不同的人对交易的认知是有分歧的。
一些人认为未来价格是可以准确预测的，另外一些人认为交易是个概率的问题——我偏向后者。毕竟聪明如高斯，也不能完全预测价格的走势。
数值选择上面，历史数据可以选择89、144、233这三个Fibonacci数字，预测数量我倾向小一点，选的是5。
SPY，2023.09.01，预测与后续走势出现背离。
这个指标在趋势反转的时候效果一般，细想也合理，实际使用时，需要结合其他方面综合分析。
附ChatGPT对用GP预测价格走势的回答。
高斯过程（Gaussian Process，GP）是一种强大的机器学习工具，可用于股票价格走势的预测。下面是一些步骤，说明如何使用高斯过程来预测股票价格的未来走势：
- 数据收集：
- 首先，需要收集历史股票价格数据，包括股价、成交量、财务数据和其他可能影响价格的因素。这些数据将用于训练高斯过程模型。
- 数据预处理：
- 对数据进行清洗和预处理，包括去除异常值、填充缺失值，以确保数据的质量和一致性。
- 特征工程：
- 根据领域知识和数据分析的结果，选择适当的特征或指标来描述股票价格的变化。这可以包括技术指标（如移动平均线、相对强度指标）、基本面数据（如市盈率、市值）等。
- 构建高斯过程模型：
- 利用历史股票价格数据来训练高斯过程模型。高斯过程是一种非参数模型，它可以捕捉价格走势的非线性和不确定性。您可以使用工具如Python中的Scikit-learn或GPyTorch来构建高斯过程模型。
- 选择核函数：
- 核函数定义了高斯过程的协方差结构，影响模型对价格走势的拟合效果。不同的核函数可以捕捉不同的模式，例如线性趋势、周期性、季节性等。您可以尝试不同的核函数，并使用交叉验证来选择最佳的核函数。
- 模型训练：
- 使用历史数据训练高斯过程模型，根据选定的核函数来拟合数据。模型将学习如何在不同时间点对未来价格进行预测。
- 预测：
- 利用已训练的高斯过程模型来进行未来价格走势的预测。您可以生成价格的概率分布，包括均值和方差，以评估价格的不确定性。
- 评估和调整：
- 定期评估模型的性能，使用历史数据来验证模型的预测准确性。根据性能评估的结果，可以调整模型的参数或尝试不同的方法来提高预测的准确性。
- 风险管理：
- 请记住，股票市场具有高度的不确定性，任何预测都伴随着风险。因此，在制定投资决策时，需要考虑风险管理策略，包括止损、多样化投资组合等。
最重要的是，高斯过程只是一种预测方法，不保证100%准确性。股票市场受到多种因素的影响，包括宏观经济、公司业绩、政治事件等，这些因素可能不容易用数学模型捕捉。因此，投资决策应该基于全面的分析，而不仅仅依赖于高斯过程模型。