案例:A股市场筹码分布对趋势的影响

筹码分布是股市的地形图，它定义为当前持股者的建仓成本分布，按照行为金融学的研究，投资者的交易决策，很显著地与其浮动盈亏有关，市场的情绪也直接决定于投资群体的盈亏状态。而且，起决定性影响的是当前持仓的盈亏值，历史上曾做过的交易，只要平仓了，其对心理的影响力随时间迅速弱化。

首先我们来看 000931 中关村，在 2000 年 1 月到 3 月之间，中关村的主力通吃套牢密集区，拉升股价，累计涨幅 100%以上。当股价处于高位以后，经过充分的换手。通过指南针筹码分布显示，筹码已经从低位转移到高位，这表明在高位庄家开始派发筹码。当主力派发完毕以后，股价即开始反转下跌。这时在顶部所形成的筹码长峰便是散户追涨跟风的套牢密集区。

从图可以看出中关村在股价见顶后一直到现在长打三年多的下跌过程中，上方的套牢密集峰一直没有充分的转移下来。股价在下跌的过程中不断出现多个密集峰，而始终没有在底部形成充分的筹码转移，股价也处于一路下跌的过程中。

当主力在高位派发完筹码以后，股价即进入下跌趋势。若要诞生新的行情，则需要在上方被套牢的筹码再次向下转移，主力在底部完成充分的吸筹过程。

在股价的下跌过程中如果上方被套牢的筹码没有充分的向下转移，则说明这时即使有庄家准备进场吸筹也完成不了充分的吸筹过程，且当股价每次上涨到上方套牢密集峰的下沿时，将会因为遇到套牢盘解套所形成的沉重抛压而反转下跌。

市场经过一次牛市之后，需要上方套牢盘割肉，使成本分布向下移，直到市场的成本分布稳定才可能继续产生新的行情。

数字货币市场有数字货币市场的逻辑。比特币和以太坊除了市场参与者的成本外，还有维护市场交易的矿工成本，而矿工的成本是不断升高的，矿工只会高于成本卖出比特币或者以太坊，所以新挖出的数字货币不会造成数字货币的价格下跌，除非市场的价格已经远远超出了数字货币的挖掘成本，那么就会有获利盘抛出自己的数字货币，提高数字货币的挖矿成本，而部分矿工则会卖出自己挖到的数字货币，使价格回到合理价位——矿工的维护成本以及市场的合理需求。

当然比特币逐年上涨的原因在于其挖矿的设计，每四年就会提升一次算力，而且挖出的数字货币数量会减半，这将大幅增加比特币的生产成本，市场上最大的庄家——成本也会上升，最终引起比特币价格的升值。

收集历史资料，加以整理，编成时间序列，并根据时间序列绘成统计图。时间序列分析通常是把各种可能发生作用的因素进行分类，传统的分类方法是按各种因素的特点或影响效果分为四大类：

(1)长期趋势；

(2)季节变动；

(3)循环变动；

(4)不规则变动。

时间序列中的每一时期的数值都是由许许多多不同的因素同时发生作用后的综合结果。

求时间序列的长期趋势(T)，季节变动(s)，不规则变动(I)的值，并选定近似的数学模式来代表它们。对于数学模式中的诸未知参数，使用合适的技术方法求出其值。

利用时间序列资料求出长期趋势、季节变动和不规则变动的数学模型后，就可以利用它来预测未来的长期趋势值T和季节变动值s，在可能的情况下预测不规则变动值I。然后用以下模式计算出未来的时间序列的预测值Y：

加法模式T+S+I=Y

乘法模式T×S×I=Y

如果不规则变动的预测值难以求得，就只求长期趋势和季节变动的预测值，以两者相乘之积或相加之和为时间序列的预测值。如果经济现象本身没有季节变动或不需预测分季分月的资料，则长期趋势的预测值就是时间序列的预测值，即T=Y。但要注意这个预测值只反映现象未来的发展趋势，即使很准确的趋势线在按时间顺序的观察方面所起的作用，本质上也只是一个平均数的作用，实际值将围绕着它上下波动。

◆时间序列分析法是根据过去的变化趋势预测未来的发展,它的前提是假定事物的过去延续到未来。

时间序列分析,正是根据客观事物发展的连续规律性,运用过去的历史数据,通过统计分析,进一步推测未来的发展趋势。事物的过去会延续到未来这个假设前提包含两层含义:一是不会发生突然的跳跃变化,是以相对小的步伐前进;二是过去和当前的现象可能表明现在和将来活动的发展变化趋向。这就决定了在一般情况下,时间序列分析法对于短、近期预测比较显著,但如延伸到更远的将来,就会出现很大的局限性,导致预测值偏离实际较大而使决策失误。

◆时间序列数据变动存在着规律性与不规律性

时间序列中的每个观察值大小,是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看,这些因素造成的时间序列数据的变动分为四种类型。

(1)趋势性:某个变量随着时间进展或自变量变化,呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向,但变动幅度可能不相等。

(2)周期性:某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。

(3)随机性:个别为随机变动,整体呈统计规律。

(4)综合性:实际变化情况是几种变动的叠加或组合。预测时设法过滤除去不规则变动,突出反映趋势性和周期性变动。

简单序时平均数法

称算术平均法。即把若干历史时期的统计数值作为观察值，求出算术平均数作为下期预测值。这种方法基于下列假设：“过去这样，今后也将这样”，把近期和远期数据等同化和平均化，因此只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。

加权序时平均数法

就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。

简单移动平均法

就是相继移动计算若干时期的算术平均数作为下期预测值。

加权移动平均法

即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。

评价

指数平滑法

即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。此法实质是由内加权移动平均法演变而来的一种方法，优点是只要有上期实际数和上期预测值，就可计算下期的预测值，这样可以节省很多数据和处理数据的时间，减少数据的存储量，方法简便。是国外广泛使用的一种短期预测方法。

季节趋势预测法

根据经济事物每年重复出现的周期性季节变动指数，预测其季节性变动趋势。推算季节性指数可采用不同的方法，常用的方法有季(月)别平均法和移动平均法两种：

a．季(月)别平均法。就是把各年度的数值分季(或月)加以平均，除以各年季(或月)的总平均数，得出各季(月)指数。这种方法可以用来分析生产、销售、原材料储备、预计资金周转需要量等方面的经济事物的季节性变动；

b．移动平均法。即应用移动平均数计算比例求典型季节指数。

市场寿命周期预测法

就是对产品市场寿命周期的分析研究。例如对处于成长期的产品预测其销售量，最常用的一种方法就是根据统计资料，按时间序列画成曲线图，再将曲线外延，即得到未来销售发展趋势。最简单的外延方法是直线外延法，适用于对耐用消费品的预测。这种方法简单、直观、易于掌握。