使用wealth-lab有段时间了，希望能建构自己的自适应交易系统，因为对于技术指标而言，最重要的就是其时间参数的设定，对于不同的市场，不同的时间段，所适用的最佳时间参数肯定是不一样的，因此我把重点放在了时间参数的自适应上，但是现在因为时间自适应的问题，陷入了开发的瓶颈，便很看了一些网上公布的和其自带的系统的原码，发现了一个问题，那就是，几乎所有我看到的系统所优化的参数，归根到底都是对指标的时间参数的优化，但是几乎没有一个能完全自动化的给出最优时间参数，并应用于下一交易时间段，并且根据下一时间段的走势，再自动调节，以后不断这样循环下去。 因为价格和时间是动态变化的，所以时间参数也应该是动态的，我觉得在这个问题上，需要寻找另外的解决办法，因为市场走势是有偏随机变化的（个人看法诶。。。 ），不同的“时间段”（这里我指的时间段也包括价格走势），肯定有其不同的最优时间参数。那天在坛子里闲逛，正好发现了2篇好论文，一篇是：“一种混合型时间序列预测模型的研究与实现”，另外一篇是：“灰预测与演化式类神经网络应用于台指选择权之研究”，我觉得这简直就是我的救星阿，就像是在一片黑暗中突然发现了前进的路灯一样，呵呵呵呵 :lol: ， 但是我不知道对于神经网络，遗传算法以及灰色系统预测的入门我应该看那些书，希望老大们能指导一下，因为偶现在的课程比较重，平常的课余时间不多，所以希望不要太理论就好，最好是能现学现用的，呵呵 。Matlab我有，以前也用过一些，手上的toolbox也比较全，比如Neural Network, Datafeed, Optimization, Fuzzy Logic等都有，所以也请老大门推荐一些将matlab和神经网络结合讲的经典书籍，万分感激。 对了，最好是中文的，以前看技术分析的一些书，因为有些没找到中文版的下，只得看英文原版，看得头都大了。。。。。 :?
Matlab及其ToolBox的F1文件看过了吗？ 如果在大学，到图书馆找书应该很方便吧。 http://www.hylt.net/club/viewtopic.php?p=25722#25722 这里emule下载的是全功能的、最新的版本。 我曾经也有过与您类似的想法，所以搜出了那两篇论文，但由于时间能力所限，未能深入下去。祝你成功！ 神经网络对于预测趋势，特别是成交量和价格的关系可能有用，这一点在我看到的公开文献中较少提及，王江做的也主要是线性分析，便他提供了很严谨的基础；模糊数学对判断指标可能有用；灰色系统可能主要用于基本面的财务分析，包括初步的识别假帐；遗传算法对判断一些因子，如Optimal f，可能有奇效。都是猜想。
谢谢hylt老大的回复，我本来是打算看NN的user guide的，但是发现很多理论上的东西不懂，就不知道那些专业词汇是什么意思 ，所以想先补充一下理论，呵呵，不过现在手头上有neuro-lab，所以先拿这个练练手，预热一下。其实灰预测和遗传算法是什么东西，在时间序列的预测上起到的是什么作用，我现在都不是非常清楚，只是有这个想法，看是否能结合起来，呵呵 :?: 我在网上又另外下了一些关于这方面的论文，都是谈的用NN预测时间序列的可能性以及其效果的，基本上都给出了结果，并且有不同结果之间的比较，但是都没有谈该如何实际进行实验，所以很多东西只能自己摸索了 。 偶现在在法国读工程师，学校图书馆里关于这方面的书很少，并且图书馆里都是法文的东东，这比英语还要人命。。。。。。 :cry: 附件里面是其中的一篇，有兴趣的话就看看，呵呵。 看了之后才发现，老外在90年代初就提出用神经网络预测股票市场了，真是ft http://www.wealth-lab.cn/download.php?file=5533a8d473a40565950658a9ceb560ad
My testing architecture has grown specialized (for extreme performance) and sophisticated enough that it’s hard to explain and justify to others, and hard to modify to do other things. It’s not fit for distribution. I suspect most other real time Matlab trading interfaces are the same…. very proprietary, specialized, sophisticated and profitable. 这是我在elitetrader里面看到的一句话，红色部分的那段话特别吸引我，呵呵，这是偶的动力之一啊 :lol: :lol:
神经网络，开头我也比较感兴趣，对neuro-lab也看了一段时间，发现有不少东西没法解决。 1。还是相当于黑箱系统，里面干了什么有种无法掌握的感觉；觉得NN相当于对过去历史数据的曲线拟合，对将来的变动的适应性，无把握。 2。NN的网络结构应该是如何设置才好，训练到什么程度为好，好像并无定论，也没有比较直接的参数可以加以比较。 3。就算设置好了一个系统，隔一段时间应该还要重新训练，以适应新的环境；由于以上的种种模糊，不知重新训练成什么样子才好。 4。输入的变量据说是多一些没问题，可是怎样的变量比较有效，也是心中无数。 这么多东西还是一团浆糊，所以还是先放弃了。这些问题估计也比较初级，各位高手指教指教 :idea: :idea:
其实神经网络应用于投机交易最大的用处在于提高对未来方向判断的准确率（优化指标的时间参数也是为了这个目的），只要训练好的网络在测试数据上能有令人满意的结果，那么我们应该相信它也能在未来的一定时间里面发挥作用，当一个训练好的网络对未来价格预测的准确率下降了的时候，再训练一个出来就好了，呵呵，我觉得只要对行情判断有作用，管他内部是怎么实现的呢？其实网络里面的权值矩阵也是可以看的，但是对于一个稍微复杂一点的网络，我觉得看里面的权值矩阵也没有什么意义，呵呵 并且，单纯地行情判断只能称为操作系统的一个模块，一个交易系统必须包括行情判断、风险控制与资金管理等多个方面的模块才算得上一个完善的交易系统。所以要做的工作还有很多啊 :?
推荐一本我看过的认为最好的关于“神经、模糊”模型算法的书，数中有MATLAB代码，对于股票等金融数据可能属于“时间序列”，如果你对MATLAB很熟悉的话，我很希望你能帮我改一下书中的MATLAB代码能用于我的“项目” 8) 我不懂MATLAB 书中的MATLAB代码我可以提供（我以前下载过） http://www.dearbook.com/Book/ViewBook.aspx?pno=TS0022836 http://www.china-pub.com/computers/common/info.asp?id=26095 《神经—模糊和软计算》图书目录： 第1章 神经-模糊和软计算简介 1.1 引言 1.2 软计算组成与传统人工智能 1.2.1 从传统人工智能到计算智能 1.2.2 神经元网络 1.2.3 模糊集合理论 1.2.4 进化计算 1.3 神经—模糊和软计算的特性 参考文献 第一部分 模糊集合论 第2章 模糊集合 2.1 引言 2.2 基本定义和术语 2.3 集合论运算 2.4 隶属函数的形式与参数化 2.4.1 一维隶属函数 2.4.2 二维隶属函数 2.4.3 参数化MF的导数 2.5 关于模糊并、交、和补 2.5.1 模糊补 2.5.2 模糊交和并 2.5.3 参数化T范式和T协范式 2.6 小结 练习 参考文献 第3章 模糊规则与模糊推理 3.1 引言 3.2 扩展原理和模糊关系 3.2.1 扩展原理 3.2.2 模糊关系 3.3 模糊iLthen规则 3.3.1 语言变量 3.3.2 模糊if-then规则 3.4 模糊推理 3.4.1 推理复合规则 3.4.2 模糊推理 3.5 小结 练习 参考文献 第4章 模糊推理系统 4.1 引言 4.2 Mamdani模糊模型 4.2.1 其它变形 4.3 Sugeno模糊模型 4.4 Tsutamoto模糊模型 4.5 其它考虑 4.5.1 输入空间划分 4.5.2 模糊建模 4.6 小结 练习 参考文献 第二部分 回归和优化 第5章 系统辨识最小二乘法 5.1 系统辨识：引言 5.2 矩阵运算和微积分基础 5.3 最小二乘估计器 5.4 LSE的几何解释 5.5 递归最小二乘估计器 5.6 时变系统的递归LSE 5.7 统计性质与最大似然估计器 5.8 非线性模型的LSE 5.9 小结 练习 参考文献 第6章 基于导数的优化 6.1 引言 6.2 下降法 6.2.1 基于梯度的方法 6.3 最陡下降法 6.4 牛顿法 6.4.1 经典牛顿法 6.4.2 修正牛顿法 6.4.3 拟牛顿法 6.5 步长确定 6.5.1 初始定界 6.5.2 直线搜索 6.5.3 终止规则 6.6 共轭梯度法 6.6.1 共轭方向 6.6.2 从正交到共轭 6.6.3 共轭梯度算法 6.7 二次情况分析 6.7.1 具有直线最小化的下降法 6.7.2 非直线最小化的最陡下降法 6.8 非线性最小二乘问题 6.8.1 高斯—牛顿法 6.8.2 Levenberg-Marquardt概念 6.9 引人随机机制 6.10 小结 练习 参考文献 第7章 非导数优化 7.1 引言 7.2 遗传算法 7.3 模拟退火 7.4 随机搜索 7.5 下山单纯形搜索 7.6 小结 练习 参考文献 第三部分 神经元网络 第8章 自适应网络 8.1 引言 8.2 结构 8.3 前向网络的反传 8.4 回归网络的扩充反传 8.4.1 同步运行网络：BPTT和RTRL 8.4.2 连续运行网络：Mason增益公式 8.5 混合学习规则：最陡下降和LSE的结合 8.5.1 离线学习(批量学习) 8.5.2 在线学习(按模式学习) 8.5.3 最陡下降和LSE结合的不同方式 8.6 小结 练习 参考文献 第9章 有监督学习神经元网络 9.1 引言 9.2 感知器 9.2.1 结构与学习规则 9.2.2 异或问题 9.3 自适应线性元件 9.4 反传多层感知器 9.4.1 反传学习规则 9.4.2 加速MLP训练的方法 9.4.3 MLP的逼近能力 9.5 径向基函数网络 9.5.1 结构与学习方法 9.5.2 功能等效于FIS 9.5.3 插值和近似RBFN 9.5.4 举例 9.6 模块网络 9.7 小结 练习 参考文献 第10章 增强学习 10.1 引言 10.2 失败是成功的可靠之路 10.2.1 幸运旅行. 10.2.2 信用分配问题 10.2.3 评价函数 10.3 时间差分学习 10.3.1TD公式 10.3.2 期望的幸运旅行 10.3.3 预测累积结果 10.4 动态规划艺术 10.4.1 经典动态规划公式 10.4.2 增量动态规划 10.5 自适应启发式评判 10.5.1 类神经元评判 10.5.2 自适应神经元评判算法 10.5.3 探索与动作选择 10.6 Q-学习 10.6.1 基本概念 10.6.2 实现 10，7 费用路径问题 10.7.1 TD方法的期望费用路径问题 10.7.2 在确定性最小费用路径中寻找最优路径 10.7.3 泛化状态表示 10.8 客观世界建模 10.8.1 无模型和基于模型的学习 10.8.2 远端教师 10.8.3 学习速度 10.9 其它网络结构 10.9.1 分而治之方法论 10.9.2 回归网络 10.10 进化计算的增强学习 10.10.1 桶队列 10.10.2 遗传增强器 10.10.3 免疫建模 10.11 小结 练习 参考文献 第11章 无监督学习和其它神经元网络 11.1 引言 11.2 竞争学习网络 11.3 Kohonen自组织学习- 11.4 学习向量量化 11.5 Heb学习 11.6 主元网络 11.6.1 主元分析 11.6.2 Qa修正Heb规则 11.7 Hopfield网络 11.7.1 内容编址实质 11.7.2 二进制Hopfield网络 ¨.7.3 连续Hopfield网络 11.7.4旅行商问题 11.7.5 Boltzmann机 11.8 小结 练习 参考文献 第四部分 神经—模糊建模 第12章 ANFIS：自适应神经.模糊推理系统 12.1 引言 12.2 ANFIS结构 12.3 混合学习算法 12.4 ANFIS和RBFN互利的学习方法 12.5 通用逼近器ANFIS 12.6 仿真例子 12.6.1 实际考虑 12.6.2 例1： 两输人sinc函数建模 12.6.3 例2： 三输入非线性函数建模 12.6.4 例3： 控制系统在线辨识 12.6.5 例4： 混沌时间序列预测 12.7 扩展和进一步研究课题 练习 参考文献 第13章 协动作神经.模糊建模：面向一般的ANFIS 13.1 引言 13.2 框架 13.2.1 关于多输A.／输出系统 13.2.2 结构比较 13.3 自适应网络的神经函数 13.3.1 模糊隶属函数与接受区单元 13.3.2 非线性规则 13.3.3 改进的Sigmoid型函数和截断滤波函数 13.4 神经—模糊谱 13，5 自适应学习性能分析 13.5.1 单基于最陡下降法的收敛性 13.5.2 可解释性谱 13.5.3 前提的演变(隶属函数) 13.5.4 结论的演变(规则) 13.5.5 划分的演变 13.6 小结 练习 参考文献 第五部分 高级神经—模糊建模 第14章 分类和递归树 14.1 引言 14.2 决策树 14.3 用于树归纳的CART算法 14.3.1 树增长 14.3.2 树修剪 14.4 用CART作ANFIS结构辨识 14.5 小结 练习 参考文献 第15章 数据聚类算法 15.1 引言 15.2 K均值聚类 15.3 模糊C均值聚类 15.4 山峰聚类法 15.5 减法聚类法 15.6 小结 练习 参考文献 第16章 规则库结构辨识 16.1 引言 16.2 输入选择 16.3 输入空间划分 16.4 规则库组织 16.5 基于焦点集的规则组合 16.6 小结 练习 参考文献 第六部分 神经—模糊控制 第17章 神经-模糊控制1 17.1 引言 17.2 反馈控制系统和神经—模糊控制：综述 17.2.1 反馈控制系统 17.2.2 神经—模糊控制 17.3 专家控制：模仿专家 17.4 逆向学习 17.4.1 基本原理 17.4.2 实例研究 17.5 专门化学习 17.6 经时间反传和实时回归学习 17.6.1 基本原理 17.6.2 实例研究：倒立摆系统 17.7 小结 练习 参考文献 第18章 神经-模糊控制Ⅱ 18.1 引言 18.2 增强学习控制 18.2.1 控制环境 18.2.2 神经—模糊增强控制器 18.3 非梯度优化 18.3.1 GA：编码和基因算子 18.3.2 GA：建立目标函数 18.4 增益调度 18.4.1 基础 18.4.2 实例研究 18.5 反馈线性化和滑模控制 18.6 小结 练习一 参考文献 第七部分 高级应用 第19章 ANFIS应用 19.1 引言 19.2 印刷符号识别 19.3 逆动力学问题 19.4 汽车MPG预测 19.5 非线性系统辨识 19.6 信道均衡 19.7 自适应噪声消除 参考文献 第20章 模糊.滤波神经网络 20.1 引言 20.2 模糊—滤波神经网络 20.3 应用1：等离子频谱分析 20.3.1 多层感知器法 20.3.2 模糊-滤波神经网络方法 20.4 应用2：手写体数字的识别 20.4.1 一维模糊滤波器 20.4.2 二维模糊滤波器 20.5 基于基因算法的模糊滤波器 20.5.1 —般模型 20.5.2 变形与讨论 20.6 小结 参考文献 第21章 模糊集合和基因算法在博弈中的应用 21.1 引言 21.2 基因算法变形 21.3 基因算法在博弈中的使用 21.4 基本模型的仿真结果 21.5 模糊特征的使用 21.6 多倍体基因算法在博弈中的使用 21.7 小结 参考文献 第22章 颜色配方预测的软计算 22.1 引言 22.2 颜色配方预测 22.3 单个MLP方法 22.4 颜色配方预测的CANFIS建模 22.4.1 模糊划分 22.4.2 CANFIS结构 22.4.3 嵌入知识的结构 22.4.4 CANFIS仿真 22.5 颜料制造智能 22.5.1 制造智能结构 22.5.2 知识库 22.5.3 多精英发生器 22.5.4 模糊群体发生器 22.5.5 适应函数 22.5.6 遗传策略 22.6 实验评价 22.7 讨论 22.8 结论和进一步研究课题 参考文献 附录A 部分练习题提示 附录B 缩写表