利用机器学习研究分形市场结构导论

介绍：金融市场的复杂性和非线性方法

金融市场具有复杂的非线性动态，传统模型往往无法捕捉到这些动态。线性方法和经典风险指标（如标准差和贝塔系数）无法解释重尾和波动集聚性等特征。

由曼德博（Mandelbrot）提出的分形理论提供了一种替代方法，能够描述金融序列中的“剧烈随机性”和自相似结构。它揭示了传统分析难以发现的隐藏模式，并有助于更深入地理解市场行为。

图1.伯努瓦·曼德博（Benoit Mandelbrot），市场分形理论的创始人

金融时间序列的分形特性：自相似性与标度不变性

金融数据通常具有自相似性 — 当改变尺度时，其结构得以保留。这种分形特性体现在不同时间周期下价格图表的相似性中，表明了尺度不变性。

自相似性的存在对假设随机游走的有效市场假说（EMH）提出了挑战。不同时间尺度上的重复模式表明存在潜在的可预测性，这增加了人们对技术分析的兴趣。

一个经典的例子是伯努瓦·曼德博（1963）的研究，他展示了棉花价格的分布自相似性以及稳定 Levy 分布在建模中的应用。

赫斯特指数（H）衡量长期记忆的程度：

• H > 0.5 — 趋势稳定；

• H < 0.5 — 均值回归；

• H = 0.5 — 随机游走。

它与 D 的分形维数有关，即 D = 2 - H。从实证角度来看，DAX 的 H 值约为 0.54，原油的 H 值约为 0.5224，这表明存在偏离随机行为的情况，并且存在持续性 — 这是市场可预测性的重要条件。

图 2.金融时间序列尺度不变性的演示。来源

金融时间序列尺度不变性的演示。曼特尼亚和斯坦利（1995）分析了在 1 至 1000 分钟不等的 Dt 时间间隔内观察到的标准普尔指数Z(t)变化的概率分布 P(Z)。随着 Dt 的增加，观察到概率分布的扩散，这是随机游走的特征。图中显示了概率分布的比例图。使用与 Levy 分布对应的缩放变换，将所有数据压缩为 Dt = 1 分钟分布，其中 a = 1.40。偏离平均行为的点可视为该分布噪声水平的表征。

金融时间序列的多重分形性：多维尺度分析

多重分形分析反映了市场动态的复杂性。与具有单一标度指数的单分形不同，多重分形的特征在于信号的局部正则性的变化，这种变化取决于统计矩的尺度和阶数。这意味着小幅度和大幅度价格波动遵循不同的标度律。

多重分形去趋势波动分析（MF-DFA）是评估多重分形性的关键方法之一，它利用广义赫斯特指数 H(q) 进行计算。其非线性特征表明存在多重分形结构。该方法对于分析具有重尾和长期相关性的非平稳序列特别有效。

其他方法包括多重分形条件扩散熵（MS-CDE）、移动平均（MF-DMA）和多重分形去趋势交叉相关分析（MF-DCCA），这些方法使得市场行为能够在不同的趋势和时间尺度上进行研究。

多重分形谱 f(α) 描述了奇异值的分布，并表征了市场的“粗糙度”。多重分形谱宽度（Δα）作为复杂性和风险的定量衡量指标，反映了尺度特征的异质性和极端事件发生的可能性。

图 3.BTC/USD 的 MF-DFA 价格分析。来源

分形金融结构中的对称性

分形可以是“精确的”（图案完全重复）或“统计的”（仅统计特性重复，引入随机性）。由于金融时间序列本身具有噪声和随机性，因此通常被视为统计分形。尽管在嘈杂的金融数据中，精确对称可能不太明显，但统计对称的概念（或其缺失）至关重要。

金融时间序列通常表现出不完全对称的统计特性，如重尾和不对称性，这是对正态分布对称性的偏离。这种统计不对称性是分形的一个关键特征。这意味着预测模型不能依赖于完美的模式重复，而应利用统计规律和概率预测方法。 

精确分形是通过在不同放大倍数下精确重复图案来构建的，而统计分形则通过打破精确重复来引入随机性，使得只有统计性质得以重复。金融市场本身嘈杂且复杂，使其更像统计分形，其中的模式并非完全可复制，但在不同尺度上具有相似的统计特性。在现实的金融建模中，精确分形与统计分形的区分至关重要。尽管精确分形的理论优雅性为其提供了概念基础，但在金融领域的实际应用中，应考虑到固有的“噪声”和“随机性”，这些因素使得金融分形具有统计意义。 

金融收益率的分布往往表现出不对称性（均值附近的偏斜）和峰度（重尾），与正态分布存在显著偏差。投资者通常更偏好正偏度和较轻的尾部，即极端损失的概率较低。

多重分形分析因其能够通过识别对上涨趋势和下跌趋势的不同反应以及不同的标度行为来捕捉不对称市场风险，而广受欢迎。研究表明，股票指数具有非对称多重分形特征，不同资产类型的分形谱存在显著差异。例如，在危机时期，石油价格下跌趋势中的多重分形性可能更高，而黄金价格上涨趋势中的多重分形性可能更高。

金融回报中观察到的非对称性，尤其是在多重分形特性方面，对简化的市场模型构成了直接挑战，并为风险管理和预测提供了一条具有挑战性的道路。认识到市场行为（以及其可预测性）在上升趋势、下降趋势或危机期间存在显著差异，这有助于开发出更具适应性和稳健性的交易策略，这些策略会将这些非线性、不对称的反应纳入考量。

图 4.时间序列统计对称性的一个示例。来源

与混沌理论的联系：不可预测性和奇异吸引子

混沌理论描述的是那些“对初始条件高度敏感”的系统，这意味着初始条件的微小误差都可能导致长期的剧烈变化。这一现象通常被称为“蝴蝶效应”。由于这种敏感性，以及混沌系统的非周期性行为、分形维数、非线性和奇异吸引子，混沌系统在长期内是不可预测的。

金融市场并非完全随机，而是在混沌、非周期性的结构中运行，这些结构被称为奇异吸引子，它们将价格行为限制在一定的范围内。
这种有限的不可预测性使得我们能够识别统计模式以及支撑位/阻力位。混沌吸引子的概念解释了为何价格会表现出重复但又不完全相同的变动。

埃德加·彼得斯（Edgar Peters）提出的分形市场假说（FMH）指出，市场数据具有分形结构，且该结构取决于投资期限。在危机期间，结构会崩溃，从而导致波动性增加和流动性下降。与有效市场假说（EMH）不同，分形市场假说（FMH）允许市场存在非有效性和可预测性时期，尤其是在压力条件下。

图 5.以洛伦兹吸引子为例的蝴蝶效应。交互式来源

金融市场的协同效应和自组织

协同学研究复杂系统的自组织现象，包括金融市场，在这些系统中，有序的分形结构会在没有集中控制的情况下出现。市场作为一个开放的、非线性的系统，在内部和外部因素的影响下，可以从混沌状态转变为有序状态。

金融市场具有自组织能力，通过反馈回路、信息流动以及参与者的集体行为，形成分形模式。这些模式并非外部效应，而是系统本身涌现出的特性。

这些动态解释了趋势的持续性、波动的聚集性以及“市场记忆效应”的存在，表明理解信息流动机制和投资者反应是分析和预测分形市场行为的关键。

分形和多重分形特征的预测特性

金融序列的分形和多重分形特征为市场分析提供了宝贵的工具。赫斯特指数（H）用于评估长期记忆：

• H > 0.5 — 稳定趋势，

• H < 0.5 — 均值回归，

• H ≈ 0.5 — 随机游走。

H 值较高有助于更准确地预测市场行为，并选择合适的策略：顺势而为或逆势而为。H 也被用于评估市场动荡和识别危机阶段。

多重分形分析揭示了市场的“粗糙程度”和大规模模式。多重分形谱宽度（Δα）可作为波动性、市场状况和潜在回报的预测指标。例如，MS-CDE 方法可以根据 α 的符号来区分牛市和熊市。

分形数据在算法交易中具有应用价值，有助于优化止损水平、头寸规模和投资组合结构的选择。自相似性分析有助于根据不断变化的市场条件调整策略。将分形维度与机器学习相结合，可以提高市场预测的准确性和风险管理的有效性。

 

定义对称分形结构

我们的方法与上述方法不同，后者主要用于风险评估。为了有效预测短期市场走势的方向，有必要确定预测的依据。理论部分已经介绍了奇异吸引子的概念以及由这些吸引子所描述的混沌模式。

换言之，在外部信息作用下，价格图表会形成某些重复结构 。市场参与者创造了一个复杂的动态系统，该系统包含记忆元素，这些记忆元素以特定的市场对称性（模式）的形式存在。这些模式可能会随时间演变，也可能会重复出现。由于分形市场结构的自相似性，模式可以在不同的时间尺度上表达。

首先，让我们考虑著名的曼德博集合以说明尺度上的自重复。

图 6.曼德博集合

曼德博集合可以被划分为彼此相似的独立部分（大与小）。这与价格图表有直接的类比之处，无论我们观察的时间段如何，价格图表都会形成相似的结构。如果我们在小时图和日线图上隐藏时间轴，普通交易者将很难区分每个图表所属的时间周期。

曼德博集合展现出与价格图表相似的分形结构和自相似性：其形状在不同的时间尺度上保持不变。如果我们隐藏刻度，就很难区分小时图和日图，就像曼德博集合的不同部分一样。

曼德博集合的关键性质：

• 紧致性和有界性：所有点都位于半径为 2 的圆内；如果模数超过 2，则该点不属于该集合。

• 连通性：尽管其视觉上复杂，但该集合是连续的。

• 近似自相似性： 结构在变化中重复。

• 沿实轴对称。

• 具有无限复杂性的分形边界。

其他要素：

• 主心形及其附属瓣：主要形状及其“卫星”，重复该集合的结构。

• 须状物和丝状物：形成单一连贯结构的细小连接。

• 与朱利亚集合的关联: 每个点 c 都对应一个朱利亚集合，该集合可能是连通的，也可能不是。

• 周期区域：序列 zn = zn² + c 收敛于一个周期的区域。这反映了导致混沌的倍周期分岔现象。这些区域在视觉上整理了集合的复杂性，并指出了稳定与混沌之间的过渡。

曼德博集合展示了简单规则如何产生复杂行为，揭示了其与混沌理论、分岔现象以及动态系统可视化的联系。其结构可作为分析市场动态、复杂周期和行为模式的模型。

因此，每个特定的朱利亚集合都可以定义为曼德博集合的一个独立构建块：

图 7.朱利亚集合是曼德博集合的子集。来源

为什么朱利亚集合具有吸引轨道？这就是曼德博集合和朱利亚集合之间的关键联系：

1. 与曼德博集合的关系：

   • 如果 c 参数属于曼德博集合（c∈M），则相应的朱利亚集合 J(fc​) 是连通的。在这种情况下，填充的朱利亚集合包含吸引轨道。这些吸引轨道（固定点或周期点）位于填充的朱利亚集合内部。
   • 如果 c 参数不属于曼德博集合（c∈/M），则相应的朱利亚集合 J(fc​) 是不连通的。在这种情况下，填充的朱利亚集合不包含吸引轨道（除非在无穷远处），所有点要么趋于无穷大，要么是该集合边界上复杂混沌动力学的一部分。

2. 吸引轨道在动力学中的作用：

• 吸引轨道（吸引子）是一系列点，附近的点会被这些点吸引。如果你从吸引轨道吸引盆内的某一点开始迭代，那么你的 zn 序列最终将接近这条轨道并保持在其附近。
• 当朱利亚集合是连通的（c∈M）时，这意味着存在一些点区域不会“逃逸”到无穷远。这些点“卡”在复平面的一个有限区域内。它们之所以这样做，是因为它们被位于填充朱利亚集合内部的吸引轨道（或一组这样的轨道）所吸引。

朱利亚集合作为“特定市场演化情景”的类比

对于每个特定的 c 值（即“曼德博景观”上的每个点），我们都能得到一个独一无二的朱利亚集合。这个集合描述了给定 c 时迭代的动态情况：哪些 z0 起始点是有界的（属于填充的朱利亚集合），它们将收敛到哪些吸引子，以及哪些将“逃逸”到无穷远。
对于给定的 c （它又代表“当前市场状态”或“一组现行参数”），每个特定的朱利亚集合都可以类比于特定时间点或给定“市场状态”下的市场行为。

• 如果 c 位于曼德博集合内（例如，在 3 周期“球状体”之一中），则相应的朱利亚集合将是连通的，并且将具有吸引轨道。在市场中，这可能意味着，尽管表面看起来很复杂，但市场会不断回归或围绕某些“有吸引力的”水平、价格或周期波动。这些可以是强劲的支撑位/阻力位，即价格倾向于回归的平均值（即均值回归）。
• 如果 c 在曼德博集合之外，则相应的朱利亚集合是不连通的（“法图尘埃”），并且没有吸引轨道（无穷远除外）。这或许类似于高度波动或“爆炸性”的市场状况，在这种状况下，价格没有“锚定”，往往会趋于无穷大（例如呈双曲线增长或崩溃），任何微小的扰动都会导致不可预测且截然不同的行为。任何基于“均值回归”的交易策略在这种情况下都会失败。

鉴于我们有众多类比可以证实将市场报价视为自相似分形的可能性，这促使我们思考此类结构的预测视野。

• 如果我们位于填充的朱利亚集合的“主体”内（即在法图区域内），那么我们的“预测视野”就相当大。我们可以肯定，该轨迹将趋向于一个吸引轨道。
• 如果我们位于边界上，也就是朱利亚集合本身，那么我们的“预测视野”趋近于零。起点的任何微小变化都可能使我们走上一条截然不同的道路。

因此，朱利亚集合的“可预测视野”不是固定的线或数字，而是取决于我们在复平面上相对于这些分形结构的位置。虽然法图集合具有一定的可预测性，但朱利亚集合几乎不存在这种可预测性。

我们将利用在专门讨论分形市场结构实际应用的文章中提出的函数，找到满足朱利亚分形性质的模式。它们各自都有自己的吸引中心（或轨道），用垂直虚线表示，图形会以该中心为轴，向过去与未来呈现镜像式对应。这意味着图表右侧的镜像与左侧将具有高度相关性。

图 8.EURUSD 中发现的分形

在图 8 中，发现了 3 个分形，它们的左右两部分彼此之间具有很强的相关性。也就是说，如果我们能预先知道吸引中心（吸引子或轨道）的位置，或者更确切地说，它在时间上的位置，我们就能很容易地预测未来的价格动态。当位于朱利亚分形区域（法图区域）时，市场会变得清晰且可预测。我们将利用分形的这一特性，通过机器学习来预测市场动态。

下图是我使用神经网络生成的，目的是直观地突出图中某一部分存在吸引子和吸引点。价格在轨道的明亮中心“舞动”，形成镜像对称结构。这张图片非常准确地传达了将要探讨的分形对称性的含义。您可以比较图 8 和图 9，以直观地理解市场分形的概念。 

图 9.金融图表上吸引子的可视化

分形理论在金融领域应用的挑战与局限性

尽管分形理论具有显著的预测潜力，但其在金融领域的应用仍面临诸多挑战和局限。众所周知，金融数据存在噪声，这使得识别清晰的自相似模式变得困难。金融时间序列往往是非平稳的，这意味着其统计特性会随时间变化，这给传统分析方法带来了挑战。需要可靠的方法来捕捉不断变化的市场动态。评估赫斯特指数的准确性可能颇具挑战。

赫斯特指数不是确定性的，因为它只能根据观测数据进行估计。金融数据固有的噪声和非平稳性给分形分析带来了重大的方法论障碍。尽管 MF-DFA 等先进方法旨在缓解这些问题，但它们在参数估计和模型验证方面引入了复杂性。这意味着，尽管分形特性具有预测潜力，但其提取和可靠应用需要复杂的数据预处理和稳健的统计测试，同时要认识到市场参数的动态性。 

此外，基于分形理论的复杂模型通常需要大量的计算资源和专业知识才能正确实现。在模型的复杂性与可解释性之间找到平衡至关重要。复杂模型能够捕捉数据中的复杂模式，但它们往往缺乏透明度，使得在实际应用中难以解释和使用。分析大型金融数据集需要大量的计算资源和可扩展的算法。

与复杂分形和多重分形模型相关的计算强度和可解释性问题，凸显了金融应用中的实际权衡。尽管这些模型能提供更深入的见解和潜在的更佳预测能力，但它们的实施需要深厚的技术专业知识，这可能会限制许多用户对其的访问和实时应用。 

引言部分的结论与研究展望

金融时间序列具有分形和多重分形特性，包括自相似性、长期记忆性（赫斯特指数）和尺度异质性（多重分形谱）。这些功能在传统方法的基础上进行了拓展，能够更准确地预测趋势、波动性和市场模式。

分形分析为自适应算法策略和改进的风险管理开辟了道路，这些策略和管理考虑到了市场的非线性和不对称性。其进一步发展需要与机器学习、大数据分析相结合，并构建能够考虑市场状态动力学和数据流影响的模型。

未来的研究应重点关注：

• 自适应多重分形模型；
• 噪声条件下参数估计的稳定性；
• 研究市场自组织中的因果关系；
• 寻找“最佳复杂度范围”作为市场可持续性的指标。

分形分析的未来在于其与人工智能的协同作用，从而催生出“混沌学习”：基于市场表面混沌现象的定量预测。