周末有点时间，多敲几个字，呵呵。 人工智能里面，最吸引人的似乎就是“模式识别”了，很多人把重点放在这个上面，以为机器能识别出某个东西就有“智能”了，其实这只是人工智能的第一步，后面还有两个环节： observation/perception ---> decision ---> action 模式识别也只是“观察和认知”这个步骤里面的一个实现方法而已。 对应于有“智能”的交易系统，这三步可以对应为： pattern/setup ---> trading decision ---> order management “决策”比“观察/认知”，“行动”复杂得多。决策其实也是人工智能里面很难取得突破的一个领域，或者说是人工智能发展的一个瓶颈。IBM的深蓝制胜的关键就在于决策，它的观察和执行这两步都很简单。当然了，它的决策也许是brutal force加了一些捷径和很多的规则，但关键还是在于决策。 决策这个研究方向上的东西很多，知识库（也包括自我学习），推理，等等.....和交易联系起来的话，就是需要一个策略来根据观察到的东西做出买/卖的决定。 说了这么多，归结到楼主的问题就是，你有一个盈利的策略吗？如果有的话，那么使用模式识别也许可以提高胜率，也许可以提前一点生成信号，但也可能因为灵敏度很高（就像上面K兄的那个机器人一样，哈哈）而造成太多无效信号。 所以我说，模式识别就像一个很复杂的指标，可好可坏，可迟钝可敏感，但这个不是最关键的。 “智能”的关键是决策，交易的关键是“策略”。
这种思路估计不少人想过，不过有能力实现的人也不会很多。 我也做过类似的，不过后来意识的这个“模式匹配”其实有一个很大的假设就是，走势有很大的概率会在出现之前的部分模式之后，发展出和历史相似的模式。但实际情况是，走势几乎有无数种变化，你根据某种统计规律来主观地认为走势有 xx% 的概率会这样....结果呢，呵呵，你自己的回测会告诉你。 企图通过有限的模式去预测近乎无限的变化，我觉得其结果是不可知的。 市场有很大的肥尾，其所谓的“模式”出现的概率分布不是静态的，一系列“模式”呈现的序列出现的概率分布也不是静态的... 唉，不说了，这牵扯到基于概率的推理去了，但问题就是概率的分布其实是变化的，自我学习也许可以，但是遇到市场形态突变的时候，你的机器学得那一堆东西立马过时..呵呵，这是个难题啊
谢谢espresso的回复，我是个新手，对算法比较了解，系统开发也是基于matlab，基本能实现所知道的大部分算法，但是对系统交易知道很少，有以下一些思考: 1.技术分析的认为历史会重现，诸如价格形态分析（头肩顶、上升三角形等）或者蜡烛图形态分析，认为价格形态会重现，出现某种价格形态后，随后走势出现某一趋势的概率会很高； 2.即使机械交易系统，也是基于对历史数据的测试开发的，默认历史数据测试的系统也能在未来盈利，是不是也算一种历史重现？如果不是那机械交易系统怎么能保证盈利啊。机械交易系统盈利的基础是什么？
哈哈，你这些问题太深刻了，很多地方都有类似的讨论，但似乎最后也不会有什么黑白分明的结论。 本来写了一些，觉得太啰嗦，删了。简单点说吧，很多人（包括我自己以前）都追求以 p% 概率进场获利，但是市场经常给大家最不喜欢的 1-p% 的那些东西，这时很多人就傻掉了。如果你把那 1-p% 的问题解决，某种形态的概率是多少对你就没有太大影响了。 忘记是不是通向金融自由王国那本书，里面提到tom basso 对于回测的看法：你对市场越了解，就越不需要回测。这可能对你有点启发。 至于机械交易系统盈利的基础？呵呵，我也不知道。 .... .... .... 嘿嘿，说得有点歪楼了。 我最初回复这个帖子的意思很简单：模式识别不太可能帮LZ发现获利的策略，有时候简单一点更好。 当然了，海洋是藏龙卧虎的地方，也欢迎大虾们冒泡发表见解。
环节，大概就是哪个阶段用到。比如，对数据分类? 从数据中抽取状态? 或者数据经处理分类后再用模式识别生成某些中间结果? 甚至是交易指令?? 或者其他…? 用于决策，那么输出的是什么? 可以连续决策吗? 还是给出一组方案，由人工或其他方法再优选? 也就是辅助决策? 哈哈，问了K兄一堆问题 多谢回答！
同一种模式出现的各种可能性有很多，但毕竟图表是二维的，如果有一定的算法和统计学原理，能够避免走错路。比如说：Baum–Welch algorithm。西蒙斯可能就是利用的这种算法保持长胜。但我始终认为，以个人之力，再买好的设备和投入精力，相对实用雄厚的自营交易公司，仍然处于劣势。甚至你的交易方法可能短时间有用，一旦你的资金达到对市场某些时段有影响，你的这些影响就会被交易公司的算法识别，因为市场本身是零和游戏，所以，你又将被打败。
兄台所说各阶段其实都有使用。还包括风控、仓位控制（投资组合方向）、以及订单技巧等。 可以单独用于决策，也可以辅助进行决策，输出的就是决策以及决策权重/某种规则判定，可以连续决策，给出方案/人工/其他再优选是应用的问题，单独可以作为决策主要依据或者唯一依据，也可以作为决策辅助。 毕竟工具而已，看怎么用，菜刀可以切萝卜切西红柿切西瓜，也可以在菜刀帮的图腾上。
模式可以是多维的，从某个维度看是二维的。 这就好像有些人从某个角度看市场就是随机的，看不出什么别的来，连趋势也是随机，而不看看背后的支持情况，与角度有关。 西蒙老头儿用的不是一种算法，虽然最初试了几种。但是还没有超出人类范畴。 其实个人之于机构，在算法交易时代，是没有劣势的。传统上机构有人才、资金、设备、关系、社会影响力、隐含信息渠道（比如可以看到客户订单情况）等优势，但是在算法交易采取之后， 人才优势丧失，你无法保证你的人才一定会战胜某些市场中的人才，而且这个事情不是人多，教育程度就可以决定的，很多核心实际都是一两人制造，即便现在大机构也是一样，所以大机构不见得会占便宜； 资金优势丧失，以前靠大资金可以运作，然后对个人和规模小机构进行挤压，但是市场有资金容量问题，大资金会在流动性上丧失优势，加上反策略策略，探试类策略的进入，游击队和特种部队反而占尽优势，同时在资金量方面可控的幅度要大得多，很多特种部队可以在1百万美元和100亿美元之间游刃有余，而且实际上大资金的策略受限，更容易被蚕食和遭遇黑天鹅； 设备本来是机构占便宜的事情，但是各机构现在提供专门通道给普通投资者，DMA，STP，ECN等等，策略建立设备现在实际计算机已经效能很高，况且有很多情况大型机和超级计算机并不能有什么优势，因为人们只强调了硬件因素，而没考虑软环境，包括多线程是否支持，效率提高性能比，设备应用效率，比如天河，设备在那里，那么多院校、科研机构、渣打科营，目前为止，没一个真正能在金融发挥那个设备优势的人。而执行上，硬件设备实际成本很低，因为考量的是低延时，并不是多集群；而且从市场规则看，延时降到一定程度，就已经缺乏实际意义了，只是噱头； 关系本来是投行、公募得制胜法宝，即便各国监管机构在这方面对外宣称打击，但没有一国政府监管机构确实真正打击了，具体的原因不说，可是算法交易有一大类是专门针对这种内幕消息和相关的策略，这么一来关系反而被人利用，而且就算法交易来看，还不用承担法律合规风险，因为它是基于分析得出的，而不是基于关系； 社会影响力方面，这里面就是各个投行的报告和公开表态、以及各个券商、机构的分析师，伪经济学家，在媒体影响力和舆论主导操作，而算法交易不单会对影响力信息进行搜集，而且还会对其效果以及对市场影响进行评估，并估计其下面的真正行动和真实披露目的，所有的这些，一个人就够了，而且还没有媒体成本； 剩下隐含信息渠道方面，首先这是不合规的，也是我一直主张不在非独立第三方券商平台进行交易的主要原因，这里面你虽然得不到相关信息（其他投资者的），但是你却有一大堆方法反交易信息泄露，并且，主动性策略有相当一部分可以得到其他投资者信息，还是也不涉及合规问题。 这就是为什么机构对个人已经不存在过多优势的原因，现在只有一个优势是还没有改变的，那就是游戏规则制定权利，不管只要是游戏规则，总能找到方法进行应对。
我有一个亲戚是气象部分工作，我有一些了解。当很多个人以为只要测出气压，温差等等可能以为十几到几十个参数就能预测气象时。殊不知，现在的天气预报除了运用气象卫星等高科技手段，计算的参数可能瞬间达到上万个，而只要一个参数出错，可能结果就会完全不同，这就是所谓的蝴蝶效应。除了大型计算机和庞大的人力后盾，其它方式根本无法准确预测。当然，我们可以想象我们可以预测，我们有优势。
根本不是想象。而且不是想象有优势，优势就在那里摆着。 不要忘了，只要是人类，其活动范畴不出极个别以外，都是基于人类认识和人类范围之内。 另外，谁说很多人以为只要测出气压，温差等参数就怎么样？缺乏统计意义。不一定参数少就无效、也不一定参数多就有效，这个是常识。 气象局我也合作过，那又怎么样？ 另外上万个参数，一个出错，结果完全不同，一这不是蝴蝶效应，二如果是真的这样，那么是建模人员本身素质差的表现，数据误差、以及原始数据错误对模型结果的影响，在一开始数据清理工作就应该考量。另外还有，大部分模型是不具有自行扩展变量能力的，参数加大，是类似于神经网络等中间层等的方法。所以如果没有做过，不要想象是怎么回事儿~ 另外一般参数的话，基本是数字格式，即默认8字节每个参数，一万参数也不过8万字节，约80k而已，就算是以秒存储的变量，一天86400秒，即6.5G（实际上气象监测数据密度每这么大，具体计算也不是这么算，打比方），通常一般台式机内存都可以达到8G，用于计算的普通台式机24G=4GddrIII*3通道*主次2，更不用提工作站。就是说即便这么大的数据，都是可以完全在内存中的，而且实际上，大部分处理还是以数据存储于阵列磁盘为基础的。所以，也不要想象自己没优势。