交易中的數字信號處理
最初由John Ehler創建了一個使用信號處理進行交易或觀察市場的概念。他為此寫了三本書。交易者MESA 和交易市場週期的股票和期貨火箭科學
有許多指標和數學模型被一些交易軟體（甚至 MetaStock）廣泛接受和使用，如 MAMA、希爾伯特變換、費希爾變換（作為 FFT 的替代品）、零差判別器、希爾伯特正弦波、即時趨勢線等。由約翰埃勒。
但就是這樣。除了 John Ehler 之外，我從未聽說過有人在這個領域學習。你認為數字信號處理值得學習嗎？畢竟，每筆交易都是一個信號，而條形圖是這些信號的某種過濾形式。是否有意義？
小波只是“基分解”的一種形式。特別是小波在頻率和時間上都分解，因此比傅立葉或其他基於純頻率的分解更有用。還有其他的時頻分解（例如 HHT）也應該被探索。
價格系列的分解有助於理解系列中的主要走勢。通常，對於分解，原始信號是其基本分量的總和（可能帶有一些縮放乘數）。分量的範圍從最低頻率（穿過樣本的直線）到最高頻率，一條以接近 N / 2 的頻率最大值振蕩的曲線。
這有什麼用
- 去噪系列
- 確定係列中運動的主要成分
- 確定支點
去噪是通過將分解中的分量相加來重新組合序列來完成的，減去最後幾個最高頻率分量。如果選擇得當，這個去噪（或過濾）的系列通常會給出核心價格過程的視圖。假設在同一方向上延續，可用於外推短期內向前。
隨著時間序列的實時變化，人們可以查看去噪（或過濾）價格過程如何變化，以確定不同方向的價格變動是顯著的還是僅僅是雜訊。
但是，其中一個關鍵是確定在任何給定情況下要重構多少級分解。級別太少（低頻率）將意味著重組後的價格序列對事件的響應非常緩慢。太多級別（高頻率）將意味著快速響應，但在某些價格體系中可能會有太多噪音。
鑑於市場在橫向運動和動量運動之間轉換，過濾過程需要適應狀態，或多或少對投射曲線的運動敏感。有很多方法可以評估這一點，例如查看過濾後的系列的功效與原始價格系列的功效，根據制度確定一定的百分比。
假設一個人已經成功地使用了小波或其他分解來產生一個平滑的、適當的反應信號，可以採用導數並用於檢測價格序列的最小值和最大值。
問題
- 人們需要一個在端點處具有“良好行為”的基礎，以便端點處的曲線斜率朝適當的方向投射。
- 隨著時間序列的變化，基礎需要在端點提供一致的結果，而不是位置偏差
不幸的是，我不知道有任何小波基可以避免上述問題。還有一些其他的基礎可以選擇做得更好。
結論
如果你想研究 Wavelets 並圍繞它們建立交易規則，需要做大量的研究。您可能還會發現，雖然這個概念很好，但您需要探索其他分解基礎才能獲得所需的行為。
我不使用分解來進行貿易決策，但我發現它們在確定市場製度和其他回顧性措施方面很有用。