均值回归区间是如何计算的
直接答案
均值回归区间是通过从近期数据中选取一个中心值（中点），然后向外扩展一个代表价格通常波动幅度的离散度量来计算的。一种常见且可验证的形式是：
均值回归区间（上下带）
- 中点： (M_t)
- 离散度： (D_t)
- 下界： (L_t = M_t - k,D_t)
- 上界： (U_t = M_t + k,D_t)
这里，(k) 是一个用于调整带宽的乘数。要计算 (M_t) 和 (D_t)，你必须定义：
- “近期数据” 的含义（回溯窗口），
- 使用哪个价格序列，以及
- 如何衡量离散度。
机制与定义：术语含义
要计算均值回归区间，请将其视为一个统计“带”，而非交易信号。
1) 选择中点 (M_t)
中点是窗口内价格的重心估计值。常见的选择包括：
- 简单移动平均（SMA）： 最近 (N) 个观测值的算术平均。
- 指数移动平均（EMA）： 对近期变化反应更快的加权平均。
- 中位数（对异常值不敏感）： 最近 (N) 个观测值的中间值。
这些都属于有效的中点定义，但会产生不同的带状行为。
2) 选择离散度 (D_t)
离散度代表围绕中点的典型偏差。广泛使用的离散度选择是标准差：
- 给定观测值 (x_{t-N+1}, \dots, x_t)，
- 标准差： (\sigma_t = \sqrt{\frac{1}{N-1}\sum_{i=0}^{N-1}(x_{t-i}-M_t)^2})
然后设 (D_t = \sigma_t)。
如果公式明确说明，也可以使用其他离散度定义，例如：
- 类似平均真实波幅（ATR）的离散度（使用高低收关系，而不仅限于单一价格序列），
- 平均绝对偏差（MAD）（使用平均绝对距离，通常比平方偏差更不敏感）。
3) 选择 (k)，即带宽乘数
乘数 (k) 控制上下边界有多宽。
- 较高的 (k) 通常产生更宽的带。
- 较低的 (k) 通常产生更紧的带。
没有单一通用值：“正确”的值取决于你的离散度量如何表现以及窗口长度的影响。
4) 定义数据序列 (x_t)
许多计算取决于你输入到 (M_t) 和 (D_t) 的价格。输入选择示例：
- 收盘价
- 典型价格（通常定义为高/低/收的平均值）
- 中间价（若使用基于报价的数据，通常基于买卖价）
只有当他人使用相同的输入定义时，你的结果才具有可比性。
完整且明确计算的示例
假设你定义：
- (x_t) = 时间 (t) 的收盘价
- (M_t) = 最近 (N) 个收盘价的简单移动平均（SMA）
- (D_t) = 同一窗口内的标准差
- (k) = 选定的乘数
那么：
- 计算 (M_t = \frac{1}{N}\sum_{i=0}^{N-1}x_{t-i})
- 计算 (\sigma_t = \sqrt{\frac{1}{N-1}\sum_{i=0}^{N-1}(x_{t-i}-M_t)^2})
- 设 (L_t = M_t - k\sigma_t) 和 (U_t = M_t + k\sigma_t)
一旦固定 (N)、(k) 和输入序列，这就是完全确定性的。
可独立验证的证据或示例
由于计算基于公式，你可以使用自己的数据集、电子表格或代码进行验证。
验证检查清单
要独立确认结果，你需要确保以下所有项匹配：
- 相同的窗口长度 (N)
- 相同的价格序列 (x_t)（收盘价 vs 典型价格 vs 其他定义）
- 相同的中点方法（SMA vs EMA vs 中位数）
- 相同的离散方法（标准差 vs 其他度量）
- 相同的乘数 (k)
只要其中任何一项不同，即使公式结构看起来相似，带也会不同。
为何多种实现方式存在差异
两个平台都可以说“均值回归区间”，但可能采用不同的实际选择：
- 如果一个使用 EMA 作为 (M_t)，另一个使用 SMA，则中心移动方式不同。
- 如果一个使用标准差，另一个使用类似波动率的度量，则 (D_t) 会变化。
- 如果一个使用收盘价，另一个使用转换后价格（如典型价格），则输入不同。
这些差异并非表面现象；它们会改变数值带。
局限性与失效模式
均值回归区间是围绕中心和离散度量的数学构造。其局限性源于这些选择。
1) 窗口长度可能不稳定
- 窗口过短可能对噪声反应过快。
- 窗口过长可能滞后于市场状态变化。
无论哪种情况，带都可能不再反映你预期的“典型”行为。
2) 异常值可能扭曲离散度
标准差对偏差进行平方，因此极端观测值可能显著扩大 (D_t)，使带的信息量降低。使用更稳健的离散度（如 MAD）是一种缓解措施，但这会改变区间的含义。
3) 离散度不保证均值回归行为
即使带计算正确，市场（或数据集）也可能不显示均值回归。该区间不是预测，而只是基于过去波动性的描述性带。
4) 成本、点差和执行不在公式中
均值回归区间计算通常忽略交易成本和执行细节。如果你之后将这些数字应用于实际决策，这些因素可能主导结果。因此，应将计算本身与任何解释分开。
5) 非平稳性：历史统计可能无法延续
该方法假设“近期变化”是未来变化的合理代理。如果数据生成过程发生变化，离散度量可能变化过慢或过快。
验证或下一步问题
一个好的下一步是将你想要计算的确切版本写成 (L_t = M_t - kD_t) 和 (U_t = M_t + kD_t) 的形式，然后明确列出：
- 如何定义 (M_t)，
- 如何定义 (D_t)，
- 选定的窗口 (N)，
- 乘数 (k)，以及
- 输入价格 (x_t)。
如果你这样做，就可以从原始数据无歧义地重现该区间。
如果你愿意，告诉我你对中点、离散度、窗口长度和输入价格的具体定义（例如：“SMA 中点，标准差离散度，收盘价，N=20”），我可以以完全明确、逐步的方式重述该计算。