图表形态的度量目标
当价格出现特定的可定义图表形态时，经验认为未来价格运动的幅度是一致的。 这种对运动幅度的预测被称为度量目标。在任何给定的情况下，市场也许会到达预期的幅度，或者继续运动，大大超过预测幅度。但是,对价格形态的识别与分类，以及对未来价格目标进行预测的能力，使得我们可以围绕这些形态来制定交易策略。下面举两个例子来说明这种思想，但绝不是对这种思想完整或透彻的阐述。
交易者在价格图表中经常会看到长方形价格形态，在这种形态中，价格在一个“长方形”内运动4~6个月。当市场突破长方形时，我们可以使用长方形的高度得出一个价格目标。
另一个著名的整固价格形态是头肩形态。在这种形态，价格首先形成一个初始高点，然后出现一个真正的最高点，接下来出现一次对最高点的重新试探。重新试探在一个比最高点低的价位失败，形成右肩。可以在该形态的低点下面画一条直线，即“颈线”。理下的颈线是水平的,但非常罕见。这种形态偶尔会出现于市场底部。我们预测顶部头肩形态之后价格将强势向下穿越颈线，而在底部头肩形态之后价格将强势向上穿越颈线。在使用头肩形态时应当非常小心，因为它是失败率相对较高的一种形态。但是它的确给出一种预测价格目标的方法，价格目标是从最高点(或最低点)到颈线。
伦敦LIFFE Long Gilt期货连续合约中出现的一个头肩形态。该连续期货的最高点为125.15美元，颈线与最高点之间的垂直线长度为118.15美元，指明一个低于交义价格111.15美元7个整点的价格目标。在1999年5月Long Gilt向下突破颈线，7个交易日后又重新试探颈线。一旦重新试探失败，Long Gilt便走低进入一轮波动的下跌趋势，在4个后到达下侧目标。通过观察发现，该价格目标很容易被超过。
有关股票技术分析的许多经典书籍都阐述了各种价格形态的度量目标，这些形态有三角形、旗形、波浪，等等。交易者可能也从自己的交易经验中总结出许多形态，只要我们相信市场会按我们希望的方式运动，那么就可以使用这些目标作为系统中重要的入场点或出场点。
一组数的算术平均数或均值是--种总结性统计量，它总结了样本的一些物征。算术均值对样本中每一项的所选参数求和， 然后除以样本中的项数。例如，为了求平均每周收盘价，就把从周一到周五的收盘价加起来，然后除以5，使得到了平均每周收盘价。均值是所有数据点的加权和:
均值=μ =sum (w,XV,)
其中权重w;= (1/n) ，n=数据点总数，而V,是每个数据点的值。所以均值等于样本中所有数据点的加权和，而每个数据点的权重就是数据点总数的倒数。
均值不会给出数据在均值周围分布的任何信息，即我们不知道数据点距均值有多远。例如，计算一个班中所有儿童的平均身高,既不能告诉我们身高的范围(即最高的身高减去最矮的身高)，也不能告诉我们不同身高出现的频率，我们只能使用标准偏差来量化这一差值。
要计算标准偏差,就先计算出每个数据点与均值的差(V,-μ)。先对这些差值求平方(去负号)，然后通过对平方差求和后再除以数据点总数求出均值(如前所述)。这被称作样本方差。最后，我们对样本方差做平方的逆运算一开平方， 便得到样本的标准偏差。标准偏差是一种度量数据分布的统计量。标准偏差可以看做是样本方差的加权平均的平方根。
在一个正态分布中，样本数据出现的频率呈钟形分布在均值的周围。意思是说，在靠近数据范围中心的位置，数据密度最高。在越靠近均值的位置我们会发现数据点越多，而远离均值时数据点较少。如果数据呈正态分布，那么我们预计大约67%的数据都分布在距离均值两侧一个标准偏差的区域内。在正态分布中，大约有99%的数据将落在均值两侧3倍标准偏差的区域内，这证明标准偏差是对数据分布的一种度量方法。
