刚刚在另一个帖子里面看到novaavon大侠所说的 “我们可以用两种方法量化"风险": 1)归纳法: 通过观查事件发生的频率 2)演绎法:通过建立理论模型,当然, 这类理论模型通常都不完美。” 鄙人认为,寻找统计性的规律,也就是归纳部分算是比较容易的,但是判断统计出来的规律是偶然的还是有其必然性因素,则需要逻辑上的论证。否则,即使一张收益图再漂亮,用起来也是不安心的。 一旦建立起相对完备的体系,剩下的反而都是程序员(分析师?)的苦力活。最后剩下的不就是军备竞赛么。
期货这一行业本身要求就是孤独的修行,竞争无处不在,笔者的理由太过牵强,未必你在APP上就能海阔天空,很多APP一出生就宣布死亡,其惨烈程度你体验过吗,没有理解一行的精髓,就不要去做它,永它,免得失败了还找一大堆理由
这句话说到点子上。类似现在到处都在喊大数据,云计算,往往看到的人都在谈如何建设云硬体,网络,计算中心,软件设计等,而真正的革命其实是大数据模型的建构,这方面在做的人就少多了。 程序交易些软件,做平台都有用,但是决定成功的不是软件而是策略。软件的作用是加快策略寻找与失效的循环效率,是扩大操作尺寸与覆盖面的工具,但是与策略的成功与否一点关系都没有。最无意义的就是以前曾经的机械程序交易,没有任何逻辑上的原因可以导致成功的beat市场。 概括的来说,这个老美的领悟力比较有问题,做程序交易,应该不超过两三年就想到我上面说的这些问题。
"机器学习"是大数据分析/建模的基石。机器学习是什么? 说白了"机器学习"就是把"应用统计学"换了一个性感点的名字。 用别人的算法或是现成的源代码解决问题是挺有趣的(工程师级别)。可是, 当现成的算法不适用,你必须自己提出一个新的数学模型或是改进算法时(科学家级别),你就知道这个学科有多难,多枯燥了, 也难怪大学里学的人少呀。另外, 因为机器学习这个学科的难度大, 所以发展的比较慢,费力不见效, 愿意在这个领域里长期耕耘的人更少。
大侠,刚上海洋浏览看到你回的这个帖子,你说的这些太高端了,别说工程师了,我们这种泥腿子能做个有人给活干的泥水匠就不错了 顺便请教下大侠,算法这类论文或者应用或者相关有意义交流在那里能够看到?对于入门新手来说循序渐进的书单能否指点一二,多谢多谢
我倒不是说做数学的少,而是说大部分人把眼光放在了系统上,而忘记了本质。 其实现在就是工程师级别的应用多的都做不过来,当然大部分工作都是在哪里折腾数据。在算法上下功夫的确不容易,都是陈景润啊。 IBM现在强推Watson,也是说省了大家做算法的力气,不知道效果如何。