均衡相关梳理

最新推荐文章于 2026-06-22 19:04:06 发布

原创最新推荐文章于 2026-06-22 19:04:06 发布 · 64 阅读

2 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#算法

收录于

在这里插入图片描述

系统从“趋势主导”转向“回归/耗散主导”
在不同领域对应不同名称：

领域	概念
几何	一阶导数（斜率），二阶导数（曲率）
统计	均值回归（Mean Reversion）Ornstein–Uhlenbeck 过程
动力系统	稳定吸引子
随机过程	Hurst 指数
信号处理	能量耗散-dissipative system
分形	维度增加
复杂系统	临界减速

“人类视觉的模式识别”

而数学可以把它转成三类量：

1️⃣ 斜率
2️⃣ 曲率
3️⃣ 路径复杂度

组合起来就可以自动检测：什么时候趋势已经耗尽

“趋势耗尽指数（Trend Exhaustion Index）”

核心思想：当趋势强度下降，同时曲率和路径复杂度上升时，趋势进入耗尽状态。
它可以在时间序列中自动找到“下跌已经走不动”的位置。

import numpy as np
def trend_exhaustion_index(x, w=20, eps=1e-8):
    x = np.asarray(x)
    # 一阶导
    v = np.diff(x, prepend=x[0])
    # 二阶导
    a = np.diff(v, prepend=v[0])
    # 趋势强度
    T = np.convolve(np.abs(v), np.ones(w)/w, mode='same')
    # 曲率
    C = np.convolve(np.abs(a), np.ones(w)/w, mode='same')
    # 路径长度
    L = np.convolve(np.abs(v), np.ones(w), mode='same')
    # 直线距离
    D = np.abs(x - np.roll(x, w))
    D[:w] = np.abs(x[:w] - x[0])
    R = L / (D + eps)
    # 趋势衰减
    T_prev = np.roll(T, w)
    T_prev[:w] = T[0]
    decay = (T_prev - T) / (T_prev + eps)
    TEI = decay * (C/(T+eps)) * R
    return TEI