《四维全息算法》第五讲－－依据四维全息算法设定的均线，其均线组合相似度比较的使用用法
一、为何会有这种多均线相似度比较的想法。
1、在使用四维全息理论设置的特定均线的时候，会出现相同均线组合模式出现类似行情的情况。特别是时空共振点之后，更为相似。但是，这种相似是指四维全息标注的相似，而不是行情的几何形状的唯一、完全相似。
检测一段行情与历史行情的相似，如果我们不基于趋势行情的直接的曲线图比较相似（这种方法利用python进行试验，结果并不理想），而是基于多组均线来比较相似，这更可行一些。而四维全息均线的特定设置，实际多组均线就相当于一个变动的标准尺，起到一个相对的标定、界定的作用。
而所谓的时空共振点，就是相邻的几条四维全息均线粘合，而股价也“恰巧”在附近的这种时空情况。我们可以理解为18天、36天、72天之后，均线粘合，那么这些天的均线共同“认为”股价应该在这附近，而股价又恰好就在附近，也就时空共振了。
在通常的均线粘合选股指标中，实际找到的就是部分这样的时空位置，仅仅是后面的选择方向才决定方向而已。时空共振点是之后，是选择方向，而非必须怎么样！
这是利用四维全息理论标注方式产生的各种行情的分形特征，关键的时空共振点之后，会有上述可能性的变化。
四维全息均线的特定设置，可兼容现有的所有可行的均线理论。
2、江恩理论有一句引用于《圣经》的话，“已有的还会有，阳光下没有新鲜事。”那么，如何判断什么情况是“已有的”？如何判断阳光下是否会有新鲜事？从上图就可以看出，可以有新鲜事。但是新鲜事又是这里面几何分形分类的一种。
如何比对“已有的”？我曾试验过利用python的cv库、pillow库、人工智能等方法直接进行曲线相似度对比，但结果并不理想。并非期望的结果。这才没办法自己想算法。
八卦、周易给了我算法的启发。如果用几何方法表达八卦，那么实际就是三条均线涨跌的排列组合。而64卦就是六条均线涨跌的排列组合。这也是可以用三维数组表达八卦、六维数组表达64卦的数理。
那么，四维全息均线的主均线是十条，也就是需要每一天的十条均线的涨跌信息。不是六爻卦了，而是十爻卦。
而均线的排列是有交叉的，卦爻的排列没有交叉。那么，我们还得对每一天的均线增加上下排序的排列组合信息。
通过这样的算法方式，每一天的十条均线会得到20个确定性的信息。十条均线的涨跌信息和十条均线的上下排序的排列组合信息。这相当于把一维的时序曲线上的一个点，用20维的信息方式表达。
通过这样的算法方式，每一天的十条均线会得到20个确定性的信息。十条均线的涨跌信息和十条均线的上下排序的排列组合信息。
而四维全息均线的特定十条均线设置，在这里成为一把“动态的尺”。
通过这样的算法转换，我们实际有确定性的2^10*10！个几何形态分类，3715891200种几何分类。
而所谓的寻找均线几何相似度这种模糊的数学问题，被转化为决定性的数学条件。
例如某一天的上证指数的这十条均线可以表达为：X986574123（x为10，十条均线的排序数列）、2121221122（十条均线的涨跌，2为涨，1为跌）。也就是这一天的信息，被转化为20个特定的唯一性的数字信息。那么，接下来需要做的事情，就是找历史上同样这种编码的位置了。我们利用肯定性的数字，寻找的结果是相似的结果，因为均线的斜度并不完全相同。
这个编程问题，利用交易师的选股方式已经解决，但笔者希望能用python解决，这也是笔者学python的原因。有愿意合作的人联系笔者，笔者可以更深入地讲解用法。
二、试验算法中出现的问题
1、计算量的问题：十条均线每天20个信息，产生的几何形态已经是天文数字。如果我们用一只股票今天的20个编码寻找股市4000多只股票的历史同样信息，利用交易师选股公式实现，寻找这样情况7条均线的相似度，大约需要十分钟。
2、均线重叠的问题：刚才的算法没有考虑十条均线中有均线重叠的情况。这是为了简便算法。但由此带来的问题就是，均线数值的小数点能够精确到几位？精确的位数越多，计算量越大，但是重叠情况越少。在交易师中精确到小数点后面6位的情况下，只能比较七条均线的相似度，八条均线比较就会出现有均线重叠而造成误显示的问题。
3、自然日与交易日的问题：这个方法是基于自然日数据产生的算法方法，但是，现有趋势行情软件，一些是不能显示自然日数据的，而且选股指标没有使用自然日的趋势行情软件。为此，逼迫将算法在交易日行情的条件下实现。
而交易日行情中，所有均线数值都需经过转换，以去掉周末、假期、停盘对时空运转的影响。经过试验，去掉周末时间就已经近似逼近实际数值。但是，这种转换方式存在的软肋就是：如果这只股票停牌，这种交易日均线的显示是不符合实际时空运转情况的。
4、试验结果的应用意义：利用一只股票今天的20个信息找到4000多只股票历史上同样的均线排列组合情况的位置，结果通常不是一个。我们会发现如上图一样的未来情况。也就是涨跌皆有可能的大趋势结果。针对各种级别依然需要人工再选择。再选择的条件很简单：在周线再比较均线相似度，这样就可以去掉四维全息标注方式不同的大部分结果。
而剩下的结果，依然还会存在细节不同，这个比较更简单：例如日线级别利用特定的主要均线：m72、m144比较斜度就可以了。注意，这里是斜度，而非斜率。斜度＝今天的均线数值减去昨天的均线数值。这方面的内容，可参见笔者的四维角度尺内容。
5、预估未来，假设是日线级别的，那么只考虑一个日线级别波段时间的未来。因为后面又会产生如上图四维全息标注方式的变化。
霹雳火(654350715) 2021-9-14 10:50:43
三、这种算法的比较优势：
由于股市行情存在的几何分形性，或者说《波浪理论》的级别性，由于这种特定均线采用了固定迭代分形特征的数值，那么会在特定的时间周期产生特定的全息意义。
在没有自然日分钟级别数据的前提下，我们可以近似使用4分钟、30分钟、日线、周线，跨级别的比对这十条均线的特征。其结果是逼近相似的。
其他时间级别的趋势行情均线，不能产生这种特征。
上证的5分钟与道琼工业曾经的一段日线比较。全息并不在意是哪个维度的行情，不同维度的特定的对应均线的排列组合的作用依然一致。
上图中的上证指数，是自然日5分钟级别的趋势图，是利用交易师修改公式的方式实现，均线参数使用的是自然日参数。
这种使用方法要求特定的时间周期的行情。与日线级别比较，这个级别可以是4分钟、30分钟、周线，结果是近似逼近的。除非解决分钟级别的自然日数据显示问题，否则交易日均线参数只能近似。
而能够形成这种全息结果的数理原因，在于时间的特定设置上。数理结论的分维方式的关键数字居然是接近8左右。这也是其他分钟级别不能够简单直接利用这种全息特征的原因。
同时，这种四维全息均线还有一篇关键的文章暂时还没有发表，仅几位朋友已经学习。这里面的每条特定均线都是有特定支撑、阻力意义、全息意义、循环意义的。待未来发布。
《四维全息算法》第五讲－－依据四维全息算法设定的均线，其均线组合相似度比较的使用用法相关推荐
- python 四维数据怎么看性别_四维单子上有男女暗示 我告诉你四维彩超怎么分辨男女...
原标题:四维单子上有男女暗示 我告诉你四维彩超怎么分辨男女 四维彩超是超声检查的一种,除了一般彩超的功能外,还可以进行胎儿头面部立体成像,可清晰地显示眼.鼻.口.下颔等状态,可协助医生直接对胎儿先天畸 ...
- 全息与沙盘的融合，全息沙盘带来全新体验
全息与沙盘的融合,全息沙盘带来全新体验 全息沙盘作为数字沙盘的一种类型,利用3d全息和数字沙盘来实现展示内容,全息沙盘优势在于无需佩戴任何道具就能看见立体3d效果,这种沙盘能利用在楼盘销售.展厅演示. ...
- 一个会展论坛进行的全息营销“策划” -王甲佳全息营销系列08
一个会展论坛进行的全息营销"策划" -王甲佳全息营销系列08 ***和anji先生: 我 对"智慧海"的提法非常赞同.用全息营销的观点看,对于这个论坛和这片海, ...
- VR全息教育实训中心教学系统、全息教育实训室的全息教学一体机
全息投影是一种采用全息膜将真实物体的反射光线与虚拟图像的反射光线相融合,在空中产生立体幻象,实现虚拟物体在现实环境中再现的视觉效果.在最初,这种技术只是应用在展会展览,随着技术的不断成熟,全息投影技术 ...
- 基于多次傅里叶变换算法的快速相位解包裹算法研究
▒▒本文目录▒▒ 一.前言 二.快速相位解包裹算法实例分析 三.参考文献 一.前言 一般而言,干涉相位图中的相位值通常被限制在主值区间内,这种相位被称为缠绕相位.在缠绕相位图中,像素点的相位值在-π或 ...
- 人工蜂群算法python_教程 | 用人工蜂群算法求解k-分区聚类问题
原标题:教程 | 用人工蜂群算法求解k-分区聚类问题 选自towarddatascience 作者:Pedro Buarque 参与:Pedro.刘晓坤 群体智能算法是一类受生物群体智能行为的启发而发 ...
- a*算法matlab代码_导向滤波算法及其matlab代码实现
导向滤波同样是一种平滑滤波算法,其与最小二乘滤波和双边滤波相比,同样是一种具有边缘保持的功能的图形滤波算法,可以用于处理图形噪点较多的图像,而且此种滤波算法与最小二乘滤波和双边滤波相比,有其独特的特点 ...
- c语言最小费用流_策略算法工程师之路-图优化算法(一)(二分图amp;最小费用最大流)...
目录 1.图的基本定义 2.双边匹配问题 2.1 二分图基本概念 2.2 二分图最大匹配求解 2.3 二分图最优匹配求解 2.4 二分图最优匹配建模实例 2.4.1 二分图最优匹配在师生匹配中的应用 ...
- 先来先服务算法代码_一致性哈希算法编写
今天我想先给大家科普下一致性哈希算法这块,因为我下一篇文章关于缓存的高可用需要用到这个,但是又不能直接在里面写太多的代码以及关于一致性hash原理的解读,这样会失去对于缓存高可用的理解而且会造成文章很 ...
最新文章
- 轻量型「孟子」模型比肩千亿大模型！AI大牛周明率队刷新CLUE新纪录
- iOS HTTP与 HTTPS
- Excel打印区域设置
- Javascript--节点类型
- 为什么font-family最后都会加上sans-serif字体?
- [Jobdu] 题目1499：项目安排
- 产品经验谈：设计思维 统计思维
- 1.Intro to Deep Learning and Computer Vision
- 数据结构与算法之KMP算法中Next数组代码原理分析
- kotlin set 私有_Kotlin可见性修改器–公共，受保护，内部，私有
- web.config从.net framework3.5向4.0迁移注意事项
- VB里怎样使用GetWindowRect、GetClientRect、ScreenToClient、ClientToScreen
- Scratch3.0创意编程（基础篇）：第11课 智能小车
- 卸载无线网卡驱动rtl8192eu-dkms
- 【吐血整理】一份完备的集成学习手册！（附Python代码）
- 使用Vitamio插件显示花屏
- 小米电视3 android,小米电视系列ROOT教程（含4A，4S，4X等Android6.0.1版机型）
- cosx绝对值的积分
- freemarker实现word文档模板动态生成
- 拼多多引流产品卖什么好？拼多多卖什么好？