公式百科
— 建立您的分析基础

探索涵盖从基础统计到高级预测模型的完整公式库。以学术级严谨态度编撰，旨在为您提供清晰、准确的数据分析工具。

入门公式

理论背景均值回归是金融衍生品交易和统计套利的核心假设之一。该理论认为，资产价格、波动率或经济指标在经历极端波动后，终将回归其长期的历史平均水平。

应用场景适用于震荡市或区间震荡行情，帮助识别超买或超卖状态，从而制定逆势交易策略。

计算逻辑通过计算时间序列的移动平均值（μ）和偏离度，结合自回归系数（ρ），预测下一期数值（Rt）向均值回归的幅度与速度。
E(Rt) = μ + ρ(Rt-1 - μ)

中级模型

理论背景斐波那契数列在自然界和数学中普遍存在，其相邻两项之比趋近于黄金分割率（0.618）。在金融技术分析中，被广泛用于预测价格走势的支撑和阻力。

应用场景在明显的趋势行情中寻找回调介入点，或预测趋势延伸的目标价位，如应用斐波那契回撤线或扩展线。

计算逻辑数列定义为相邻两项之和等于下一项。实际应用中，取关键高低点差值乘以0.382、0.5、0.618等比率，得出潜在的支撑/阻力位。
Fn = Fn-1 + Fn-2

入门公式

理论背景移动平均线（MA）是平滑时间序列数据以识别趋势方向的基本工具。双轨均线系统利用不同时间周期的均线交叉来过滤短期噪音，确认长期趋势的转变。

应用场景适用于趋势明确的市场，帮助交易者捕捉波段行情的启动点（金叉）和结束点（死叉）。

计算逻辑分别计算短期和长期的简单移动平均线（SMA）。当短期均线由下向上穿过长期均线时产生看多信号，反之看空。
SMA_s(t) ✕ SMA_l(t)

高级算法

理论背景马尔可夫过程是一类具备“无记忆性”的随机过程，即未来的状态仅依赖于当前状态，而与过去的历史轨迹无关。转移矩阵描述了状态之间相互转换的概率。

应用场景适用于对具有离散状态（如上涨、下跌、平盘）的系统进行概率预测，常用于量化交易中的状态机模型或宏观经济周期预测。

计算逻辑根据历史数据统计各个状态之间的转移频次，归一化得到概率矩阵P。当前状态向量乘以矩阵P即可得出下一期各状态的概率分布。
P(Xn+1=j | Xn=i) = Pij

高级算法

理论背景凯利公式由约翰·拉里·凯利于1956年提出，原用于信息论，后被广泛应用于投资和赌博中。它旨在通过计算最优的资金分配比例，实现长期复合增长率的最大化。

应用场景适用于已知胜率和赔率的重复性交易或投资决策，帮助投资者进行科学的仓位管理，避免破产风险。

计算逻辑通过期望盈利与获胜概率的组合计算出下次交易的最佳资金投入比例。
f* = (bp - q) / b

高级算法

理论背景贝叶斯推断是一种统计学方法，它利用贝叶斯定理根据新的证据或信息来不断更新对某一假设的概率估计。与传统频率学派不同，它允许引入主观先验概率。

应用场景在信息不完全或动态变化的环境中，如风险评估或根据新发布的经济数据更新市场走势预测模型。

计算逻辑在观察到新证据的情况下，结合先验概率和似然度，计算事件发生的后验概率。
P(A|B) = [P(B|A)P(A)]/P(B)