TASC 2025.01 Linear Predictive Filters

技术分析的世界里，有一个长期被忽视的“房间里的大象”——几乎所有经典指标都默认市场周期是固定的。当你给移动平均线设置20这个参数时，潜意识里就假设了“最近20根K线”是捕捉市场趋势的最优窗口。但市场真的会遵守这个假设吗？显然不会。牛熊切换、波动率扩张与收缩、不同品种的微观结构差异，都会让“最优周期”像流动的沙丘一样不断漂移。

于是，一个激进的问题浮出水面：能不能先测量出当前市场的主导周期，再反过来决定技术指标的参数？这正是John Ehlers在其最新研究中一直探索的方向。在TASC（Technical Analysis of Stocks & Commodities）2025年1月刊的Traders' Tips专栏中，他带来了一个名为“线性预测滤波器与瞬时频率”的工具套件，为这个问题提供了一个引人入胜的答案。

策略解读

静态参数与市场节律的错位

所有基于移动平均的指标（均线、MACD、RSI等）背后都隐藏着一个线性时不变假设：市场的周期结构在时间上保持一致。但在真实的金融市场中，这个假设几乎不成立。一个明显的例证是：同一套均线参数在趋势行情中的表现与在震荡行情中的表现天差地别，而这种“失灵”并不是指标本身的错，而是参数的周期假设与市场的实际周期不匹配。

Ehlers提出的解决思路是二段式的：先测量，后适应。

第一段是“测量”。用自相关分析、频谱估计、线性预测等技术，求解出当前价格数据中最具影响力的那个周期长度，称为主导周期（Dominant Cycle）。第二段是“适应”。将计算出的主导周期注入到指标公式中，让原本静态的回看窗口自动跟随市场中周期的变化而变化。

这种“先识别周期、再自适应指标”的思路，在Ehlers过去数十年的研究中一脉相承。但这次的创新点在于引入了“线性预测滤波器”与“瞬时频率”两个具体工具，使得周期估计比传统傅里叶变换或最大熵谱分析更加实时、更加适合短样本。

线性预测：从历史中“外推”当前

线性预测滤波器的核心思想，是用N个历史数据点的线性组合来逼近当前数据点。如果价格序列确实存在周期性，那么历史数据之间的相关结构本身就包含了周期的信息。滤波器通过最小化预测误差，可以求出最能够表征当前序列动态的最优权重向量，从而把价格中的周期成分提取出来。

从实用角度看，用线性预测滤波器计算出的信号相比传统移动平均具有更小的相位延迟，这就为后续计算瞬时频率提供了干净、实时的输入。本质上，它不是在“平均”过去，而是在“外推”现在。

瞬时频率：测量周期的“速度”

很多人熟悉“频率”的概念，指的是单位时间内周期振荡的次数。而“瞬时频率”更进一步：它允许频率随时间变化，描述的是信号在每一个时间点上的“局部周期”。

在实现上，瞬时频率通常通过对信号与其正交分量构成的解析信号取相位，再对相位求导数得到。如果当前市场是20个交易日一个循环，瞬时频率会告诉你此刻精确的周期长度大约是20；当市场切换到27天一个循环，它也能在若干个K线内检测到这个变化。有了瞬时的周期读数，指标参数就能够在每根K线上实时更新。

名词解释

为了帮助读者更好地理解上述策略原理，这里集中解释几个核心术语。

1. 主导周期（Dominant Cycle） 在一个包含多个周期成分的时间序列中，振幅最大、对序列波动贡献最显著的周期成分。识别主导周期是自适应指标设计的第一步。用“心跳”来比喻：市场像人体，心率随状态变化，主导周期就是“当前市场的心跳节奏”。

2. 线性预测滤波器（Linear Predictive Filter） 利用信号过去若干采样点的线性组合来估计当前或未来采样点的滤波器。其系数通常通过最小化预测误差的方法（如自相关法或协方差法）求解，能够从有限样本中提取信号的周期结构。简单来说，它就像天气预报里先用前几天的大气状态线性外推出今天的天气一样，只不过这里的“天气”换成了价格。

3. 瞬时频率（Instantaneous Frequency） 信号相位函数关于时间的一阶导数。它刻画的是信号在某一具体时刻所具有的“局部频率”，反映周期长度随时间的变化节奏。它不再是仪表盘上一个恒定的速度读数，而是像汽车时速表一样随路况实时变化。

4. 自相关函数（Autocorrelation Function） 一个信号与自身在滞后若干个时间点后的副本之间的相关性度量。自相关函数的峰值位置能够直接揭示出数据中隐藏的周期长度。把序列平移若干根K线后与自身比较，如果波峰波谷恰好对齐，说明找到了一个潜在的循环长度。

5. 零滞后（Zero Lag） 理想情况下输出信号与输入信号之间不存在相位延迟的特性。传统移动平均必然产生滞后，而线性预测滤波器通过利用数据内部的预测关系可以在一定程度上逼近零滞后。这对交易的意义在于：信号发出得越早，执行价格越有利。

6. 自适应指标（Adaptive Indicator） 能够根据当前市场状态动态调整其核心参数（如回看长度、灵敏度）的技术指标，目的是让指标始终匹配当下的市场节律。普通的均线是“固定的尺子”，自适应均线则是“能自动伸缩的尺子”。

7. 频谱分析（Spectral Analysis） 将时间序列从时间域变换到频率域，观察能量在不同频率（即周期）上如何分布的分析方法。经典工具包括傅里叶变换与最大熵谱分析。好比把一段音乐分解成不同的音符，频谱分析能告诉你“市场这首曲子”里哪些音符（周期）最有分量。

策略思路讲解

严格来说，这套方法不是一个现成的“买卖信号”，而是一个“测量仪表盘”套件。它的完整操作流程可以分为五个环节。

第一步：确认周期是否存在。 在一个完全随机游走的序列中谈论周期没有意义。因此，第一步通常是用自相关函数检查当前价格序列的自相关结构。如果序列中存在周期性，自相关函数会在特定滞后长度处出现明显的峰值。这个峰值所对应的滞后值就是候选主导周期。

第二步：用线性预测滤波器提取周期分量。 在确认周期存在之后，构造一个多阶线性预测器，借助其系数计算出当前序列的周期。线性预测的优势是它只用少数最近几根K线的信息就能形成估计，因此反应速度远快于传统需要一整段长数据的频谱方法。

第三步：用瞬时频率跟踪周期变化。 当一个周期运行到某阶段而市场状态正在切换时，瞬时频率会提前通过相位变化率的异常来发出“节律改变”的信号。这种信号可以作为自适应参数更新的触发条件，也可以单独作为市场状态切换的预警。

第四步：将主导周期映射到指标参数中。 为了让策略真正受益于周期测量，需要完成最终的映射。例如：均线周期设为当前主导周期的长度（或该长度的一半，用于捕捉更快节奏的价格波动）；RSI、随机指标的敏感度参数按照周期长度进行缩放；布林带等波动率指标的倍数设置也可依据周期做调整。

第五步：实战决策。 经过上述四步，传统指标便从“固定参数的刚性系统”变成了“参数随市场呼吸的柔性系统”。在实战中，交易者可以把这套测量工具加在原有的趋势策略或震荡策略之前，先识别当下处于什么“节奏”的市场，再决定操作参数。例如，当瞬时频率显示周期正在缩短时，说明市场可能从趋势转入震荡，此时降低趋势策略的仓位、转向短线高抛低吸思路会比较合适。

优点

• 动态适应性：参数跟随主导周期变化，能够自动适应不同市场环境，免去频繁人工调参的烦恼。
• 低滞后特性：线性预测滤波器相比相同窗口的传统移动平均线具有更小的相位延迟，响应更及时，信号更早发出。
• 理论基础扎实：源于数字信号处理领域，有维纳滤波、线性预测编码、谱估计等成熟的数学体系支撑，不是经验性的画线工具。
• 强大的兼容性：周期估计结果可以作为“元参数”提供给任何指标或策略使用，属于开放式框架，而不是一个孤立的黑箱。
• 提前预警能力：瞬时频率的异常变化可以在价格趋势确认前提示市场节律切换，为风控争取时间。
• 多周期通用：既可以用于分钟级别，也可以用于日线、周线级别，只需调整参数约束范围，适用面较广。

缺点

• 计算复杂度高：涉及矩阵求解、相位计算等较重的数值运算，对实时回测平台的性能有一定要求。
• 参数仍然敏感：滤波器阶数、平滑系数、周期上下限等依然需要交易者凭经验设置，处理不当容易产生误导信号。
• 无周期市场下失效：在纯随机游走或强烈单边趋势（低频运动）中，周期估计可能给出无意义的读数，甚至产生虚假信号。
• 参数切换抖动：主导周期估计值可能在相邻K线间突然跳变，导致自适应指标参数反复横跳，影响信号稳定性。
• 学习门槛较高：对不具备信号处理基础的中小散投资者而言，理解并调试这套方法有较大挑战，容易误用。
• 数据长度依赖：虽然比传统谱分析更短，但仍需要足够的样本量才能获得稳定的自相关估计，在刚上市不久的品种上表现不稳定。

起源年份考证

需要说明的是，以下时间线是对“该类方法”（将数字信号处理与自适应周期技术应用于金融市场交易）的来源考证，而非对这个具体实现版本的精确考证。

• 1940年代前后：维纳（Norbert Wiener）与柯尔莫哥洛夫（Andrey Kolmogorov）分别提出平稳时间序列的最佳线性预测理论，奠定了线性预测滤波器的数学基础。
• 1967年：John Parker Burg提出了最大熵谱估计方法（Burg算法），极大改善了短序列下的频率估计精度；同期，线性预测编码（LPC）在语音通信领域迅速发展。
• 1970-1980年代：数字信号处理技术逐步从军工和通信领域外溢到金融研究，一些量化研究者尝试利用谱分析寻找市场周期。
• 1980年代末至1990年代初：John Ehlers在《Technical Analysis of Stocks & Commodities》上发表多篇应用MESA与自适应周期指标的文章，让主流技术分析界开始关注“周期测量-指标自适应”的思路。
• 2001年：Ehlers出版《Rocket Science for Traders》，系统总结了数字信号处理在交易中的应用，包括希尔伯特变换、有理数滤波器等。
• 2004年：Ehlers出版《Cybernetic Analysis for Stocks and Futures》，进一步完善周期测量与自适应指标体系。
• 2025年1月：TASC Traders' Tips专栏发布文章《Linear Predictive Filters And Instantaneous Frequency》，将线性预测滤波器与瞬时频率作为组合工具套件正式介绍给全球交易者。

从上述脉络可以看出，线性预测与瞬时频率并非2025年才凭空出现的概念，它们的理论根源可以追溯到20世纪中期；Ehlers的贡献在于将两者巧妙地结合成一套易用的、面向实时交易的自适应周期测度工具。

改进建议

1. 为周期估计结果增加中值滤波或卡尔曼平滑。直接使用原始的主导周期读数可能导致参数频繁切换，在输入到指标之前，用平滑器在时间上做一次过滤，可以显著提高信号稳定性。

2. 设定周期估计的合理上下界。不同的品种和时间框架下，有意义的周期长度范围差异很大。例如，股指期货的日内周期可能只有5到20根K线，而现货黄金的日线周期可能在20到60根之间。设置上下界既能防止错误读数，也能减少计算负担。

3. 增加市场状态门控机制。在估计出主导周期之后，先判断该周期的“统计显著性”。如果自相关峰值微弱或频谱能量分散，应认为当前不存在明显周期，此时退回固定参数策略或采用趋势跟随模式，从而避免在无周期市场中强行自适应。

4. 采用多方法交叉验证。将线性预测滤波器的周期输出与自相关峰值法、快速傅里叶变换主峰法进行交叉对比；只有当几种方法给出的周期估计大体一致时才采纳，否则等待下一根K线再判断。

5. 引入样本外稳健性测试。对每个交易品种和周期，使用滚动窗口（如Walk-Forward Analysis）来测试线性预测滤波器的阶数和平滑参数是否在多个不重叠时间段上保持一致，降低过拟合风险。

6. 将周期测量结果与仓位管理结合。比如周期变短意味着市场波动率上升、行情可能进入快速切换阶段，此时可以降低单笔风险敞口；周期变长则表明趋势相对持续，可适度增加仓位。

7. 进行多时间框架共振验证。在一个较大级别（如周线）确认主导周期后，再在较小级别（如日线）使用该周期指导入场，形成“上级周期定方向、下级周期定时机”的体系，能有效减少假信号的干扰。

总结

线性预测滤波器与瞬时频率的组合，提供了一种从“静态指标”走向“自适应指标”的实现路径。它的核心不是替交易者做交易决策，而是让交易者了解“当前市场处于什么节奏中”——市场是处在20日循环还是40日循环？这个循环正在加速还是减速？这些信息比某条均线的金叉死叉更具本源意义。

当然，任何从信号处理领域移植过来的工具都有其适用边界。当市场不存在周期性时，再精巧的滤波器也无法变出周期。因此，这套方法的正确使用姿势是：把它当作决策流程中的“节奏测量仪”，而不是“万能圣杯”。对于已经有成熟交易框架、且愿意在参数自适应方向上投入研究精力的交易者而言，这套工具无疑值得深入探索。

技术分析的未来，也许不是发明更多“更敏感”的指标，而是让指标学会感知市场自身的节律。线性预测滤波器与瞬时频率，正是这条路上的一个坚实脚印。