股票如何操纵的？
首先，我要说明一点，我所说的“控制”绝对不是非法的！ 所谓控制，就是从概率的角度来说，能够较大概率地影响标的物的走势方向；所谓的技术分析，在我看来就是研究标的物的价格受到哪些因素的影响以及这些因素之间的相互关系，进而得到影响价格的因素所构成的概率分布，最后利用概率的计算来得到价格的期望值，当然这还需要一个过程，即是将隐含在历史数据后面的概率结构计算出来。
这里需要介绍一下我常用的两种算法，一种是卡尔曼滤波（Kalman Filter），另一种是贝叶斯估计（Bayesian Estimation）。卡尔曼滤波是一种动态的估计方法，它可以用来对含有随机因素的动态系统的状态进行估计，其特点是每次迭代时所需的数据量很少且不需要大样本的先验信息。贝叶斯估计是一种后验概率的估计方法，它可以通过给定的一个小样本通过逆变换得到整体样本的概率分布，因而可以用于对未知参数的估计。
对于一般的随机现象，我通常先用卡尔曼滤波估计出其概率分布，再用贝叶斯估计算出待求参数，当然这里待求参数不止一个。不过我一般只用一种参数，即把其他待求参数都作为这种参数的分量组成一个新的未知向量，然后利用卡尔曼滤波求解。
下面我举个简单的例子说明怎么根据历史数据估计未知参数并据此预测未来。假定我有一个投资组合，由A、B两只股票组成，其中A占50%，B占50%。今天开盘，A涨停，B跌停。那么我该如何解释这一异常呢？是不是A的问题还是B的问题又或是这两只股票之间存在着某种我之前不了解的关系？要解释这个问题就需要知道这两个变量之间是否存在长期的关系，如果有关系，是正向的还是负向的等等。
为了找到答案，我可以采用卡尔曼滤波的方法。首先选取一段时间作为历史数据，如最近10年每日的两只股票收盘价，按一天一次循环取值，共2506次。然后将所有数值转换为标准差，因为卡尔曼滤波要求输入的数据必须是标准差。最后建立卡尔曼滤波模型，可以得到如下结果（因文章篇幅所限，具体步骤此处略去）：
图中用黑笔标记的是观测值，蓝线是模型的预估值，绿线是5天移动平均值。从图中可以看到，虽然观测值与拟合值基本符合，但存在一定程度的偏差。如果仅凭此图就断言自己的观点是正确的显然是不够的，我们需要进一步判断哪个因子对标的物的价格产生影响。接下来就可以运用贝叶斯估计的方法。 我可以建立如下的线性回归模型： 其中，p为常数项；α和β分别为自变量的系数；ε为残差。利用最小二乘法可以得到上述方程的估计参数 α=2.8696，β=-3.4777， p=5.6960。 根据这个回归模型，我就可以计算出未来任一时刻t的收益： 然后把所有的收益按时间顺序排在一起就得到了整个数据集。接着运用贝叶斯公式就能得到各系数的概率分布，进而可以得到该模型的整体概率分布。这样我就能够比较灵活地运用各种统计指标对模型进行评价（如R平方值，F检验等），并且可以根据需要从中选出最适合自己观点的一组参数。