股票几天回调？
这个没有确切的答案 首先，股票市场是一个多元变量构成的复杂系统，其本质是一个非常复杂的大数据概率统计问题，从系统论的角度来看待股票的波动问题会更恰当一些。 我们首先引入几个概念来阐述这个问题。
第一是关联性，这里我们讨论两个变量的相关性，为了研究的方便，我们先假设这两个变量都是连续时间序列，并且可以表示成如下形式： x(t)=\int_{-\infty}^{t}\phi(s)ds y(t)=\int_{-\inf}\phi(s)ds z(t)=\int_{-\inft}y(s)ds 其中 \phi(\cdot) 是两个变量各自的时间序列向量。如果我们进一步假设这三个时间序列是相互独立的，那么我们可以很容易得到它们的协方差阵：
R(x，y；z)=E[xy]- E[x] E[y] 由于我们感兴趣的是相关性的强度，所以上面的计算其实并没有带来太多有价值的信息，下面我们将进一步假设这三个随机过程是严格动态相关的，这意味着它们具有相同的边际分布和相同的形式。基于这一假设我们就可以利用卡尔曼滤波的方法对三者进行同步估计，然后利用估计得到的参数来计算它们的自相关函数。
当然实际上股票市场的波动更加复杂，上面的一些假设并不成立。比如不同个股之间的相关结构就往往有着很大的差别，更不用说股票市场和期货、外汇等金融市场之间的关系了。但是对于这一类的问题，卡尔曼滤波仍然是一种有效的方法。其基本的思路仍然是先对变量进行估计，然后利用计算的参数来计算各种统计量。 因为卡尔曼滤波要求随机过程满足马氏性（Markov property），因此其只能适用于平稳过程或者是离散的时间序列。对于股市这样的混序系统来说，其本身不具备上述性质。但是可以通过以下方法来逼近：将研究的时间段分为若干个间隔，然后在每个间隔内认为过程是马尔科夫链，从而利用卡尔曼滤波进行计算。
第二是滞后性，这个问题比较好解释，因为任何变量都是过去行为的函数，因此前面变量对后面变量必然有影响，这种影响就是滞后性。 第三是持续性，这个问题相对来说比较复杂，因为在理论上而言，如果一个经济变量是其前导变量的充分统计量的话，那么这个变量就应该有持续的变动特性。然而这种情况是比较少见的。大多数情况下，我们感兴趣的变量与其前导变量之间并不会存在统计上的显著关系。所以我们通常采用一种通用的方法来解决持续性的问题，这就是对时间序列进行移动平均处理，也就是把新的信息加到原来的时间序列中来更新预测的信号。