交易策略都能自动生成，我们还玩什么？

很好的视角。这使我想起自然界生物进化的两个特征：

1. 基因越是多样化的物种，往往延续能力越强。（蜥蜴？）

2. 生殖能力越强的物种，延续能力也越强。（鼠）

对于交易系统这个生态环境来讲，道理也许是类似的。TSL-AIMGP 生成的交易系统在这两个方向上都有发展，值得关注。

谢谢wj2000的提示。

M

 

我表达的不太楚。
我上面说的只是交易系统中推理机制中不确定推理的模糊推理和可信度推理。是单调性正向演绎推理，以数据为驱动，应用于交易阶段。
知识表达方式也是在举例用来最简单的产生式规则。
搜索策略不属于这个环节。它应用于交易策略机器发现，和交易策略组合优化阶段。
是最复杂，难度最大的环节，即时用各种启发式算法时间也大到忽略不计。更不敢谈盲目搜索了。
我谈到多是些算法中简单的东西。
现在最想不明白的是李开复为什么不做交易。他写的程序比别人快几十倍。只要下点功夫就应该能做到全球的最好的交易员啊。
我觉得看些交易策略类的书，还不如去看些算法和程序设计艺术类的书。个人感觉了。

 

你好dsb2008, 你对计算量的推演很好地解释了为什么TSL要基于AIM-GP。在AIM-GP成熟应用以前，对于交易系统的自动生成确实难以实现，至少不在个人或小公司能力所及的范围。AIM-GP 很好地解决了这个问题。AIM把演进的个体直接编成机器代码，省去了一般GP所需的最耗时的中间环节――将个体基因翻译成机器码的解释器。据TSL网站上提供的资讯来看，TSL的演进速度比一般GP要快几个数量级（估计在200倍上下）。

Barna也许正是看到了这一点，所以他这几年来专注于TSL的开发。从网上看到的资料来看，Barna似乎买断了AIM-GP 的第一个商业化产品Discipulus在交易领域应用的许可权，这个至少给他相对于竞争对手5年的领先优势。

M

 

深有同感。要是路能重走，能省去两年的困惑。

大部分的交易书跟我国的中医有些像。说它对难，说它不对也难。这个跑题了。

M

 

你这样也太忽略了数学和物理的不同了。

 

看不到这点。构造决策过程并不是GP一条路。就算是走符号推演的路，GP也不是的计算效率高的做法。

 

野狐兄好像话没说完，给我们讲讲在符号推演上有哪些效率高的做法？适合交易系统范畴的有哪些？除了GP还有哪些路可以走？多谢！

M

 

GP以前被Kozi弄成专利，似乎这点影响了这个方法的商业应用。前些年一个加拿大人发明的GEP（Gene-Expression Programming)方法，就比GP更简洁有效。

看到有人在提更广义的符号学习方案，但没有深入进去，倒也说不上来。

 

Discipulus 就是Koza的合作者Francone搞出来的。――记错了，是另外一人。

GEP与LGP在贴近机器码方面有很多类似的地方，但是在reproduction上的破坏性小一些，我认为速度上还是会牺牲一点。谢谢提示。

M

 

当把MDP引入GEP以后，GEP似乎表现出很强的构造能力。当然，MDP也是可以引入其他符号学习机的。

 

这个确实也是一个方向。

 

我对TSL的疑问有一点是绩效优异的交易系统在多大程度上是由Barna的domain knowledge决定的，换句话说，ML的成分占多少？野狐兄有何高见？

M

 

从能否赚钱上讲，毫无疑问是 domain knowledge。但从对 domain knowledge 的应用，即交易系统上讲，又全靠 ML 了。

 

假设一下，如果以后所有策略都是他的程序自动生成的，会是什么结果呢？

 

3+3个因素的分析角度，和分裂子基金策略的提法，很让人耳目一新。

 

大家比拼 domain knowledge。

 

人工研究策略还有没有空间？
有空间, 更大的空间

哪些空间?
策略的策略, 从单兵作战(单一系统), 到团队作战(多系统), 然后到集群作战(系统的系统)

A