本人10年前曾在NASA JPL參予Nonlinear and nonstationary analysis的研發 後來鑽研入金融市場後,就不再注重複雜系統相關的研究,也不再與學界聯繫 以我當時的理解Doyne Farmer, Norman Packard 的團隊走的方向是死胡同,雖然他們有UBS AG的支持,以及10年的苦工 .... Doyne Farmer最後還是回到學界,...一場空 當時在Caltech 及 MIT 做複雜系統的學弟們也未聞有所突破 我認識的兩位美國科學院院士(流力方面)嘗試了3年最終也是放棄了 不知近幾年是否有哪個領域或方法在金融市場有傑出的成就?
的确,都是在尝试 我一直在试着做多维矩阵变换的动态模型,在OCR方面的效果比较好,100%,其他一些的领域应用效果也不错,在实时投资分析这方面正在尝试中。 阁下可有好些的方法,侧重的时仿真、概率、还是拟合、判断?
多维矩阵变换的动态模型,或可求取"特徵",比別人多了些優勢.要看這個特徵是不是對金融操作能產生利潤? 許多的領域進程我不清楚 但是量子物理或流體力學想去解金融市場,有先天起始條件假設的不合 亦即嚐試預測市場的科學方法,在先天受限下,很難有傑出表現 但是要找可以賺錢的應對策略,則是容易的多,及可行的 所以我現在只研究每個市場的性質該採行什麼有效策略來營利
的确如此,预测相对难的多,首先是数据的收集,全球金融时间序列数据的的规模现有的个人计算机存储都是问题,建立多维数据仓库选用的模型(星型,雪花,混合)也的考虑。多维数据指数级的占有内存只回让普通计算机死机。另外使用建立经济数据仓库,全部信息数据库(政治,突发)可以使数据更全面,但却不现实。数据的量化,量化的分类算法(粗糙集合,模糊集合,神经网络,进化,遗传,蚂蚁群,微粒子,免疫,支持向量等等)量化的相关(层次,结构,延时的长度,)都需要大的计算量。估计的使用超级计算机,量子计算机,超导体计算机。生物计算机了,也许会实现的。 赚钱策略的确容易些。我现在做的通常是找出标准的分类模型(波浪,形态,k组合,市场轮廓)再找相关数据确认(美元指数,原油)。
看到toelf兄这个探讨金融市场复杂性的帖子,又看到toelf与kuhasu两位兄台的精彩讨论,十分高兴. 近几日,因家中有些琐事,现在才看到toelf兄这个帖子,迟复为歉. toelf兄千万别用请教二字,仅从本帖中兄台的几句简单介绍,就知道toelf兄是真行家!如果说请教,显然应该是在下向兄台请教才对. toelf与kuhasu两位兄台都是真高手.现在,我们姑且先不说金融市场复杂性科学应用一事,仅就两位兄台都认为'找寻赚钱策略比较容易'这一点来看,已令在下佩服得很!无论从理论上讲,还是从实践上看,是否能找到长期稳定的获利系统,是个令人困惑的难题. 关于金融市场复杂性科学应用进展,在下也只是略知一点皮毛,与toelf兄的职业经历和所掌握的信息相比,是根本不值一提的. toelf兄在这个帖子中所表述的许多关键看法,本人深有同感.近几日,待家中琐事处理完毕,再继续谈谈个人的一些肤浅看法.
Sir fract您繆讚了 在下的專業在金融市場,並未起明顯的作用,反倒是fract回應其他網友們的帖子,功力甚是深厚 部落上高手不少啊!!! ----------------------------------------------------------------- 例如版主黃忠兄所推薦的必讀書目,對於入行者,幫助甚大! 在研讀他人著作時不可抱太大希望,妄求出現財富列車. 我買一本書,只要裡面有一句話,可以引發ideal,那就夠了.至於該觀點對不對,不是那麼重要. 畢竟個人見識有限! 另外看期刊,大部分是看nature , science ,Royal Society原創性高的文章,皆非金融專業,增加ideal~畢竟世界是不斷往前推進,欣賞他人的創新,也是一種樂趣. 這或可避免見樹不見林,陷入專業的迷思. ------------------------------------------------------------------------ 個人的淺薄見識如下: 1.在金融市場很難取得一個絕對優勢的方法(不要妄想掉下來一個大蘋果)! 2.可以藉由參酌成功者的經驗,自己加以吸收轉化取得些微的優勢(每一個人都有其專長及經驗,都不是新東西,不要隨便丟棄)! 3.當這個些微的優勢累積起來可能有3~4個,整合運用,一個可以長久營利的基本架構就出來了~ 4.這時須小心落實執行(這時部落上的許多帖子就很有用),然後逐步修正施行細則,使之穩定,我想離穩定營利就不遠了!!
在這裡補充說明: 我之所以使用ideal 而非idea , 其原因在於idea可能是完全無驗證的東西 ,而 ideal 至少是成功者或嚴謹的期刊幫你驗證.然而這並非就代表真理,僅止於可能較前人更接近真理. 當要"參酌成功者的經驗,自己加以吸收轉化取得些微的優勢" , 需要自己親自去驗證每一步 , 並且思索其合理性 ,能否再改善 ???? 其前提是否有問題?? 因此這個過程是漫長的. 不要因為是諾貝爾獎得主寫的,就全盤照收,對自己的idea沒信心. 也不要全盤否定任何的idea 或人事物,請欣賞其idea如何跑出來. 我想應該會讚嘆世上有如此多人,如此高明的技巧或想法. 終於好不容易,終於找出一些屬於自己的微小優勢!!!! 這時請別對自己小小的成果太有信心!!!!!應該要想盡辦法否定它!看剩餘的價值為何?? 如果真的還有些用處,那可能真的有一些效用,不過請勿期待立即能幫你賺錢~~~ 這個過程會使自己比較理解市場的本質是什麼?雖然是瞎子摸象,摸到尾巴,就好好把尾巴摸個熟透, 看應該採取怎樣的策略,讓它變成餐桌上的佳餚~而不是讓象腳把自己踩扁!!! 請Sir fract多多指正
fract过奖了。 我只是把我所了解的,以及不断学习现在已知的能用在投资分析上的知识,并把它们进行测试以期找出规律来而已。 我倒是认为,尽管成功者有经验,而且我们又可以从方方面面得到其思路、策略、历史“信息”,但是我并不觉得在没有在这些成功者面对面倾囊相授的情况下,我们便可以得出他们的真谛。 因为根据我建模的经验,尽管有些模型,不管是复杂的,还是简单的诸如简洁启发式这样的东西,尽管得出的拟合准确度相当高,但是未必就是真正的策略。我举个例子,半年前遇到一个联立变量分区段的方程组,实际上只要认真搞搞就可以用高中的知识算出来,那天懒惰了,就动用了回归和神经网络模型,结果得出来的结果也是100%,可是如果你把模型和方程组进行对比的话,肯定会大吃一惊。
强烈推荐几位研究一下遗传算法在头寸调整中的应用: http://www.hylt.net/vb/showthread.php?t=5361 对于拐点型策略,预测涨跌方向的准确率达到72%左右是个理想值,再高就有问题了。对于趋势型策略,理想值是38%左右。剩下的事情就是头寸调整了。人的心理总是追求正确,厌恶犯错,但频繁试错的操作只要战胜commissions and slippage(它们才是真正的敌人)就可以积累起很大的成功。