金融市场中的技术分析,也称为图表分析,主要是识别市场交易形成的价格形态、关键价格区域和趋势。过去只有少数经验丰富的专业人士才能胜任,以致在学术界发展缓慢,备受争议。随着金融工程、计算机技术、数学算法的发展,采用传统图表分析方法的技术分析师现在已经习惯了统计软件包等信息处理技术,学术界也开始重视技术分析方法的科学化和自动化。价格形态属于技术分析工具中的一种,但在绝大多数场合,分析成功与否取决于分析者自身的素质,那么股票价格图表分析的客观化和自动化就是一个有待解决的问题。Andrew W. Lo通过非参数核回归方法和形态数学化定义首次实现了价格形态的自动识别,同时也留下一些需要进一步研究的问题。本文在其形态定义的基础上,首先对时间序列进行预处理；然后以头部形态和底部形态为例,构造算法实现形态的自动识别；最后对识别出的价格形态的特征进行研究。主要研究内容和研究成果如下：第一,利用移动平均规则和价格是否突破前一个低点或高点将价格时间序列简化为一系列的数学符号,降低了时间序列的复杂度,在一定程度上提高了曲线处理和形态识别的效率。第二,考虑价格形态的两个关键极大—极小(或极小—极大)点只能相邻与允许这两个关键点之间存在其他极值点两种情况,构造算法实现价格形态的自动识别。研究结果表明,利用本文方法识别出的形态符合标准定义,且能有效地避免误判情况。第三,以头肩形、双重顶为例,对价格形态添加“突破”信号,在此基础上,选取“真正”完成的形态对其形态高度、下降深度进行分析,并对测算技术进行验证。发现：1)形态高度和下降深度对数化后都呈对称分布,近似于正态分布；2)并不是所有形态都符合传统技术分析测算方法中的最小价格目标。第四,从形态高度和形态宽度两方面分析价格形态规模,探索价格形态规模与随后的反转趋势规模之间是否存在关系。利用分位数回归发现结合高度和宽度分析时,价格形态的规模与反转趋势规模之间存在一定的关联。本文的创新点在于：一是创新地利用技术分析中的移动平均规则和价格区间突破对时间序列进行预处理,比较接近人们的经验判断；二是在形态识别时,考虑极值点间的关系,对之前研究中存在的误判情况进行改进；三是对价格形态的特征进行研究。