先不要谈什么高级的的优化工具和算法，防止DATA MINDING最好的方法就是要有合理的市场机理逻辑，样本要足够大，参数尽量的少，最简单的把逻辑特征反映出来，防止自由度高，参数的测试侧重于验证而不是大面积的测试进行优化，也不要在前人开发系统的基础上再优化，否则好的结果可能是随机偶然的，使用的优化参数周围的参数表现有一定连续性，平稳性，平均-N*SD符合自己的要求，最最重要的是一定要有OUT-SAMPLE测试，其中任何部分反映结果失败请重新回到市场机理进行思考。把优化看作是验证实际表现是否与自己的市场哲学吻合的过程，而不是挖掘一个好结果的过程。优化过程需要理性的放弃精神，避免盲目贪婪好结果，呵呵，这不也是交易本身的要求吗？
大家都提到了这点共性，“有理可循而不仅是大量数据的测试”，“优化看作是验证实际表现是否与自己的市场哲学（交易决策模型的基础）吻合的过程，而不是挖掘一个好结果的过程”，后面的归纳更有说服力 "参数尽量的少，最简单的把逻辑特征反映出来"， 我现在确实是碰到了参数过多的烦恼，但是，当我把参数减少后，效果也下降了；如果是由于参数多而增加了优化的难度，那么需要在优化难度和指标有效性之间做折衷，有些指标参数就是多，少了效果就不好了，简单而有效那是相对而言的 “参数的测试侧重于验证而不是大面积的测试进行优化”， 能更具体的说明一下这个“验证”的含意吗？ 个人认为对大量历史数据进行测试也属于验证啵，这两者不是对立的关系，测试是验证的一种手段，并可以通过程序来提高效率 当然，验证还包含其它的，例如论证参数是否符合市场心理、市场参与者的行为习惯之类的，这些东西程序做不了，所以……
转： 越精确的指标，稳定性就越差！时间稍一流逝，市场稍一变化，这种技术指标就会被市场所淘汰！也许这种淘汰就发生在指标研发阶段的同时！也许模糊与缺陷比完美更能天长地久！爱因斯坦说过，能够预测未来的公式中必然存有不确定性！
同意neo的看法，目前能得心应手驾驭人工智能之类系统的人不多，普通人从不懂到这个程度已经要付出很大的代价。 个人可能不一定对的看法，使用这些人工智能系统未必可以直接预测价格，走势这样的东西，也许可以用于处理市场一些侧面的要素，这些是什么也不容易找到。 还是暂时不要在这些方面投放太多精力吧。
交流！通过交流触发深层次的思考！通过交流激发灵感！通过交流互相促进互相提高！ 此帖关注度和参与度都呈现上升趋势！可喜！ http://www.macd.org.cn/html/book/2006/1775.html 吓唬吓唬人，哈哈
这个问题去看看《Way of the Turtle》（中文版《《海龟交易法则》）吧，交易者需注意的问题在书中90%都有阐述。 参看：http://www.hylt.net/vb/showthread.php?p=76279#post76279 http://wj2000.blog-city.com/412069756.htm
E文的，软件开发方面的能将就着看一下 金融方面的看着累人啊，词汇量严重缺乏 个人觉得金融方面的词汇量需要慢慢提高，主要时间还是先放在市场方面和交易方面，先看懂中文的，有些书就算翻译得不好，自己也可以去理解和纠正，看中文还是比英文的快 开始的时候把太多时间花在查字典上，不值得
一通测试后，收益很满意，胜率很高，但结果往往会是： 当你越来越精确地捕捉到历史上（测试数据）的收益时，你离未来的收益已经越来越远 当你越来越精确地避开历史上（测试数据）的亏损时，你离未来的亏损已经越来越近 在市场里，胜率很高同时盈利很大的指标是不存在的 在测试指标之前就需要评估好自己要测试的指标大概能到什么程度，过了那个程度，要不就是评估有错，要不就是优化的方法有错，但通常都是过度优化 看到>80％的胜率，而且盈利非常大，利润回撤非常小，这个系统基本上已经可以叛死刑了