如何在guorn实现hp滤波?

核心是用微盘回报率减大盘回报率, 然后对数值做hp滤波获得一个趋势线. 然后用回报率直接差与hp线的差值距离和正负判断当前大小谁强势.

整个论文写的比较水, 实际看回测它2015和2017后接近2年的阴跌都没能避过去. 只有2024的dma杠杆爆跌躲过了. 很怀疑是不是超参的过拟合.

python上有直接封装的 statsmodels.tsa.filters.hp_filter 两下就搞出来了.

我想在guorn复现这个指标, guorn这边尝试用自定义指标构建但一直报错,

当然可以。HP滤波器（Hodrick-Prescott滤波器）是一种用于分离时间序列中的趋势和周期成分的工具。它通过最小化以下目标函数来实现：

[ \min \sum_{t=1}^{T} (y_t - \tau_t)^2 + \lambda \sum_{t=2}^{T-1} \left[ (\tau_{t+1} - \tau_t) - (\tau_t - \tau_{t-1}) \right]^2 ]

其中：

这个目标函数有两个部分：

第一部分 (\sum_{t=1}^{T} (y_t - \tau_t)^2) 是原始数据与趋势成分之间的误差平方和，表示趋势成分应尽可能接近原始数据。
第二部分 (\lambda \sum_{t=2}^{T-1} \left[ (\tau_{t+1} - \tau_t) - (\tau_t - \tau_{t-1}) \right]^2) 是趋势成分的二阶差分的平方和，表示趋势成分应尽可能平滑。

为了实现HP滤波器，你可以按照以下步骤进行计算：

构建矩阵：
- 构建一个对角矩阵 ( I ) ，大小为 ( T \times T )。
- 构建一个差分矩阵 ( D )，大小为 ( (T-2) \times T )，其形式如下： [ D = \begin{bmatrix} 1 & -2 & 1 & 0 & \cdots & 0 \ 0 & 1 & -2 & 1 & \cdots & 0 \ \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \ 0 & 0 & \cdots & 1 & -2 & 1 \end{bmatrix} ]
构建目标函数的矩阵形式：
- 目标函数可以转换为矩阵形式： [ \min \left( (y - \tau)^T (y - \tau) + \lambda \tau^T D^T D \tau \right) ]
- 其中 ( y ) 是原始数据的列向量，( \tau ) 是趋势成分的列向量。
求解最小化问题：
- 通过求解以下线性方程组来获得趋势成分 ( \tau )： [ (I + \lambda D^T D) \tau = y ]
- 其中 ( I ) 是单位矩阵，( D ) 是差分矩阵。
计算趋势成分：
- 通过矩阵运算求解 ( \tau )： [ \tau = (I + \lambda D^T D)^{-1} y ]
计算周期成分：
- 周期成分 ( c ) 可以通过原始数据减去趋势成分得到： [ c = y - \tau ]

通过这些步骤，你可以在没有Python的环境中实现HP滤波器。你可以使用矩阵运算工具（如Excel或其他数学软件）来执行这些计算。