BlogTrader Platform相关内容专帖

但不是任意的、拉郎配的拟合。

投机市场的答案是趋势、惯性，神经网络可能给出的就是在多大的概率上这个趋势、惯性会延续下去。

神经网络还可以代替人来识别曲线的形态，从而与形态分析结合到一起。

看了之乎者的图，印像深刻的不是说价位的准确性，而是他模拟出的一些时间点位和曲线的形态。

 

为什么要用电脑代替人来识别曲线的形态，电脑比人还厉害？

 

为什么证券市场会有趋势、惯性呢？

一种解释是：

1。市场是许多人共同作用的结果；
2。有许多人是根据看到的市场走势或别人的赚钱效应来决定买入、卖出，这就构成了一个反馈系统。而反馈系统几乎总是有惯性的。

 

因为这样才能应用计算机来计算、测试，从而构成交易系统。

 

而且人是有主观意识的，有了既定偏见的话，很容易对一些现象视而不见。就像说某人戴有色眼镜看事情一样。只有很少的人能真的不偏不倚的看待问题。

 

呵呵，rororo，认识你很高兴。
看得出，你对NN很熟悉并且已经运用到了市场上面。希望能在论坛里面看见你对NN的具体事务一些的心得经验，毕竟国内甚至中文资料方面，对NN应用于市场是非常缺乏的，能看到的少数也是实验室里面的玩物，和实战相差甚远。

 

正因为交易市场有惯性、趋势，所以用历史数据来判断未来的走势才是有可能的，但这种关系很难确定，而神经网络就像一个目前最适合解决此类问题的数值实验室，可以用来探求这种关系。

但是，很难。绝大多数人不会找到这个关系的，而且，这个关系可能随时间而变化。

 

我以前用matlab做过一些实验而已，在网上也找过不少资料，还算是了解一点吧。不过没在实战中用过，因为没有方便的工具，没有足够的时间来测试。而且我也知道这很难。

 

RORO所讲都是经过思考后的东西，无论从神经网络看证券交易还是从交易看神经网络，读R兄的贴都觉到位 :lol:

 

要知道中国的证券市场是那种大起大落的，所以即使要拟合训练阶段的数据难度也相当大，当然如果节点数很大，训练时间又足够长，还是可以无限逼近的，但那就没什么推广能力了。

之乎者的网络只取了10个计算节点，显然是为了保证推广能力，但现在的训练误差比较大，大到什么程度呢？假设平均误差是2%，那归一化前，假设最大指数值
是取3000点，那么3000*2%，就是60点，那当然很多细节都损失了。

实事求是地说，现在这个网络还不足以用来投机，不过，它的推广后的形态的相似性却是我从来没见过的，所以还是很有意思的。

 

之乎兄您好：
之乎兄的神经网络推广图公开已有些时间了，想必之乎兄此时正投入精力加紧对其进行升级和完善，的确一项技术的成功往往来自于其对价格未来走势重大转折点的不为人理解甚至是引起争议的预测。然此事不同其它，是热门中的尖端，也许先放一段时间后再回来看看往往会有新认识。
之乎兄能否来海洋论坛谈谈交易函数中买与卖动作的设计原理。

 

神经网络是一种数学工具，历史也有半个世纪了，倒也不算是高精尖的东西。反倒恰恰是因为其简单和便于计算机实现而得到广泛应用。

我目前只是把它用作函数逼近（或者说非线性回归）的工具，但要用好它还是需要对股市的较深的理解。现在的模型就是力图实现我的一种理解。

与许多常见的论文的方法不同，我是试图作出中长期预测，所以暂时不是很在乎价位是否准确（即误差是否比较大），而是先从形态、趋势上看看我的想法是否可行从而判断是否值得继续研究下去。

大家从图上也看到了，对恒生指数的推广似乎效果好一些，对上证指数则只是形态相似，但时间、点位都不准确。但没关系，这只是我用来验证想法、思路的一个初步结果。

至于买卖点位的问题，如果是用计算机来判断，还是需要通过市场测试来处理的，目前我还没决定实现市场测试功能究竟用什么方法，目前通用的方法是全空间搜索以达到优化，实现起来倒不难，也许我也还是用这个方法。

 

细读之乎兄的贴子，有一思路渐明析：
1。之乎兄对股市的理解和想法颇有独特之处。
2。完全表达此种思想传统的分析工具已无能为力。
3。在寻找表现工具和完善思想的过程中常有”思想与现象“的困惑：
是理解的不全面或是表现上的问题。
海洋是切磋思想的好地方，之乎兄不妨在这里畅谈一次对股市的感悟，海洋一定有最好的听众和反馈声。OPENSOURCE在希望见到之乎兄成果的同时更希望见证之乎兄的探索历程。

 

BlogTrader的作者在他最新的Blog上贴了一张新的上证指数预测图。他也申明这是为了好玩。

好消息是，下个版本的BT可能会包括神经网络的功能，而且会附一个例子，发布时间可能会在9月底。

这是他的预测图：
http://www.blogtrader.net/resources/dcaoyuan/nn_000001_SS_060717.png

 

BlogTrader已经完成支持向量机SVM(Support Vector Machine)的模块。

SVM是基于统计学习理论的最新机器学习工具，能寻找到问题的全局最优解，也具备较好的推广预测能力，同时，由于它是建构在完整的统计学习理论基础上，其结果能得到较好的解释，甚至计算出相应的概率。