin(x3.14159261/16)4+sin(x3.14159261/256)16+sin(x3.14159261/65536)256)+2(sin(x3.14159261)+sin(x3.14159261/3)1.732+sin(x3.14159261/9)3+sin(x3.14159261/81)9+sin(x3.14159261/6561)81+sin(x3.1415926*1/43046721)*6561)
原作者太有智慧了，这个函数怎么可以想出来呢？这就是一个具有分形特征（三角、正方分形）的固定函数的表达，这不就是股市趋势图吗？
（注：这实际可以做为博弈论兼容经典理论的另外一个研究方向，但这不是笔者的发现，笔者没有沿着这个方向继续向前走。分形和三角、正方的关系：搞电影动画的都知道，用软件只要做出一个三角，然后分形无规则放大，那么就可以做出一个山峦重叠的背景来。这就是三角、正方与分形的关系。江恩理论的三角、正方是简化的、理想模式而已。）
博弈论和经典理论到底谁错了？
这张图是对经典理论的巨大支持，利用固定的数学模式，利用间接拟合的方法，一样可以拟合股市趋势图。
这也意味着，股市存在着随机性、自然性和分形混沌性三种属性需要拟合。任何偏激的理论，都有一定的死角。
经典理论重拾信心
当我们重新审视一下上面博弈论随机性的趋势图的源码细节的时候，我们会发现，那并不是真正的纯粹的随机，而是具有特征性的随机。这种特征性就是经典理论所描述的。

import numpy as np
import pylab as pl
import random
x =np.linspace(1,100,100)
y = random.sample([i fori in range(1000)],100)
pl.plot(x, y)
pl.show()
用python将笔者那张印象派大作稍作修改。X轴变成序列，y轴随机，那么会出现这样的图形。同样是每次执行都会出现变化。这才叫纯粹的随机的表达。为什么没有引用的那张图的趋势性呢？
随机的结果，简单说就是扔钢蹦出现正面、反面的概率问题。这个图，如果在y＝500画一条水平线，你会发现，上下波动差不多。没有明显的倾向性，不存在趋势性。
那JayRoxis股市随机图为什么和这个不相似。因为它给随机性出现的数字加上了趋势性特征，他获得的数字并不是数学纯粹意义的随机。他采用的是matlab源码：
r = zeros(512,1);
fori = 1:512
r(i+1) = r(i)+rand()*2-1;
end
plot®;
或
r = zeros(512,1);
fori = 1:512
r(i+1) = r(i)+rand()*rand()*rand()8-1;
ifrand()>0.99
r(i+1) = r(i+1) + 30rand()rand();
else
ifrand()<0.01
r(i+1) = r(i+1) - 30rand()*rand();
end
end
end
plot®;
“我这里使用的是伪随机数进行模拟，换句话说，在任何的一个位置涨跌的几率可以认为几乎相等。”
这个“伪”字意味着不是纯粹意义的随机数，那么这些看似随机的数字它有什么特征？
Python的random.sample函数出现的随机数是自然数意义的，而matlab的rand出现的随机数是大于0小于1的随机数。
另外， r(i+1) = r(i)+rand()*2-1;
这是迭代，线性拟合特征。
r(i+1) = r(i)+rand()rand()rand()8-1;
这是迭代、线性拟合、三维特征。
迭代、直接线性拟合这两个特征很明显，三维特征从哪里体现出来的呢？
对于正方形的面积，如果边长是a，我们可以用aa来表达；对于正方体的体积，如果边长是a，我们可以用aaa来表达。如果这是简化维度模型的表达，扩展来说，a可以是任意的长度，而非标准的正方体。这就是上面三个随机数的连乘表达出来的维度特征。
（注：四维时空拟合理论使用四维，通常有明显散点密集区特征的有三个区，第四维度总是“缥缈”的不准确。）
也就是这个趋势线拟合的不是绝对意义的随机性！股市的趋势线数据并不是绝对意义的随机，而是有特征的随机。
博弈论选择了普遍意义的随机性为研究标的物；而经典理论选择了有特征随机性里面的特征性为研究标的物，忽略随机性。随机性中的这种特殊性，才是经典理论所研究的标的物。
这也意味着，博弈论和经典理论分别侧重了同一个拟合标的物的不同侧面的表现，并采取了忽视另一个侧面，针对自己关注的侧面进行重点研究的方式。这种忽视，原本是为了数学拟合的简化，但是却造成了理论的巨大漏洞。
股市的拟合，现在变成“随机性与随机性中的这种特征性，这两个要素哪一个权重更大些呢？”这么一个问题。
在短线，随机性占主要；在中长线，随机性中的特征性占主要。
那么兼容这两个南辕北辙一样的理论的方法就是――中庸。适度的中和。在短线，侧重博弈论的方法，在中长线，侧重经典理论的方法。
中长线与短线的这个分界区通过测算，在2-7个自然日。
假如你知道三角洲的四天循环，而且假设这个四天循环理论是正确的。这个测算会很简单。
你是否考虑了三角洲方法实际是自然日中使用的方法？那么，所谓的四天循环由于垫步1的存在，这个周期实际是3或5个自然日。由于这种级别的趋势行情不会每次正好全部发生在一周之内，那么你就要考虑再加上2天休息日，才能表达两个完整的4天循环。这两个四天循环不断地被周末打断，在周末，标号依然延续。而标号看不见的这两天，以及每天开盘的随机性，造成这种短线的趋势判断随时会被改变。也就是随机性可能造成级别迁越，也就是你无法确定标号的预测意义到底是涨还是跌。这种影响，7个自然日内有效。这就是这个分界区的由来。当然，如果你认为三角洲理论描述的4天循环是基于交易日的，这个问题你不可能发现，但是你在交易日中使用这种方法成功了吗？想过不成功的原因了吗？你方法使用错误！
这不是明显的分界线，而是一个分界区。对于7-60个自然日交易周期的波段，超过7天的，就是中长线。小于7天，大于3天的，就是短线。小于3天甚至日内的，就是超短线。也就是2-7天，实际是经典理论和博弈论这两种理论都头疼的模糊区，那个小小的、常见的高低开，这两种理论都没有很好地解决。而这又是散户最常见的交易频率，居然是理论指导的最尴尬区。而这一点，是通常拿着经典理论当圣经的散户所不了解的。
股市所谓的惯性拟合特征，不是没有，而是客观存在。在三天以内，惯性的影响较小，随机性的影响大于它的影响；3-7天，两种力量的影响不确定，也就是不分伯仲，忽大忽小；7天以后，惯性特征的影响大于随机性的影响。同时，每个7天以内的随机性像精灵一样，又依然无处不在。
而在日内中，惯性与随机性的博弈产生的结果就是惯性时有时无，随机性时有时无。
而时有时无、忽大忽小的数学拟合如何表达呢？2-7个自然日，惯性与随机性在博弈，这才是数学拟合最难于表达的部分。
不要过高估量博弈论，待到它的方法先超过经典理论代表巴菲特再说。尽管它已经在慢慢长大，但是，现在它还是个孩子。高盛的那只小怪物出师不利，还有待观察和改进。同时，也不要过高估量经典理论。它花眼，看不清细节的。利用经典理论进行绝对意义的抄底逃顶，你会发现，理论总是差不多，并不做到。
利用香农的信息熵理论的梯度设想，笔者将股市的波动幅度也划分了模糊的数据信息等级。这也是综合博弈论和经典理论的方法之一。这是从经典理论的角度出发，因此更适合超过7天的判断。对于3-7天，这个理论已经在努力，虽然不理想，但对于历史回测的表现，已经超过扔钢蹦。而对于3天以下，别用这套理论，帮不了你，仅有可能性的参考意义。你的判断会被随机性搅局。除非产生一种基于成功博弈论数学模型角度出发的综合经典理论的理论，那才是你3天以下高频操作的理论指导。这种理论也许可能已经出现，但是它不可能被公开，原因你懂的。
股市理论未来真正的博弈，还有这个模糊区没有被照顾到，2-7个自然日，散户最喜欢的战场，也是最失意的战场。而在这个区间具有决定性指导意义的理论，100年了，至今还没有面世。散户信奉的短线、超短线的理论是什么呢？这是一个问题！
经典理论关注了大于七天的惯性影响，并找到了直接的、相对简单的股市拟合线性特征。博弈论关注了随机性的影响，在日内这个有限范围发挥博弈优势。2－7个自然日，实际成了股市理论唯一性表达和大概率表达的尴尬区。
经典理论和博弈论都想弥补这个严重的理论漏洞，并且在不懈努力。但是，两种基于片面观察的理论在探索挑战这个区间领域的时候，结果现在来看依然是明显的效果不理想。
基于经典理论的机械化交易，周线级别，尚可应对，但是逼近日线级别就要付出更大的努力。
基于博弈论的日内高频交易，必须借助日内短线的趋势性（惯性）这个基础的、简化的、具有不确定因素的条件，暂时也还没能适应日内的绝对意义的高频。反倒是如果放下高频的追求，借用经典理论，效果会更好一些。暂时的目标不用考虑2-7天，先逼近明天再说。
用博弈论方法证明出经典理论的结果
当你煞费苦心的学习python，学习线性拟合数学方法，学习博弈论，学习误差分析等等之后，你会得到一个奇妙的结果。
“我们来做一个非常简单的实际应用。设 x 为上证指数的日收益率，y 为深证成指的日收益率。通过对股票市场的认知，我们认为 x 和 y 有很强的线性关系。因此可以假设模型

并使用 Statsmodels 包进行 OLS 回归分析。
我们取上证指数和深证成指一年中的收盘价。
data =get_price([‘000001.XSHG’, ‘399001.XSHE’], start_date=‘2015-01-01’,end_date=‘2016-01-01’, frequency=‘daily’,fields=[‘close’])[‘close’]x_price = data[‘000001.XSHG’].valuesy_price =data[‘399001.XSHE’].values
计算两个指数一年内的日收益率，记载于 x_pct 和 y_pct 两个 list 中。
……
y=0.002+0.9991x，合情合理，或者干脆直接四舍五入到 y=x。最后，画出数据和拟合线。”


――用数据剖析热点 《python量化投资才是最正确的方式》2018-01-27
https://www.toutiao.com/i6515543417051677191/
python的共享意识真好！
这明显是一位python高手利用线性回归、机器学习的方法研究出来的一个结论。看文章的整体水平，不但高等数学水平较高以外，python的编程水平也是高超的。至少需深造几年的功力。最终结果的2015年上证指数的线性拟合函数，作者面对函数中精确的小数点，也干脆省略了，直接按y＝x处理。这用江恩理论的角度线表达就是1:1角度线。
我们必须感叹，人工智能方法现在已经达到可以“自己”找到这根特征线的程度了。数学拟合方法、电脑、网络、python，这几十年取得进步是飞跃性的。这种大数据的分析方式，不但获得了这个波段的拟合函数，同时证明了江恩角度线1:1的理论意义。

参照江恩当年的手迹图，针对上证指数这个波段，如果江恩发现并确认了底部的起点之后，那么他会画图中两根粗线。一根是1:1，一根是1:2。而画这张图这个事情的发生时间，应该是指数脱离底部箱体附近。也就是后续未来的模糊上涨，已在江恩的脑海中。他无法知道上涨的细节，但是，这两根线起到绝对性的参考意义。
（注：虚线部分是用程序自动生成的四维角度尺，本书会介绍制作和使用方法。）
而对于大数据的研究方法，特别是预测性的研究方法，我们需要基础的已知的足够数据，否则，不能显现规律。基于这一点，从时效性上就会出现问题。
另外，这根线性回归意义的拟合线，实际是平均意义的，很难理论性地解读其具体的操作意义。而江恩理论可以明确表达每根线的具体实际拟合意义。这也是笔者强调博弈论需兼容经典理论才能取得更大进步意义的理论意图。
同时，网上搜集的国内国外大多数类似方法的图表可以看出，都是趋势性行情的拟合。一旦出现这种级别的拐点，而计算结果的函数不会采取应变措施，也就意味着出现测算问题。而这种级别的趋势性行情，在股市中，80%以上的时间，不会发生。
对于股市理论来讲，这是对局部、小范围的现象的一种研究，依然不具有理论的普遍性意义。
机器学习这种方法已经很先进，很高明了，但是软肋在于，通过机器学习，暂时并不能达到大脑的容错能力，以及大脑神经的非线性关联产生的结果，同时，学习再好，也不可能达到100%的学习目的。尽管你看到通过机械学习的次数不断增加，通过自我修正和继续学习，结果的正确率在提高，但是绝对意义的正确，至少现在看依然没有达到。科学家对大脑的仿生学原理的研究依然还在初步进展阶段。
这实际还是终极理论的问题，用一个可能结果错误的方法指导操作，能够完成100%正确的操作吗？答案依然是否定的！因此，博弈意识还是必须要有。这一点来说，博弈论也是正确的研究方向。面对股市这个理论不可能全部拟合的研究对象，在操作上的博弈是个永恒的话题。
如果这种方法兼容了经典理论的分形部分意识，那么会产生大一级的线性拟合构想，用大一级的曲线对这个函数施加影响。当然这种“恰当”的影响数学意义的实现并不会简单，特别是“恰当”的影响绝不简单。由于级别变大，那么细节的拐点表达的误差也会很大的，一般会超出波段意义的级别。而恰当的容错，纠正，这才是数学的难题。
而且，针对上证指数来说，基于这种方法，能够反映上证这种大一级线性特征的原始数据是不足够的，尽管上证已经存在27年。这也是西方波浪理论大师在大级别标注上证指数的时候连连失败的原因。
特别是对于预测来说，原始数据的足够这一条件必须满足。原始数据需要能够反映出整体的规律，才会产生预测性。
这种方向的努力西方已经开始，而且已经在进步，但是，即便出于商业考虑，也不会有人公开算法。西方已经出现利用大级别影响小级别的周期的软件。虽然被命名为时间计算器，但是不要忘了江恩理论的“时间（轴）等于空间”，它实际表达的是形态意义的拟合和预测，那么就意味着它预测的是股市时空。当然，原理它不会告诉你。
偏爱经典理论的笔者通过挖博弈论的墙角的方式又为你找到了一个对于经典理论的支持证据。