※ 引述《ETHZ (開空軍一號喝養樂多)》之銘言：
: 但我真正想要開發的,還並不是單純的做型態辨識和比對,我是想要找出市場根本的群
: 眾動力學,藉由瞭解這樣的東西,直接讓市場的力量無所遁形,達到真正的戰勝市場.這
: 可能是痴人說夢,永遠達不到,但是我知道我們有辦法離它愈來愈近.
: 我就來說一個簡單的模型:
: 1. 基於市場總是少數的人賺錢,且假設目前市場一共只有11個人(奇數是為了讓多空
: 一定有一方勝出)
: 2. 假設市場上每一個投資人都是根據"過去10天"的行情來決定明日該做多(+1)或
: 做空(-1)
: 3. 10天就一共有1024種可能的組合,但只會對應到+1或-1的結果.這11個投資人都可
: 能隨機的從這些規則中挑出一個或數個去決定明天的方向,假如一共有3個人決定
: 出要漲(+1),8個人決定要跌(-1),那明天的行情就是+1,因為根據條件一的原則.
: 4. 用這方法去跑出一個多空數列,就會跟真實市場的走勢很像.
: 5. 藉由這種方法,還可以進一步去分析,其實市場有時候是可以預測的(因為群眾剛好
: 都選一樣的策略),但有時候是不能預測的(因為群眾選的策略很分崎).如果用這
: 簡單模型來交易,我們可以讓這個模型跑一段走勢,直到出現和真正的市場走勢很
: 相似的一段,用那一段的結果來下單.勝算可能就很大.
最近都忙著作單解單。當時初看本po有些問題，提出來大家看看：
1. 針對第二點，如何決定系統中每個投資人的決策方法？這才是核心吧！
2. 針對第四點，所謂「跟行情很像」，則必須提出一個量化的比較方法。
譬如，我用亂數跑1000根K棒，也可以跑出一個可以唬得過正常人眼睛的圖表
也就是跟對方說，這是某檔股票的日線圖，但對方看不出來
不過這種圖，我不敢拿來作為行情的模擬數據來進一步分析
因為它光在碎形維度上，就跟真正的金融市場跑出來的數據是不同的！
或許可以這樣說，所謂的「聖杯」可能就藏在這...不過這是題外話了
3. 針對第五點，就是之前說過的，你要有個比對型態的演算法...
但我想這應該沒問題。
以上三點，第一點最重要，這就是比看誰建模建的好...
譬如在系統中我養了11隻代理人，每個代理人要讓它自己學會一種技術分析法
我這裡馬上就可以提出一個很簡單的實作：
找出11種技術分析指標，
然後使用類神經網路各別訓練這11個代理人，以各自的指標預測明日行情多空
訓練完成後，用集體投票方式，採少數決，決定明日行情多空...
這樣一個ET的簡單系統就完成了
或者變化一下
將這11個代理人的決策，再丟入一個非監督式的神經網路，彼此再來優勝劣敗一下
可能也是不錯的玩法
那麼養的代理人越多會越接近真實嗎？
還是策略的可選擇性越多會越接近真實？
我記得這樣的玩法，其實早都有人玩過了！
大家比的還是建模的準度...
如果真的存在一個「隱藏的邏輯」，誰越接近它效率就會越好
--
: 但我真正想要開發的,還並不是單純的做型態辨識和比對,我是想要找出市場根本的群
: 眾動力學,藉由瞭解這樣的東西,直接讓市場的力量無所遁形,達到真正的戰勝市場.這
: 可能是痴人說夢,永遠達不到,但是我知道我們有辦法離它愈來愈近.
: 我就來說一個簡單的模型:
: 1. 基於市場總是少數的人賺錢,且假設目前市場一共只有11個人(奇數是為了讓多空
: 一定有一方勝出)
: 2. 假設市場上每一個投資人都是根據"過去10天"的行情來決定明日該做多(+1)或
: 做空(-1)
: 3. 10天就一共有1024種可能的組合,但只會對應到+1或-1的結果.這11個投資人都可
: 能隨機的從這些規則中挑出一個或數個去決定明天的方向,假如一共有3個人決定
: 出要漲(+1),8個人決定要跌(-1),那明天的行情就是+1,因為根據條件一的原則.
: 4. 用這方法去跑出一個多空數列,就會跟真實市場的走勢很像.
: 5. 藉由這種方法,還可以進一步去分析,其實市場有時候是可以預測的(因為群眾剛好
: 都選一樣的策略),但有時候是不能預測的(因為群眾選的策略很分崎).如果用這
: 簡單模型來交易,我們可以讓這個模型跑一段走勢,直到出現和真正的市場走勢很
: 相似的一段,用那一段的結果來下單.勝算可能就很大.
最近都忙著作單解單。當時初看本po有些問題，提出來大家看看：
1. 針對第二點，如何決定系統中每個投資人的決策方法？這才是核心吧！
2. 針對第四點，所謂「跟行情很像」，則必須提出一個量化的比較方法。
譬如，我用亂數跑1000根K棒，也可以跑出一個可以唬得過正常人眼睛的圖表
也就是跟對方說，這是某檔股票的日線圖，但對方看不出來
不過這種圖，我不敢拿來作為行情的模擬數據來進一步分析
因為它光在碎形維度上，就跟真正的金融市場跑出來的數據是不同的！
或許可以這樣說，所謂的「聖杯」可能就藏在這...不過這是題外話了
3. 針對第五點，就是之前說過的，你要有個比對型態的演算法...
但我想這應該沒問題。
以上三點，第一點最重要，這就是比看誰建模建的好...
譬如在系統中我養了11隻代理人，每個代理人要讓它自己學會一種技術分析法
我這裡馬上就可以提出一個很簡單的實作：
找出11種技術分析指標，
然後使用類神經網路各別訓練這11個代理人，以各自的指標預測明日行情多空
訓練完成後，用集體投票方式，採少數決，決定明日行情多空...
這樣一個ET的簡單系統就完成了
或者變化一下
將這11個代理人的決策，再丟入一個非監督式的神經網路，彼此再來優勝劣敗一下
可能也是不錯的玩法
那麼養的代理人越多會越接近真實嗎？
還是策略的可選擇性越多會越接近真實？
我記得這樣的玩法，其實早都有人玩過了！
大家比的還是建模的準度...
如果真的存在一個「隱藏的邏輯」，誰越接近它效率就會越好
--
All Comments