呵呵,这个老帖被反复顶起,真乃神奇,TTL兄也浮出水面了,真是可喜。俺作为楼主就多说几句。 从我们目前的研究看,神经网络是能够得到优于随机的结果。不过样本外观察的时间还不是很长,还需要继续观察。 有一个技术问题还有待研究。神经网络训练出来的是一个个“黑盒子”。一般的交易算法通常是“白盒子”,这些白盒子里往往包含了一个隐含的约束条件,就是做多和做空的条件对等。比如说,存在一个价格序列的表达式A,A>0的时候做多,A<0的时候做空,那么做多和做空的条件是对等的。假如A>0的时候做空,A<-100的时候做空,那么做空的条件就更苛刻。 一般来说,一个算法中如果不包含做多做空对等这个约束条件,则更容易产生过拟合的情况。神经网络的泛化能力较弱,可能与这个因素有相当关系(当然还有其他因素)。如何在神经网络中强制性地加入这个约束条件,以增强其泛化能力,是一个值得继续探讨的课题。
重要的不是应当做多还是做空,而是我们关注的交易目标应当持有空头、多头还是等待一个机会。人、系统、市场是一个大系统,不可分割。神经网络有一个基本假设,假设我们能优化出一个系统,无论谁都可以在某个时段用在某个市场上甚至所有时段的所有市场上。这么多年,我很少见到有人能够坚持使用一致性交易原则。不能用,使用什么手段优化系统都是浮云。
我来给这个话题关门吧: 1. 所以的机器学习的算法,实际上都依靠训练数据(历史数据)的概率分布情况;或者说是在毕竟这个概率分布,这里可以看看机器学习的基础。 2. 股市数据,只要明天还开盘,那这个数据就不是封闭的,数据还未封闭,那这个数据的函数分布就还没确定。那你用任何机器学习的算法,哪怕学习的再好,未来都是不确定的。 3.第三个理由,市场价格,周,月的历史数据是一方面,但是交易发生前的任何很短的时间产生的事件更决定价格。 以上三点,是任何涉及出来出来的,基于学习的模型都需要克服的问题!
1、不是所有的算法都基于概率分布 2、引用前两天以为自然科学界大牛说的话:自然科学是去找一个重复的规律,这个规律是可以被重复验证的,但是股市就不一定是这样。所以以纯自然科学的思维和方法研究,还是有改进空间的。 3、这是最近的一堆定价模型的设计思维,但是如果用其他算法模型就会发现,一些影响因素不一定是最近的,只是定价模型采用算法所考虑的能力只能是表现为最近的影响来简化,实际上长远影响的因素上面那些算法就无法考量了,而且一般以上面那些定价类思维,侧重那个就近思维不是定价,出发的算法,本身如果真的考量远端因素影响的话,计算资源消耗过大。 综上所述,我觉得上面的话题还有继续讨论的空间,就好象多年前大家普遍抛弃了ANN,但是因为DNN又让神经网络重新焕发生机一样。
thanks,to make myself clear,I would put the answer to the question more in terms of: 1) Machine learning cannot be used to predict the stock market as it has well been established in the sources of the previous posts. The number of decision making is way too big to analyse to get a meaningful pattern and all one will get is noise 2) Machine learning could be meaningful in obtaining patterns from certain stocks. This will most likely be cyclicals. The use of machine learning in this kind of stock will act as a kind of low pass filter and give you the advantage of not having to determine the range of the filter. 3) Machine learning could in principle help you in a strategy system such as a rule based system and help you put in place a stop loss. The important message is that machine learning algorithms could have use, but they are not crystal balls. If you take a signal processing class you know that all signals have noise and imposes limits on the information carrying capacity of the signal, but this does not make signal processing worthless. If signal processing techniques are used judiciously they can be very useful in processing signal, so will the use of machine learning if used correctly.