我也修改標題了，讓標題比較符合內文，原原po應該也不在意吧
其實程式交易的那些流程，就是機器學習的過程(方法較簡單)
取得原始資料-->決定技術指標-->進出場規則-->回測-->結果分析
詳細過程請自己買書或上網查這裡不多說
交易獲利的關鍵是資金管理與技術指標(定義盤型)
有交易經驗的人應該都會認同資金管裡的重要性更大於技術指標
因為多數交易者並沒有技術指標的開發能力(通常是別人的指標)
決定技術指標對於機器學習領域來說就是取特徵值
均線黃金交叉 突破前N日高 W底辨識...都是取特徵值
取特徵值的方法有很多，多到人類終其一生也學不完
也就是說交易者有幾乎用不完的技術指標
所以對有機器學習背景的人來說，技術指標與資金管理同等重要
能研發專屬自己的技術指標是理工阿宅辛苦學習後的優勢
但是正常人應該對期貨交易不熟悉，很難寫機器學習的相關程式
所以在開始前要先了解甚麼是期貨交易(本文針對短線還有當沖)
因為期貨交易可以看成一種賭局，所以推薦從撲克賭局開始
了解撲克賭局本質的人能較容易看透期貨賭局為何
撲克牌的牌型很明確但期貨的盤勢很不明確
所以交易者都常都會定義自己的"期貨牌局"(技術指標 特徵值)
但是對初學者來說這很困難因此強烈建議從撲克入門
所謂"期貨牌局"就只是一種類比概念
交易者要能依據不同盤勢制定交易策略
因為不同盤勢會有不同的期望獲利
尤其是持有多久後的期望獲利，因為停利點太低也會出場
而且還要依據遊戲規則與風控制定自己的資金管理
一樣是撲克 21點 梭哈 德州撲克 規則就不相同
資金管理的方法也會因此不同(會贏才進場的精神相同)
21點就是以算牌為主 較沒有心理戰的問題
梭哈跟德州撲克 就有心理戰的層面 例如:把把都梭哈 把把都不跟
撲克賭局中較沒有停利出場與繼續持有的概念
但是 算牌 資金管理 心理壓力克服的賭局基本特性是相似的
如果都能理解上面的論述，你應該可以開始機器學習實作期貨交易了
補個買方Op點
買單邊就行 買的次數不要多 找大漲大跌的時候
傳統技術指標就很夠用了 找"龍王"from華爾街的物理學
===============================================================
===============================================================
我是分割線，分割線之後是比較接近人話的討論
===============================================================
===============================================================
※ 引述《q1a22001 (crazy楊)》之銘言：
: 定義好壞牌對交易而言應該就是對策略的濾網下功夫吧
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
最常見的程式交易就是用這種方法+回測積效以決定策略
但這只是最簡單最基本的方法
: 但跟德州撲克不同的是
: 德州撲克的牌型組合可以有量化的勝率
: 但真實交易所用到的參數實在太多了
: 你如何定義某個時空下的勝率是個問題
: 再來你定義的勝率有辦法像德州撲克正確客觀嗎
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
圍棋的盤面更複雜 Google的AlphaGo用深度學習神經網路+蒙地卡羅模擬
如果只作期貨日內當沖或者1小時當沖或甚至15分鐘 5分鐘的當沖
期貨的複雜度絕對遠小於圍棋的複雜度
很多學術論文用小波轉換取特徵值來分析期貨的盤勢
我用的是我個人獨創的K線與均線模擬小波轉換分析期貨
這方面的問題你可以自己找關鍵字 "特徵值" "機器學習"
--------------------------------------------------------------------
: 程式交易還可以回測 但都還有最佳化的疑慮
積效回測只是最基本的方法 比較嚴謹的方法要用蒙地卡羅法模擬
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
德州撲克的Libratus 圍棋的AlphaGo 的測試結果都有過度最佳化問題
應該說全部機器學習與資料探勘分析技術所的結果都有過度最佳化問題
最簡單的避免過度最佳化的測試方法是 Cross Validation
-------------------------------------------------------------------
: 若是主觀交易我覺得跟打撲克聯想再一起還是太天真了
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
不久前多數學術界的人也都覺得 圍棋的人工智慧超越人腦是很不切實際的事
我還在念碩班的時候 指導教授也覺得人工智慧根本是沒有未來的票房毒藥
-----------------------------------
: 我覺得資金控管方面還可以互相參考
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
的確如此
--------------------------------------------
: 其他的對交易的策略上並沒有甚麼關聯
: 好好架構自己的濾網 了解市場 持續觀察調整
: 別想什麼德州撲克了 我覺得很容易模糊焦點
: 我們是trader不是poker
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
你目前的狀況就像是已經學會鑽木取火的人類
但是覺得 火柴 打火機 點火器 火焰槍都是很虛幻的東西
人工智慧機器學習的目標就是讓機器能學會人類才能作的事情
台科大的徐演政教授就有實際進場交易的人工智慧
金融交易的人工智慧其實一直有在發展
除了我前面提到的例子
IBM的人工智慧華生也在 醫師 律師 問答等領域取得很顯著的積效
無人自駕的 捷運 車 飛機 都已經有實際上路的成品
郭台銘的工廠作模具以前需要老師傅才能定公差 現在可以自動化
他也有已經上線的無人工廠在實際運作
--
其實程式交易的那些流程，就是機器學習的過程(方法較簡單)
取得原始資料-->決定技術指標-->進出場規則-->回測-->結果分析
詳細過程請自己買書或上網查這裡不多說
交易獲利的關鍵是資金管理與技術指標(定義盤型)
有交易經驗的人應該都會認同資金管裡的重要性更大於技術指標
因為多數交易者並沒有技術指標的開發能力(通常是別人的指標)
決定技術指標對於機器學習領域來說就是取特徵值
均線黃金交叉 突破前N日高 W底辨識...都是取特徵值
取特徵值的方法有很多，多到人類終其一生也學不完
也就是說交易者有幾乎用不完的技術指標
所以對有機器學習背景的人來說，技術指標與資金管理同等重要
能研發專屬自己的技術指標是理工阿宅辛苦學習後的優勢
但是正常人應該對期貨交易不熟悉，很難寫機器學習的相關程式
所以在開始前要先了解甚麼是期貨交易(本文針對短線還有當沖)
因為期貨交易可以看成一種賭局，所以推薦從撲克賭局開始
了解撲克賭局本質的人能較容易看透期貨賭局為何
撲克牌的牌型很明確但期貨的盤勢很不明確
所以交易者都常都會定義自己的"期貨牌局"(技術指標 特徵值)
但是對初學者來說這很困難因此強烈建議從撲克入門
所謂"期貨牌局"就只是一種類比概念
交易者要能依據不同盤勢制定交易策略
因為不同盤勢會有不同的期望獲利
尤其是持有多久後的期望獲利，因為停利點太低也會出場
而且還要依據遊戲規則與風控制定自己的資金管理
一樣是撲克 21點 梭哈 德州撲克 規則就不相同
資金管理的方法也會因此不同(會贏才進場的精神相同)
21點就是以算牌為主 較沒有心理戰的問題
梭哈跟德州撲克 就有心理戰的層面 例如:把把都梭哈 把把都不跟
撲克賭局中較沒有停利出場與繼續持有的概念
但是 算牌 資金管理 心理壓力克服的賭局基本特性是相似的
如果都能理解上面的論述，你應該可以開始機器學習實作期貨交易了
補個買方Op點
買單邊就行 買的次數不要多 找大漲大跌的時候
傳統技術指標就很夠用了 找"龍王"from華爾街的物理學
===============================================================
===============================================================
我是分割線，分割線之後是比較接近人話的討論
===============================================================
===============================================================
※ 引述《q1a22001 (crazy楊)》之銘言：
: 定義好壞牌對交易而言應該就是對策略的濾網下功夫吧
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
最常見的程式交易就是用這種方法+回測積效以決定策略
但這只是最簡單最基本的方法
: 但跟德州撲克不同的是
: 德州撲克的牌型組合可以有量化的勝率
: 但真實交易所用到的參數實在太多了
: 你如何定義某個時空下的勝率是個問題
: 再來你定義的勝率有辦法像德州撲克正確客觀嗎
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
圍棋的盤面更複雜 Google的AlphaGo用深度學習神經網路+蒙地卡羅模擬
如果只作期貨日內當沖或者1小時當沖或甚至15分鐘 5分鐘的當沖
期貨的複雜度絕對遠小於圍棋的複雜度
很多學術論文用小波轉換取特徵值來分析期貨的盤勢
我用的是我個人獨創的K線與均線模擬小波轉換分析期貨
這方面的問題你可以自己找關鍵字 "特徵值" "機器學習"
--------------------------------------------------------------------
: 程式交易還可以回測 但都還有最佳化的疑慮
積效回測只是最基本的方法 比較嚴謹的方法要用蒙地卡羅法模擬
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
德州撲克的Libratus 圍棋的AlphaGo 的測試結果都有過度最佳化問題
應該說全部機器學習與資料探勘分析技術所的結果都有過度最佳化問題
最簡單的避免過度最佳化的測試方法是 Cross Validation
-------------------------------------------------------------------
: 若是主觀交易我覺得跟打撲克聯想再一起還是太天真了
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
不久前多數學術界的人也都覺得 圍棋的人工智慧超越人腦是很不切實際的事
我還在念碩班的時候 指導教授也覺得人工智慧根本是沒有未來的票房毒藥
-----------------------------------
: 我覺得資金控管方面還可以互相參考
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
的確如此
--------------------------------------------
: 其他的對交易的策略上並沒有甚麼關聯
: 好好架構自己的濾網 了解市場 持續觀察調整
: 別想什麼德州撲克了 我覺得很容易模糊焦點
: 我們是trader不是poker
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
你目前的狀況就像是已經學會鑽木取火的人類
但是覺得 火柴 打火機 點火器 火焰槍都是很虛幻的東西
人工智慧機器學習的目標就是讓機器能學會人類才能作的事情
台科大的徐演政教授就有實際進場交易的人工智慧
金融交易的人工智慧其實一直有在發展
除了我前面提到的例子
IBM的人工智慧華生也在 醫師 律師 問答等領域取得很顯著的積效
無人自駕的 捷運 車 飛機 都已經有實際上路的成品
郭台銘的工廠作模具以前需要老師傅才能定公差 現在可以自動化
他也有已經上線的無人工廠在實際運作
--
All Comments