系统把价格作为一个随机变量来考虑，所有的分析都是以这个为基础的，那么价格运动果真是随机的吗？如果从基本面的角度来看，可能就不是这么回事儿了，这些所谓的随机可能是确定的因果关系。我想把精力转向基本面研究，有什么好书推荐吗？
二十年仍然保持有效的策略有很多? 如果策略有效, 必然在很多使用, 而使用相同的策略会导致长期以后策略的失效 . 制定的策略只要赢利就可以了. 没有而不是. 也不能够解释这个世界. 如果过去的数据告诉你下一个交易的胜率大于50% 你就可以下一个交易使用这个策略,但是这个策略并不一定能适合再下一个交易. 你需要调整了. "唯一不变的事，就是这个世界一直都在改变"
宏观经济学（随便一本儿） 财务分析（看中译本的比看中国人写的好，看英文版比中译本好）根据难度选择 财务骗术 股色股香 萧洪驰的股色股香是以前认识的这本书的英译译员推荐给我的，好几年不联系了，刚刚找出来。其原介绍如下“为帮助投资银行家兼作家萧宏池把他的金融小说推向西方出版社，翻译了《股色股香》中的两章、内容梗概和作者背景资料。虽属虚构，因为故事揭露了许多有“中国特色”的手段，对渴望了解此“神秘”国度的西方金融界人士简直是一部如何在中国上市的实用教科书。（2005 年）”Bruce译员似乎也是《上海宝贝》的中译英翻译。
基本上，对这个问题的思考的基点是：“想什么不重要，做什么才重要”。而大众行为的识别，目前看到的主要是对高频数据进行频谱分析进行特征标记。 ________________________________________________ 想什么和做什么同样重要,因为同样的行为,后面可能由不同的原因推动.而之所以不去研究"想什么",是因为数学对脑科学的无力,有两个鸿沟一直无法逾越:一个是不确定性,一个是不可重复性. 经济学家是最善于绕过困难的之一.选择的道路并非是因为理论上的明确无误,而是因为数学处理上的方便性,理性人假设如此,风险定义的引入也是如此.而经济学的假设和前提,往往与我们周围的实际环境相距甚远.研究人员只不过选择了一条较容易出结果的一条道路,但并不表示这条路就正确无误. 老的统计技术，其基础是完全样本，而现代统计理论，主要对付的就是小样本问题，或者说有限样本问题，在算法上，小样本问题的求解和预测已经存在相对成熟的解决算法，当然具体的应用模型大家都处于探索阶段，这个玩意应该说没有最好，只有更好 ______________________________________________________ 我说的是认知论的问题,而不是具体技术的问题,是决定论,非决定论,还是非严格决定论?
交易是为了什么？赚钱。 跟随主流交易策略与赚钱有关系吗？没关系 跟随大众与赚钱有关系吗？没关系 用不用交易系统或程序化交易与赚钱有关系吗？没关系。 赚大钱的总是少数人，而且策略各异，毫不相同，从幸存者上并不能推导出普遍意义的交易策略。 市场是一个自组织、自适应、自相似、自演化的开放复杂性系统；投资者所面临的一个是未来的不确定性，一个是相互间的竞争型关系，这是不可避免的。在这些前提下，我不认为数量化交易比传统的交易策略（基本分析、技术分析）高明多少。 统计数字有意义吗？统计数字只是个参考，因为市场只有一个，时间只有一个，你不能save game and load game。统计型的只适合超短线/短线、大量交易的行为，而对于中长期的则明显不足，或者说将筹码押在几次交易上面风险太高。 数字有直觉和想象力吗？数字既没有直觉也没有想象力，要对未来中长期的（社会的或市场的）趋势有一个清晰判断，只有人能完成。 复杂性系统的一个特点是：局部是无序的，整体是有序的。 所以我认为统计型的交易系统更适合短期的频繁的交易行为，而对中长期的市场判断，直觉和想象力更为重要。当然，不排斥计算机工具的辅助使用。
系统交易只在统计上有意义，如果未来样本超过了统计样本就会出现问题。一个解决办法就是蒙特卡洛试验，但是依然是同样的问题。所以感觉是个死胡同。除非未来的样本和现在的样本不存在突变，但这似乎也不符合客观事实。
小样本的一个假设前提就是用于学习的样本不是完全样本，甚至是只是很少的样本，所以突变数据是个常态，解决突变的通常办法就是停止交易，一方面等待数据变化回归正常，另一方面持续的把新的数据喂给系统进行学习。 有一本专门讲交易系统设计的书，我忘了是《精明交易者》还是《机械交易系统》，里面也提到了突变的问题，这个应该是任何系统首先都会面对的问题，跨不过这一关系统是没法使的。
就算法交易来说，进化是件自然而天然的事，和我们解读图表没有什么差别。 比如用多类分类统计交易数据的变化趋势，无非每一天把新发生的数据按归一口径合成补充进去，让他了重新learning一下，这就是进化，人类的知识积累也是这样完成的。 就现代统计技术来说，它支持你如下的功能： 你有一批样本数据，这批样本数据是小样本，也就是说它并不覆盖全部实际发生的情况； 你知道这些样本数据演变的归口，比如最简单的归口无非就是明日的涨跌，你可以告诉计算机这个归口，当然简单的涨跌计算机自己就可以推算出来； 你知道归口和交易数据比如5日量、10日量、今日高低、昨日高低，又或者是大盘5日线、10日线，乃至美股价格的加权平均等等之间存在某种概率的联系，但你并不知道其中的规律（当然如果你什么都不知道，这就比较复杂，简单的做法就是把全部可能的数据都喂给它，然后让他自己拼凑，当然，这时间和运算量可就够可观的了）； 你希望计算机能够搞清楚其中的关联关系，并告诉你一批新数据的归口，比如当日的交易数据预示着明日是涨时跌； 股市的涨跌固然会出人意料，但要是随机性和复杂性，无论是一条河流的水位还是一个省的产品销售预期，乃至一个行业的市场预期，都不会比股市单纯多少。