这个说法很有道理. 前句, "如果你的交易策略是获利的,你提取的数据就包含了可以获利的模式,那么只要训练得当的话,你的神经网络就是可以获利的". 后半句, "如果你平时都不能获利,就不要指望用神经网络能帮助你了", 补充一点, 如果平时都不能获利, 即使做出来一个可以获利的神经网络也很难指望它能帮得上. 能不能获利是一个大系统的问题, 方方面面, 最后到交易技术\交易时机选择这个层面上, 占的比例很小了, 有的人说这方面不到5%, 还有的人说3%, 我觉得最多不会超过30%(3/7开). 剩下的属于管理规划控制. BP后面的概念是预测, 或者类似的东东, 用一个BP网络仿真一个sin函数, 或者更复杂的, easy.
首先对于标题的这个问题,2,3,4,5楼,都已经回答了(包括后面几楼恕不一一列举)。这个问题属于”机器学习“的范畴,参看这方面的书籍就可以找到答案。 看来多数回复者对于在交易中应用复杂算法的效果持保留意见。对此我的看法稍有不同。复杂的算法,只有得到适当地应用,才会产生效果。小孩只会用长枪大刀,给他火箭炮也不知怎么用,先把自己炸死了。多数研究复杂算法的,是象牙塔里的学者,可恰恰不是交易者,在真正的市场面前就好比一小孩。 世界上有无数的交易规则和交易策略,对于一个给定的市场,只有策略集合中的较小部分策略是有效地,这其中又只有很小一部分是相当有效的,可以投入实战应用。策略的开发者,就是在浩瀚的策略集合中寻求有效解。使用传统的方法开发策略,就如”神农尝百草”,是原始而粗糙的。而采用先进的算法工具,则如同现代的新药配方研制,能够在整个求解空间中以更加有效率,覆盖更完整,并且更为精细的方式找到更多的有效解。所以问题不是工具本身是否足够锋利,而是该如何使用工具。
还是看你到底想干什么。神经网络说到底只是一个连续函数模型,如果你的问题是一个不连续函数,那神经网络一开始就不合适。 很多决策过程可以归结为马科夫决策过程。对这类问题,形成所谓的转移概率表就成了学习的关键。
这只是说人要清晰地表达他的问题,直到他的问题可以抽象为止。 举个例子来说,有人说要用神经网络来解决选股问题,用来作“价值”投资,然后问该怎么做。这样的话没有意义。从技术上讲,他没有清晰表达他的问题。因为他没有定义什么是”价值投资“,也没有定义”选股“是什么意思。 在物理问题都没有清晰表达的时候,就说要用一个广义连续函数,即神经网络,来解他的投资问题,难道不是有些奇怪?
我不认为神经网络有什么特别的“缺陷”。常人所说的缺陷,其实是一个模型的适用性问题。这又回到了数学问题和物理问题的纠葛上去了。 一般的神经网络,由于使用了无限可导的核函数,它所表达的曲线或曲面很光滑,但通常不是很平坦。因此,神经网络一般适合于表达对一个连续经验函数的数值上的逼近,而对这样的函数的增量的逼近,如导数,试图用对神经网络求导来逼近就不合适。