说说几点意见，不见得能对您有什么启示。算是聊天 一、敢承认自己的东东走到尽头，敢坦承自己目前的境界是死路一条。一是勇气可嘉，二是您对自己的东东有客观的评价，基于此类推，三是您真正的看到了一个“交易系统”应该是什么样或者说要具备什么（基本要素），至少您发现了真正的“系统”不应该是现在的这样。。。。。。，做学问、做学术能做到如此客观和谦恭，没理由不得到大家的认同和尊敬。 二、您说“剩下的能改进的不过是些枝叶”，让我想起爱因斯坦前的经典物理学界有个流行说法是“物理的东西都让我们大体做完了，以后你们只需要修修补补了”。举这个例，作这个联想即无拍马屁更无嘲讽之意，是想说要不您现在的东东只是您要做的事情的一部分，要不就是您现在的系统应该坍塌了然后产生一个新的系统。看您的贴我比较认同是前者（就象前述经典物理学是物理学的一部分）。 三、您已经认识到“没有丝毫的改进余地”，这可能是您（或说您的东东）能马上脱颖而出进入新境界甚至羽化为仙的时机了，恭喜您。那么瓶颈是什么？怎样突破？ 四、“瓶颈” 对于瓶颈太小出不来或过不去，要不你更强更大撑破它，要不你自己缩小自己。后者是比较实际且风险更小（不会在撑破时伤自己）成本更低的。下边我由小到大（从“系统”到人到环境）同您聊聊，有的是个人看法，有的是所见所闻。 对于“系统'本身，看了您的贴，觉得您走的是同大家同一条路，都是由历史数据出发，寻找进出场点\寻找交易机会，找到一种算法，然后测试这种算法的绩效。大家彼此不同的是其在算法的区别。很多人在这条路走了许久，走了很远，可为什么却甚少见成效？甚至象您说的乃至会走不下去？事实上许多人都在这路上的某地折回了、放弃了。那么我们怎样来剖析这种挖掘数据的做法、怎样来检讨这种做法的缺陷呢？ A，这种先搜索一种可能的解然后再去验证这个解的做法，在方法上叫做““产生-检验”法(method of generate-and-test)”，在认知上属于典型的图灵判据。这种方法属于“搜索”而不属于“智能”，因此现代又把这种方法叫做“启发式搜索”。虽然搜索是智能的主要内容，但始终它不是“智能”本身，更不是“智能”的全部。 问题出来了，我们如果用“搜索”来代替“智能”，用搜索寻找到的算法产生的交易机会来代替“智能”的交易之全部，至少犯了“以偏概全”的错误，显然这是一个逻辑错误。 B，基于目前业余者在市场能得到的软件的现状（后详述），在数据挖掘时，开发者往往只能停留在时序分析的层面，很少能甚至没有能进入时域分析层面，更不用说频域分析了。即使如此，还是由于软件原因（大多没有分支、迭代、循环算法），就是时序分析的算法也仅仅只能是一种简单的开环、机械的由前往后的代数运算。诚然，这样得到的结果只能是一种对于原有数据是确定的算法，这样一种算法不管适应原有数据是一种什么样的测试结果，它都是无法来应对（不确定的）末来市场的。 这是其二，用（简单的线性算法得到的）确定来应对（复杂多变的市场的）不确定，这又是一种逻辑错误。 C，在现有基础上，是不是算法复杂就可以得到更为先进更为可靠的“系统”呢？不是。 下边我们来剖析第三个问题，我们现有的基于上述A、B的“系统”，都是将历史数据作为“系统”，将新生成交数据作为触媒。在新生数据不断产生的同时，，用“确定算法”运算，一旦运算发现有新的条件成立，就产生一个买卖点，“系统”就做一次交易。显而易见，这样的所谓交易系统，是没有对交易进行监控、更没有对交易进行考量的，交易的进行与否、交易的优劣与否、交易的成败与否，完全视乎原有算法，而不是“交易”本身，故此我将前边的系统加了引号。 无论是A还是改进的B，都只是在“搜索”，在寻找进场点，只是交易系统的一部分。真实的交易系统，其主要部分是针对交易的，相对前述“将历史数据作为“系统”，将新生数据作为触媒”来说，真实的交易系统是对“交易实施监控、考量，将交易系统作为系统，将一系列元数据（meta data）作为触媒”。这一系列元数据(数据的数据)包括：买卖信号、仓位、持仓风险、持仓比例等等。 比较区别： “将历史数据作为“系统”，将新生数据作为触媒” “将交易系统作为系统，将一系列元数据(数据的数据)包括：买卖信号、仓位、持仓风险、持仓比例等等作为触媒” D，推荐一个真实交易系统（的构成）
对于瓶颈太小出不来或过不去，要不你更强更大撑破它，要不你自己缩小自己。后者是比较实际且风险更小（不会在撑破时伤自己）成本更低的。 将交易系统作为系统，将一系列元数据(数据的数据)包括：买卖信号、仓位、持仓风险、持仓比例等等作为触媒 字字千金 了解自己 了解方法 ！！！
从曲线上看，回撤比例很小，配合适当的资金管理，应该会有很不错的回报。兄弟人很实在，佩服。 市场会变化的，失灵也没什么。市场又会有新的机会等着我们去发掘。你已经有这个能力了（“每次改进都是对市场有了新的理解之后做出的”），怕什么。有机会多交流。
既然是“全球市场多品种全生命周期”建议按照fathead在“A股自动交易实录”那样做个分散化的多品种联合测试。fathead在“A股自动交易实录”里体现出的系统交易思路相当有价值！ 大部分人做系统交易测试时都只是做了时间纵向的测试分析（也是因为工具的限制），而比较少的做时间“横截面”的测试分析，fathead在“A股自动交易实录”里体现出来的“时间横截面”的思路相当有参考价值！
我看Loveice的思路也许有一些无谓的复杂化。 我的思路是这样的。 交易规则就是基因，基因总是相对简单的。 基因库是庞大的。有好的基因，有不好的基因，因时而异。 交易系统就是由由基因构成的生物。生物可以很简单，也可以很复杂。 建立交易系统的过程就是1）发现基因；2）建立基因库；3）产生生物和物种；4）物种进化。
楼主的观点并无大碍，他的系统是线性代数，这很好啊，炒白菜不需要微积分。这个系统对使用者的要求是比较高的。给你一颗白菜，你炒出来了一桌国宴。 loveice的系统也精彩，有反馈，有记忆，有鉴别，能审势，知进退，能攻心则反侧自消自古知兵非好战，不审势即宽严皆误后来治蜀要深思。确实是AI，而且是不错的AI，AI+了。智能系统的内在风险远比线形系统复杂，它有记忆，它的下一步反映不仅仅取决于外部的信息，还取决于内部的状态记忆，除非你能在你的脑袋里复制它的记忆，否则你很难预测它的下一步反应。智能系统对监控者的要求一样是苛刻的。
多品种交易对计算机性能的要求应该高吧。 所以品种的计算时间复杂度和应该小于所交易周期的时间。空间复杂度要小于计算机的内存，用外存的话，时间又会增加20倍。 品种应该是按集合来组织，对每个元素进行预测后，还得进行排序。不同的排序方法的时间差异很大。 楼上说启发式搜索应用在知识发现的时刻，用来发现交易规则，算法要求高，如混合算法要比单个快，单独中基于外激素的蚁群算法还比轮盘赌的遗传算法快，估计很少有人能够混合使用。 现在随着人们对计算的要求，并行计算越来越重视，但网络的的连接，各个计算机计算量的分配要求的能力更高。 所以，一切都应该从实际出发，以自己的知识结构，能够使用的工具来决定自己的交易品种，交易规模。