如果是希望利用”弱有效“性来战胜市场，那么限于现实的交易环境（如交易税费，T+1, 做空限制等等），我觉得希望不大，或者门槛很高，比如要很高的交易杠杆。 我倒是觉得,对应于“SEMI有效市场”，利用”PUBLIC INFORMATION"这点上，倒是有很大的利用空间。所以我不会把精力放在折腾“OHLCV"上，不论是用多精妙的方法。而是希望如何能很好的利用”PUBLIC INFORMATION". 这里面的难点，就是如何量化“PUBLIC INFORMATION", 然后让”PUBLIC INFORMATION"和价格发生关系。
其实大海在任何尺度上都不是平的，比如：大海在小尺度上不是平的，因为有浪花；中尺度上也不是平的，因为有潮起潮落；大尺度上更加不是平的，因为地球表面是一个球面。 同样地，因为理性预期假设根本不成立，所以市场有可能在任何timeframe上都不是真正“有效的”。
这个才是根本。h指数要说明的问题一个是自相似性。一个是描述一个价格走势的复杂程度（h指数和分形维相关）。为什么会有自相似性？我记得我看到的一本书里大概的描述是因为不同结构的交易人群对市场的预期不同，所以产生了自相似性。也许把这种自相似性搞定，交易系统就更更上层楼了。
模糊数学不可以实现学习和训练。 隶属度的定义可以人为规定。但想合理的应用需要通过各种优化算法选择到最佳定义界限。 知识库的建立也要通过机器学习来获得，人为的定义估计交易起来效果更差。 模糊规则可以同过分类算法提取（神经网络，遗传算法，微粒群，svm等）。 资料最多的是模糊数学和神经网络的融合。 个人感觉在期货外汇交易中因为是实时计算。需要进驻大量的内存，和cpu的吞吐。 以模糊做系统交易。神经网络做离线训练更合理些。 因为神经网络是通常是三层矩阵相乘。所以用模糊化输入和并行出理这两种方法不合理。
发现工具的长处，然后合理的应用，谢谢，学习了。我做过语音识别，感觉算法有效的情况是出现对某些固定已知模式的确认上，而不认识的模式它就会拒绝，犯病。真好像一个小孩。我这样简单的想，工具总归是工具，是要被人用的，而人的行为又是由思维决定的。所以一味的强调采用某种工具好，而忽略了人该用怎样的思维方式认识市场，是否本末倒置了呢？
前面提到的蚁群算法应该比神经网络好。 你要的不是系统发现什么模式（类似语音识别），而是获利。 这类模拟进化的算法应该是最靠谱的。 当然了，理论上是可以证明它无法保证获利的，但是实践中应该还是可以相信的。 市场和这个世界有很大的相似性，发生过的事会再次发生，但永远不会完全一样。 想要战胜市场，最接近完美的招数就是模拟进化的过程，产生最接近完美的系统。 TA的武器库里面有很多武器，但是最好用的还是支撑阻力趋势线。 虽然有振荡指标可以对付弱趋势环境，但判断趋势强度本身就是一个很难完成的任务。 前面高人提到的Hurst指标（是不是那个搞周期分析的J.M.Hurst……）我没听说过，只知道ADX。 当它发信号表示趋势将变强的时候，这东西本身的趋势会不会反转呢？……只有天知道。 只能假定这个指标是处于趋势之中的吧……
粗略来讲，机器学习有两步，第一步是知识表达，就是把研究对象的知识用一种逻辑或者数学形式表达出来，在这一步的表达中引入了若干参数；第二步的任务就是估计这些参数，要用到优化方法。上面提到的模糊逻辑和神经网络都是知识的不同表达方式；而上面提到的蚁群算法属于全局优化方法，可以用来优化模糊逻辑或者神经网络中的参数。当然，神经网络带有自己的局部优化方法。蚁群算法和神经网络是没有可比性的，当然可以用蚁群算法来优化神经网络中参数，这样应该比神经网络自身的局部优化方法好。没有知识表达这一步，单纯的优化方法是没有用的。