Teori analisis teknis didasarkan pada tiga asumsi penting:
(1) Harga saham mencakup semua informasi pasar
(2) Ada tren harga saham
(3) Sejarah akan Berulang
Titik ketiga menggambarkan bahwa harga saham atau indeks dalam jangka panjang, akan berulang-ulang muncul beberapa tertentu curvature curvature atau pola, mempelajari pola ini memiliki nilai referensi penting untuk prediksi pasca-pasar. Yang disebut curvature curvature, adalah simbol harga saham atau indikator lain dalam jangka waktu tertentu, seperti naik, turun, dan bergolak.
Dari sudut pandang behavioral finance, baik efek pembuangan atau efek kelompok, hukum perilaku ada secara obyektif di pasar. Pasar adalah hasil dari banyaknya permainan investor, meskipun target investasi berubah-ubah, standar yang sama juga selalu berubah, tetapi sifat manusia tidak berubah, psikologis perdagangan tidak berubah, pemikiran orientasi dan psikologis spekulatif yang dibentuk investor dalam proses pengambilan keputusan menyebabkan sejarah terus berulang. Analisis teknis sebagian besar didasarkan pada analisis dan penggabungan data historis, mencoba untuk mengeksplorasi hukum dari sejarah untuk mengarahkan keputusan masa depan. Efisiensi dan kepraktisan analisis teknis telah diakui dan dipraktekkan oleh pasar, dibandingkan dengan teori gelombang terkenal, opini, dll.
Secara keseluruhan, bentuk saham mencerminkan tidak hanya informasi tentang perubahan fundamental saham, tetapi juga psikologi investasi kelompok investor pasar, yang mengandung logika perdagangan. Oleh karena itu, pergerakan harga saham akan menunjukkan bentuk yang serupa, dan saham yang berbeda dengan bentuk yang serupa cenderung menunjukkan pergerakan yang serupa di masa depan.
Berdasarkan teori analisis teknis untuk mengidentifikasi bentuk pergerakan harga saham dan membuat prediksi, kesulitan adalah bahwa banyak metode analisis teknis bergantung pada penilaian empiris, sulit untuk diukur, dan bahkan untuk analisa teknis yang berbeda dari bentuk pergerakan yang sama akan menghasilkan kesimpulan yang sangat bertentangan. Kami mencoba untuk mengatasi masalah ini dengan algoritma pengenalan bentuk.
Pengakuan bentuk, mirip dengan pengenalan suara, pada dasarnya adalah menangkap dan mengenali karakteristik bentuk gelombang. Algoritma pengenalan yang lebih umum digunakan adalah algoritma berbasis pembelajaran mesin seperti algoritma jaringan saraf, algoritma Hinmarkov, dan metode penilaian statistik berdasarkan indikator teknis dan nilai ekstrem fungsi.
Dalam bidang pengenalan suara otomatis, karena sinyal suara adalah sinyal yang memiliki keacakan yang cukup besar, setiap kali diucapkan oleh pembicara yang sama untuk kata yang sama, hasilnya berbeda dan tidak mungkin memiliki panjang waktu yang sama persis. Oleh karena itu, saat dicocokkan dengan model yang tersimpan, sumbu waktu kata yang tidak diketahui harus terdistorsi atau dipelintir secara tidak merata sehingga karakteristiknya sesuai dengan karakteristik templat.
Faktanya, dalam skenario aplikasi praktis, terutama masalah pencocokan urutan waktu keuangan, seringkali tidak benar-benar konsisten pada garis waktu, dengan kata lain, jika urutan waktu memiliki kesamaan dalam bentuk, tetapi ada perbedaan dalam skala atau amplitudo yang berpola dalam urutan, kelompok urutan waktu masih dapat dianggap memiliki kesamaan dan perlu dicocokkan. Dengan pencocokan bentuk ini, analis teknis di pasar menemukan bentuk yang mirip dengan tren saat ini dalam data sejarah saham atau indeks saham besar, dan mengamati pergerakan saham atau saham besar setelah bentuk-bentuk ini muncul dalam sejarah, dan akhirnya membuat prediksi tentang pergerakan saham atau saham besar di masa depan, membimbing keputusan perdagangan.
Untuk memahami algoritma penataan waktu dinamis, penting untuk memahami ide dari penataan waktu yang dinamis, yang ditunjukkan sebagai berikut:
Garis biru dan hijau menunjukkan dua urutan waktu, dan dibandingkan dengan metode pengukuran jarak tradisional, pengaturan waktu adalah memetakan titik waktu satu pasang atau lebih satu pasang, sambil memenuhi kondisi optimal. Setelah pemetakan seperti itu, pengaturan dilakukan pada sumbu waktu, sehingga jarak antara dua urutan waktu adalah minimum, kesamaan maksimum.
Inti dari algoritma regulasi waktu dinamis adalah mencari jalur optimal, yang harus memenuhi persyaratan berikut:
(1) Kondisi perbatasan;
(2) Kontinuitas: Permintaan tidak dapat melintasi suatu titik untuk mencocokkan, tetapi hanya dapat disesuaikan dengan titik yang berdekatan
(3) monotonisasi: titik permintaan harus monotonis dari waktu ke waktu
Dengan metode perencanaan dinamis, rute optimal dan jarak minimum dapat diperoleh.
Menggunakan algoritma pengaturan waktu dinamis untuk mewujudkan fungsi pengenalan bentuk, berdasarkan bentuk standar yang dipilih oleh manusia, setiap hari perdagangan menggunakan algoritma pengenalan bentuk untuk menghitung jarak bentuk saham A dari bentuk standar, kemudian memilih saham yang jaraknya kurang dari penurunan nilai dan membeli dengan harga bukaan hari itu, memegang lima hari dengan harga penutupan dijual, jika harga penutupan turun lebih dari -5% pada suatu hari dalam proses kepemilikan, dengan harga penutupan.
Strategi ini didasarkan pada algoritma penyesuaian waktu yang dinamis, menangkap bentuk saham yang mirip dengan bentuk pengalaman, dan membangun portofolio saham. Pada periode pengembalian, Sharpe ratio 2.59 dan tingkat keuntungan tahunan 27.4% diperoleh, menstabilkan indeks run-win yang signifikan.
Dikutip dari: