金融時間序列的數據探勘和模式發現——超越技術分析？
有很多關於金融時間序列中模式發現的工作——但所有這些（我都知道）都與技術分析有關，而且（正如許多人所說）是不嚴謹的科學領域。那麼 -是否存在超越技術分析並且可以稱為科學的模式發現方法- 例如那些試圖發現隱馬爾可夫模型的參數或試圖模擬不同金融制度作為對宏觀經濟事件的反應（例如國家的立場在經濟周期中）或作為對其他事件的反應，例如通過改變稅收立法、通過貨幣政策變化（利率等）、通過政府的刺激措施等？
我認為理解以下幾點很重要：技術分析不嚴謹不是因為使用的數據本身，而是因為使用的方法！
經典技術分析使用定義不明確的圖形模式，並且沒有很好的定量方法來測試結果的準確性。
許多相同的問題經常困擾使用不同指標的經典基本面分析，因此量化金融的最大區別——據我所知——是這些概念的數學系統化，並使用科學方法來找出哪些有效，哪些無效。
最重要的是，使用量化金融，尤其是機器學習（這是現在使用的術語），您可以使用完整的算法建構工具包，這些工具包可以從數據中學習並做出預測。
但即使是經典的技術分析也可以變得嚴謹，例如我的答案在這裡：
這是我對技術分析和數學技術何時不同的理解。
技術分析主要利用三件事：
- 價格水平
- 價格水平指標
- 使用基於 1 和 2 的規則進行交易。
1、2 和 3 之外的任何內容都超出了技術分析範圍。當然，您的分析可能涉及所有 3 個，但是一旦您使用這三個之外的技術，您就會慢慢地向統計和數學技術邁進。範例如下。
典型的技術分析回測器是，選擇一種資產，選擇一個區間，在該區間的 OHLC 柱上定義一個指標，然後在指標 > 值時買入，在指標 < 值時賣出。
假設，現在您有一個由參數集定義的交易系統。然後您執行交叉驗證以測試其預測能力。雖然您已經使用技術分析來設計交易規則，但交叉驗證是一種統計技術。
現在假設您已決定執行分析。但是，您不是看價格水平，而是看資產的回報而不是價格水平。對我來說，使用資產收益更多是在數學分析領域，而不是技術分析。
最後，還有許多其他交易策略源自回報系列。我可以令人信服地說這些不是技術分析。