どうも、猫飼いです。未来予測系のインジケーターや理論は、過去のデータから未来の値動きを予測することを目指しており、以下のような主な分析手法や理論が使われています。それぞれ、金融工学や数学的手法に基づいており、トレードで使用されることが多いです。
1. ARIMAモデル（AutoRegressive Integrated Moving Average）
- 自己回帰型移動平均モデルで、時系列データを用いた予測手法です。データの自己相関に基づいて過去の値動きを予測します。ARIMAは、金融データのようなランダムな動きを含むデータに特化しており、未来の値動きの予測に使われますが、トレードにおいては精度が低い場合が多いです。
2. ARSM（AutoRegressive Stochastic Model）
- 自己回帰型確率モデルで、時系列データの中に含まれるランダムな要素を組み込んで予測する手法です。過去のデータの変動パターンを自己回帰的に分析し、未来の価格を確率的に予測します。一般的には経済データや市場の動向分析に使われます。
3.フーリエ変換（Fourier Transform）
- フーリエ変換は、複雑なデータを周波数成分に分解する手法です。金融市場においては、価格の周期的な変動（サイクル）を検出するために使われ、特に周期的なパターンを抽出して未来のトレンドを予測しようとします。しかし、金融市場はランダムな要素が強いため、フーリエ変換単体では限界があります。
4. カルマンフィルター（Kalman Filter）
- 状態推定のためのフィルタリング手法で、リアルタイムでのノイズを取り除きながら、動的に変化する市場を予測します。多くの予測システムに使われており、時系列データの中から最も「現実的」な未来予測をするのに役立ちます。
5. ニューラルネットワーク（Neural Networks）
- 機械学習の一種で、過去のデータをもとに未来の価格を予測するモデルです。過去の相場データやニュース、経済指標など複数の要素を入力として与え、未来の値動きを学習しようとするものです。最近はディープラーニング技術が進化し、価格予測に応用されています。
6. エリオット波動理論（Elliott Wave Theory）
- 市場の価格変動が自然界の波動のように一定のパターンに従うという考えに基づいています。過去の価格の波動パターンを見て、現在の市場がどの段階にあるかを分析し、将来の価格変動を予測します。ただし、これは未来予測というよりは、現在の相場を理論的に位置付けることを目的としています。
7. サポートベクターマシン（SVM：Support Vector Machine）
- 機械学習アルゴリズムの一種で、分類や回帰に利用される手法です。過去のデータから特定の相場条件を学び、将来の相場に適用して価格を予測します。株式や為替市場の予測に応用されることも多いですが、複雑な計算が必要です。
8. GARCHモデル（Generalized Autoregressive Conditional Heteroskedasticity）
- 一般化自己回帰分散モデルで、金融データのような「ボラティリティの変動」を予測するために使われます。過去の変動性（ボラティリティ）を基に、将来のリスクを予測する手法として広く利用されていますが、価格自体を予測するというよりもリスクの変動を捉えるモデルです。
9. モンテカルロシミュレーション
- ランダムな変動要素を繰り返しシミュレーションし、確率的な未来のシナリオを計算する方法です。ランダムな値動きをもとに、将来の値動きの範囲や可能性を探ることができます。確定的な予測ではなく、確率的な未来を提供するため、投資リスクを理解する際に使われます。
10. フラクタル理論（Fractal Theory）
- フラクタル理論は、自己相似性を持つ複雑なパターンを見出すために使われます。市場の動きもフラクタルな構造を持つと考えられており、価格変動の中に繰り返し現れるパターンを見つけ、未来の動きを予測しようとします。
これらの手法は過去のデータを基に未来を予測しようとしますが、どの手法も一長一短であり、完璧な未来予測は不可能です。市場は多くのランダムな要素や感情的な動きに影響を受けるため、トレードにおいては常にリスクを意識し、柔軟に対応することが重要です。
