机器学习算法常用指标总结
考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被 预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false negative）。
一. TPR、FPR&TNR
从列联表引入两个新名词。其一是真正类率(true positive rate ,TPR),
TPR = 四种最常见的技术指标类型 TP / (TP + FN)
刻画的是分类器所识别出的正实例占所有正实例的比例。另外一个是负正类率(false positive rate, FPR),计算公式为
FPR = FP / (FP + TN)
计算的是分类器错认为正类的负实例占所有负实例的比例。还有一个真负类率（True Negative Rate，TNR），也称为specificity，计算公式为
TNR = TN /(FP + TN) = 1 - FPR
二、 精确率Precision、召回率Recall和F1值
精确率（正确率）和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。
Precision = 提取出的正确信息条数 / 提取出的信息条数
Recall = 提取出的正确信息条数 / 样本中的信息条数
F1值 = 正确率 * 召回率 * 2 / (正确率 + 召回率)
不妨举这样一个例子：
正确率 = 700 / (700 + 200 + 100) = 70%
召回率 = 700 / 1400 = 50%
F1值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
正确率 = 1400 / (1400 + 300 + 300) = 70%
召回率 = 1400 / 1400 = 100%
F1值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
当然希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么比如Recall是100%，但是Precision就会很低。因此在不同的场合中需要自己判断希望Precision比较高或是Recall比较高。如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。
三、综合评价指标F-measure
F-Measure是Precision和Recall加权调和平均：
四、ROC曲线和AUC
4.1 为什么引入ROC曲线？
Motivation1：在一个二分类模型中，对于所得到的连续结果，假设已确定一个阀值，比如说 0.四种最常见的技术指标类型 6，大于这个值的实例划归为正类，小于这个值则划到负类中。如果减小阀值，减到0.5，固然能识别出更多的正类，也就是提高了识别出的正例占所有正例 的比类，即TPR,但同时也将更多的负实例当作了正实例，即提高了FPR。为了形象化这一变化，引入ROC，ROC曲线可以用于评价一个分类器。
Motivation2：在类不平衡的情况下,如正样本90个,负样本10个,直接把所有样本分类为正样本,得到识别率为90%。但这显然是没有意义的。单纯根据Precision和Recall来衡量算法的优劣已经不能表征这种病态问题。
4.2 什么是ROC曲线？
ROC（Receiver Operating Characteristic）翻译为"接受者操作特性曲线"。曲线由两个变量1-specificity 和 四种最常见的技术指标类型 Sensitivity绘制. 1-specificity=FPR，即负正类率。Sensitivity即是真正类率，TPR(True positive rate),反映了正类覆盖程度。这个组合以1-specificity对sensitivity,即是以代价(costs)对收益(benefits)。
此外，ROC曲线还可以用来计算“均值平均精度”（mean average precision），这是当你通过改变阈值来选择最好的结果时所得到的平均精度（PPV）。
外汇技术知识：炒外汇需要指标吗?
外汇最依赖的就是各种技术指标，这其实也是一种无奈。不靠指标靠什么?在运用指标选货币对时往往有很大的缺陷，须加以注意。不过太过复杂的指标反而会干扰到投资者的正常分析，一般来讲只需要掌握几个比较常用的指标就已经足够了，那么炒外汇常用的指标有哪些呢? 500)this.width=500' align='center' hspace=10 vspace=10 rel='nofollow'/> 一、MACD指标
【研究】关于波动率指标SD与ATR的研究（一）
为了对价格运行的趋势加以确认，我们可以基于波动率来构建相应的趋势突破技术系统。度量波动率的指标很多，他们之间有什么不同呢？哪一种波动率指标构成的技术系统能更好的确认一个趋势的开始及结束呢？
1. 什么是“好的”波动率指标？
为了描述价格运行过程中变动的速度和幅度，我们通常使用波动率这一指标。所有的波动率测度方法都是为了描述市场在某一段特定时期的变化，是一种市场价格分散度或变动状态的度量指标。有些波动率指标会随时间变化而发生剧烈变动，而另一些则相对较为平稳；有些波动率指标的计算包含了过去时间窗口的所有数据点，而另一些则只包含了一些极端的点。那么，不同的波动率测度指标之间是否有好坏之分呢？
从某种意义上说，该定义主要强调波动率测度指标在市场发生趋势性变化时的表现，因而比较适合基于“好的”的波动率指标构建趋势突破交易系统。
2. 常见的波动率测度指标： SD和ATR
一般常见的波动率测度指标有四种类型：通过最高价和最低价衍生得到的价格波动区间、价格围绕趋势线的分散程度、历史波动率以及由期权定价反推出来的隐含波动率。四种波动率测度类型中， Perry J. Kaufman 首推 ATR(Average True Range)，所以它成为了本文首先选择的研究对象。在 John Bollinger 选择波动率指标构造布林带时，他考虑了七种计算方法，但最终选中了 SD(Standard Deviation)，因此 SD 成为了本文的第二个研究对象。
SD指标
SD 是用来分析数据离散度时使用得最为广泛的一种测度指标，在正态分布假设下，SD 可以帮助我们很好的刻画价格分布特征。它的定义如下：
其中 m 是过去 N 个时间点数据的平均值，也即通常所谓的时间窗宽。John Bollinger通过从当前移动平均价格中增加或减少某个倍数的 SD 值来构造布林带（ BollingerBand），它是一种广泛用来检验价格和趋势的技术指标。常用的时间窗宽为 20，构造布林带的乘数因子为 2。
ATR指标
ATR 是由 Wilder 在他的“New Concepts in Technical Trading Strategies”一书中提出的。一般来说，一段时期内的价格波动可以定义为这段时期内的最高价与最低价之间的差值，但该定义忽略了另外一个事实：一个时间段到下一个时间段之间价格可能出现跳跃，从而使得一个时间段内的最低(高)价在前一个时间段的收盘价之上(下)。真实波动区间(True Range，记成 TR)的想法即由此而来，被定义为以下三个值的最大者：最高价减最低价、最高价减前收盘价、最低价减前收盘价。 Wilder 推荐使用 14 天为时间段，并且给出了相应的波动率指标 ATR(Average True Range)计算公式：
式中N为窗口天数，如14或者20等。 式中：
ATR的思想可以从很早的技术分析文献中找到，最有名的一个技术交易系统是Keltner Band。 Keltner Band 的具体构造方法与布林带类似，也是从当前移动平均价格中增加或减少某个倍数的 ATR 值来构造价格波动区间的上下界。
3. SD和ATR优缺点的理论分析
为从理论上探讨 SD 和 ATR 这两个波动率指标的优缺点，我们通过设定某些简单的价格变动情境（图 1-图 4）来进行对比分析。每种情境，也即每个图中的结果通过三个部分来展示：最上面的部分展示了所设定的价格变动情境；第二个部分展示了相应的 SD指标变动；第三部分展示了相应的 ATR 指标变动。
图 1 给出的是价格从盘整阶段向上涨趋势转化的过程。注意到这里所有的单根 K 线形态都是一样的，唯一不同的是 K 线的移动方向；计算 SD 和 ATR 所采用的时间窗口都是 20。在这种情境下， ATR 一直保持着较高的水平；但是对于 SD 则不同， SD 随着趋势的不断演绎而逐步抬升，直到 20 个交易日之后才处于一个正常的稳定水平。这意味着在这种情境下 SD 无法很好的描述新的价格变化方向上正常的波动状态，而 ATR 则能较好的完成这一任务。
图1 价格变动情境 1：盘整向趋势的转化
图 2 给出了一个不带缺口的趋势反转情境。这种情境下 ATR 仍然可以稳定的保持着较高的水平，也即它能对新的价格运行方向上的波动状态进行有效的刻画；但 SD 的表现则明显不同，在新的价格趋势刚开始时， SD 会因为趋势方向的改变而缓慢下降，直到新趋势持续了一段时间后才开始缓慢上升并且最终回到它的正常值。
图 2 价格变动情境 2：不带缺口的趋势逆转
图 3 给出了趋势反转且 K 线之间出现缺口的情境。新趋势中缺口的出现意味着新趋势的波动状态高于原有趋势。这种情境下， ATR 对新趋势也有一定的适应过程，在新趋势的运行过程中逐步变大，直到一段时间后才稳定在一个较高的水平；但 SD 在适应新趋势时又一次表现出对趋势逆转时波动率提升的错误描述，它在新趋势刚开始出现时先缓慢下降，直到新趋势延续了较长时间后才开始逐步由底部抬升，并最终稳定在新的正常水平。
图 3 价格变动情境 3：带缺口的趋势逆转
图 4 的情境中有关 K 线的设定有所不同，在最初的下行趋势结束后，新 K 线首先保持不变， 20 天后其上下影线均逐步变大，这意味着此时单根 K 线内的波动程度在逐步变大，实际上也就是区间内的波动率在逐步提升。在下行趋势刚结束时，由于新 K 线保持在一个稳定的水平位置，真实的波动率比较小，此时 ATR 一直处于一个较低的水平，而SD 则是从一个非常高的值逐步下降到 0；当新 K 线的上下影线逐步变长时，我们发现ATR 指标开始逐步上升，恰好对应了此时波动率的变化，而 SD 则继续在 0 位置保持不动。
图 4 价格变动情境 4：单根 K 线内波动幅度逐步增大
此外，整体来看，从以上 4 个图可以得到的另外一个重要结论是： SD 指标本身的波动比 ATR 要大。
下图以沪深 300 为例，给出了 2010-01-01 日到 2016-03-21日 K 线计算得到的 SD 和ATR 序列，所使用的时间窗宽均为 20。绿色线表示 SD 序列，蓝色的线表示 ATR 序列，红色的线为沪深 300 指数。由该图明显可以看出，由 SD 计算得到的波动率指标的波动性明显要大于基于 ATR 得到的波动率指标。
四种最常见的技术指标类型
重点关注价量——这才是最好用的技术指标
往期的《交易智慧》专栏曾经对各类指标的历史回报率做过统计，也对常用技术指标做了个分类归纳，但这些指标用起来依然感觉挺繁杂。而交易搞得越复杂，就越容易失败，因此我们要回归本质，尽量简单。
有针对性地做减法——适当组合可降低出错率
合理的风险管理计划，心态也很重要
以下内容精选自金十交易员日志集合：
K线及其组合形态、均线及其组合、 MACD、 RSI、KDJ、布林带、趋势线、通道线、黄金分割及其扩展线、抛物线Parabolic SAR、分形指标Fractals等等等等，当初对这些技术指标学起来如痴如醉，当然也是又爱又恨，可以说是爱之有多深，恨之就有多切。回头再来看看这些，当初忽略了什么呢，对的，那就是价位及市场情绪。市场是由交易组成的，而交易是由人进行的，而人是有情绪的，所有交易者的情绪综合起来就是市场情绪，而这才是本质也才是最重要的。可曾听说过一句话，什么压力支撑位，那就是拿来突破的。
所以，别光看指标，学得精的人多的是，但更重要的不是这些，而其本质是市场对这个价位的情绪。技术指标只是辅助了我们去了解市场对这个价位是否认可。技术指标不说不重要，但别沉迷，它只是让我们能有个途径去提前预判某个位置是否关键，让我们有个窗口去了解与解读市场对价位的反应。现在的机构其实并不用上面那些指标来交易，而是量价结合，这就是市场情绪，它从量上体现了对此价位是否认可，而不是所谓指标，再回过头来看，什么是指标，无非就是以历史收盘价以某种方式体现出来的各种技术线罢了，而这些有用的前提是走势的可持续性，若不可持续呢？这就是为什么我们对指标恨之切的原因了吧。