一些技术分析中的常用指标，常用于股票、期货等金融市场：
1. MACD（Moving Average Convergence Divergence）：移动平均收敛发散指标。MACD是由两条指数平滑移动平均线的差值来计算出来的，通过这两条线的交叉和乖离，可以判断出市场的买进卖出信号。
2. KDJ（随机指标）：是一种短期的技术分析工具，主要用于预测市场短期内的价格变动趋势。KDJ指标由三条曲线组成，分别是K线、D线和J线，其中J线是领先指标，K线和D线则是滞后指标。
3. OBV（On Balance Volume）：能量潮指标。OBV是根据成交量的变化来推断股票价格走势的一种技术指标。如果OBV上升，则说明买盘力量较强；如果OBV下降，则说明卖盘力量较强。
4. RSI（Relative Strength Index）：相对强弱指标。RSI是一种衡量股票或商品价格相对于前一段时期的价格波动情况的指标。如果RSI超过70，一般认为市场处于超买状态，可能即将下跌；如果RSI低于30，一般认为市场处于超卖状态，可能即将上涨。
5. CCI（Commodity Channel Index）：商品通道指标。CCI是一种测量股价是否超出常态分布范围的指标。如果CCI大于+100，表示股价已经超越了常态分布范围，可能出现过度买入的情况；如果CCI小于-100，表示股价已经低于常态分布范围，可能出现过度卖出的情况。
金融市场中常见的三种技术分析方法，它们分别由不同的思想家或投资者发展而来：
1. 缠论（Chuan Li Theory）：
缠论是由中国投资家李彪（笔名“缠中说禅”）创立的股票市场分析理论。它强调价格走势的变化不是随机的，而是有序的，可以通过观察市场的结构来预测未来的价格走向。
缠论认为市场有三个要素：价格、时间和成交量，通过这三者的相互作用，可以形成不同级别的趋势和盘整。缠论的一个核心概念是中枢，即一系列价格波动形成的高点和低点组成的区间。
2. 波浪理论（Elliott Wave Theory）：
波浪理论是由美国会计师拉尔夫·纳尔逊·艾略特在20世纪30年代提出的，他发现市场价格变动呈现出一种特定的模式，可以被划分成五浪上升和三浪调整的八浪周期。
艾略特波浪理论的核心观点是，市场行为反映了大众心理和社会情绪的变化，这些变化以重复的模式出现。通过识别并跟踪这些模式，投资者可以预测市场的顶部和底部，以及主要趋势的转折点。
3. 海龟交易法（Turtle Trading）：
海龟交易法是由著名商品投机者理查德·丹尼斯在20世纪80年代创建的一种交易策略。丹尼斯通过一个名为“海龟实验”的项目，挑选了一些没有交易经验的人，并用两年时间教会他们这套交易系统。
海龟交易法基于唐奇安通道突破原则，使用了两个主要指标：20日突破和55日突破。该系统根据市场的高低点来定义趋势，然后当价格突破一定期限内的高点或低点时，发出买卖信号。
中心极限定理：在社会、经济、生物学等许多领域，个体行为可能看似无序，但当数量足够大时，整体上却能呈现出一定的规律性。
1. 复杂系统理论：复杂系统是指由大量相互作用的元素组成的系统，这些元素的行为受到其他元素的影响，并且系统的整体行为不能简单地归因于单个元素的行为。例如，在金融市场中，每个投资者的决策可能都是独立的，但在宏观层面上，市场可能会表现出趋势或周期性。
2. 中心极限定理：在概率论和统计学中，中心极限定理指出，对于任何一组独立随机变量的平均值，只要样本容量足够大，其分布就会趋近于正态分布。这表明，即使个体行为是高度不规则的，但大量个体的平均行为往往呈现出规律性的模式。
这种现象的一个经典例子是*场赌**中的轮盘赌。尽管每次转轮的结果都是独立的随机事件，但长期来看，*场赌**总是能够保持盈利，因为每种结果的概率已经被精确计算过，并体现在*率赔**设定中。这就是为什么虽然个人赌博者可能会有输赢，但从整个*场赌**的角度看，它的收入是稳定且可预测的。
一些创建自己独家指标的建议：
1. 深入理解现有指标：学习并了解现有的技术分析指标（如MACD、RSI等）和基本分析工具（如财务报表、行业报告等），这些是构建个人指标的基础。
2. 结合个人经验和直觉：每个人对市场的理解和观察都是独特的。将您的经验和直觉融入到指标中，可以使其更符合您的投资风格。
3. 融合多种信息源：除了价格数据外，还可以考虑其他因素，如成交量、市场情绪、经济数据等。通过融合多个信息源，您可以创建一个更全面的指标。
4. 不断优化和完善：任何指标都不是一成不变的，需要根据市场变化和个人经验进行调整。定期评估和改进您的指标，以确保其持续有效。
5. 保持灵活性和适应性：市场环境不断变化，投资者需要能够适应不同的市场条件。灵活的指标可以帮助您应对各种情况。
6. 避免过度复杂化：虽然复杂的指标可能看起来很先进，但过于复杂的模型可能会导致过拟合问题，即模型在训练数据上表现良好，但在新数据上的效果不佳。因此，要确保您的指标既简单明了又具有实用性。