各位估计下对冲基金经理詹姆斯。西蒙斯是用的什么类别的交易软件？

西蒙斯的公司里面有很多图像/语音识别专家，估计他们用最大熵和支持向量机（SVM）的可能性很大。ANN一直处理不好“过学习”的问题，泛化能力很差，这部分应该是走进死胡同了，所以他们不太可能在用ANN。

 

ANN用于识别某种模式还是挺有效的。但是ANN这种东西太黑盒了，而且也没啥好研究的...做个实现闷头算就结束了...你想改进，除了用点遗传算法改善下训练速度，也没啥能改进的地方...

图像／语音识别，其实翻来覆去就这么几个方法：SVN、EM、AdaBoost，LDA，BP，SVR，VL，RVM，PCA，NDR，LPP，HMM，BN。

 

我想很多读CS的人把自动交易（主要指market timing类的自动交易）的本质看成预测，所以第一件事想到的就是用ANN。如果转变思想，看作分类，可能思路会开阔好多。

像很多现有的技术指标 (RSI,KDJ....)或者其他什么自创的指标，基本思路都是把股票的数据（时序数据可以认为是二维的）映射到【0，100】区间上，等于降为一维的，然后就超过买入阀值就买，低于卖出阀值就卖，这从逻辑上可以认为不会成功的。因为股票数据的本质是线性不可分的，降维之后更加难以分类。

打个比喻来说明这个问题：你按女孩子投影到地上的影子（三维降为二维）来选老婆，能选到好老婆的几率不会高的，估计跟闭上眼睛随便摸一个效果差不多。

 

我在预测这个方向上进行过一点思考，我还是觉得市场是不太可能可以短期有效预测。至于长期能否预测，也不好说。预测这条路，我总体感觉不太靠谱。这个只是我个人的直觉，没有太多理由。要说理由，估计也是对混沌系统本能的畏惧吧...

分类的思想我觉得是个不错的切入点，简单的说就是抓趋势。趋势总是由某些较强的力量驱动的，这些力量对市场产生的较为明显的扰动，应该能形成一些模式。捕捉这类模式加力提取利用，应该能获得一些有效的信息。当然啦，现在也有许多采取算法交易的方式，来尽力减小交易对市场的冲击成本。但是我觉得冲击是客观存在的，算法交易只能从时间和空间上去分散冲击的影响。因此综合足够的信息，依然是可以捕捉的，只是难度会大很多。

你所说的降维，其实在图像处理技术里面，也有许多降维，升维的运用。比如构建一个高维度的空间，在高维度空间中建立一个边界，从而把信息分类。或者把高维空间的信息投影到低维度，在低维度做模拟等。

我对市场技术指标是一窍不通...目前还在悟道ing...

 

把市场的原始数据映射到【0，100】区间内，成为一个技术指标，可以理解为降维，也可以理解为滤波，不管怎么样，总是意味着信息的丢失。如果把二维数据往上映射到高维空间，信息不会丢失，反而一些特征可能就会凸现出来，本来在二维里不可分的数据集，可能就可以分类了。所以，我觉得这个方向你也许可以考虑一下。

把这个想法用一个比喻来说明：如果你想凭二维的照片来找个好老婆，这是mission impossible，可是如果让你看到三维的真人呢？可能还是不行！因为你不知道她的教养，性格什么的。那么你加上这些维度，把一个女孩子的情况映射到高维空间，就可以区分出“适合做老婆”，“不适合做老婆”的两类女孩子了。用分类的观点来思考问题，一切会变得很清晰。

顺便说一句：西蒙斯在离开大学去搞基金前，他正在研究一个十维空间的课题。

 

BG在44，46楼说得这个思路很有道理！

 

我看lvsoft说了他自己一些很有意思的思考，所以就忍不住随便说说我的看法，希望对你有参考作用！

 

恩～市场信息看似纷繁复杂，但在高维空间里面比较容易出现数据稀疏性。如果能综合各种数据，做出一个合理的到高维空间的映射，那么寻找高维平面去对数据进行分类，就比较容易了～
不过这一块我基础不扎实，可以作为研究的课题慢慢深入～～～

 

我觉得svm不靠谱

 

我觉得无论什么算法，都是工具的一种。
靠谱程度取决于用工具的方法。

 

很不错的书，对资金管理很有益处。

 

感谢wj2000的资料！

 

Van.Tharp
Ed.Thorp
应该来源于英格兰同一祖系

 

我很赞同你说的这几种模式～我之前想表达的意思并不是获取更多的数据，而是获取更多的信息。
所谓信息，就是从大量数据中提炼出来的有效的东西。已经包含了鉴选的过程。

语言识别和图像识别的目的很多，识别的信息可以用来做机器视觉，也可以用来做图像增强，还可以用来做图像压缩。这些方法仅仅是参考，并不能直接在交易市场中运用。

我对市场不确定的是，我觉得市场是阴险的。简单的说，就是哪怕我成功提取了有用的信息，也就是所谓的“知情交易商”的交易信息。我也不能确定，这个信息是真实的，还是故意放出来的。这里存在一个博弈的过程。

 

财富公式几乎是一本纪传体的小说，台湾那边的译本名字叫《天才数学家的秘密赌局》
新浪读书里面不完整，每一章只拿出了一半。