系统化交易常见的问题

　　金融市场是典型的耗散结构——在开放和远离平衡的条件下，在与外界环境交换物质和能量的过程中，通过能量耗散过程和内部非线性动力学机制来形成和维持的宏观时空有序结构，称为耗散结构。纯技术分析研究的只是经过内部纷繁复杂的相互作用之后，所形成的宏观时空有序结构，原因有二：一是内部是随机的或是混沌的，实在难以以目前的知识进行描述。二是宏观时空有序，即模式的存在性。本文仅在纯技术分析框架内讨论系统化交易，这里的系统化包含主观系统化和程序系统化。
　　系统化交易本质
　　现代科学逐渐向相对性迈进，渐离绝对性，是基于公理化定义(假设)的自洽逻辑体系。每个理论都是从自身角度从一个侧面去诠释这个世界，它们之间可以冲突，但是没有对错，因为都是盲人摸象。对于系统化交易笔者持同样看法。笔者所理解的系统化交易的本质是：历史和未来市场存在一种模式，将该模式作为交易依据，所得的胜率(概率)和收益率(随机变量)计算得到的期望值为正值。
　　寻找模式的关键
　　周期：对于周期，笔者理解为一种特殊的采样方式，即等时间间隔采样。与之对应的有等价格间距采样、特殊价格点位采样、特殊形态点采样等。它们都有各自的特点，但是具有共同的目的。一是降噪，即市场中信息纷乱繁杂，我们要提取自己认为有用的信息，以抗击各种干扰，有助于得出正确的结论。二是对应不同的行情，即交易方式无非两个方面。一方面是趋势跟踪，另一个方面是逆趋势跟踪。解决方案也有两种。一种是事前识别行情隶属于哪种行情，并采用对应的策略。另一种是将二者统一，即市场中没有逆趋势行情，只有大行情和小行情之分，因此需要采样来应对，例如日线对应大行情、分钟线处理日内小行情。三是通过多周期可以精确定位入场点，提高胜率。例如，单以15分钟5根均线上穿20根均线为入场点，那么胜率会很低，并且受噪声影响严重。如果此时基于大周期上涨时小周期只做多的思想做如下改动，胜率可能就会变高，期望值也可能变大，方法就是只有在30分钟 5根k线均值大于20根k线均值并且满足15分钟条件时做多。

　　金融市场是典型的耗散结构——在开放和远离平衡的条件下，在与外界环境交换物质和能量的过程中，通过能量耗散过程和内部非线性动力学机制来形成和维持的宏观时空有序结构，称为耗散结构。纯技术分析研究的只是经过内部纷繁复杂的相互作用之后，所形成的宏观时空有序结构，原因有二：一是内部是随机的或是混沌的，实在难以以目前的知识进行描述。二是宏观时空有序，即模式的存在性。本文仅在纯技术分析框架内讨论系统化交易，这里的系统化包含主观系统化和程序系统化。
　　系统化交易本质
　　现代科学逐渐向相对性迈进，渐离绝对性，是基于公理化定义(假设)的自洽逻辑体系。每个理论都是从自身角度从一个侧面去诠释这个世界，它们之间可以冲突，但是没有对错，因为都是盲人摸象。对于系统化交易笔者持同样看法。笔者所理解的系统化交易的本质是：历史和未来市场存在一种模式，将该模式作为交易依据，所得的胜率(概率)和收益率(随机变量)计算得到的期望值为正值。
　　寻找模式的关键
　　周期：对于周期，笔者理解为一种特殊的采样方式，即等时间间隔采样。与之对应的有等价格间距采样、特殊价格点位采样、特殊形态点采样等。它们都有各自的特点，但是具有共同的目的。一是降噪，即市场中信息纷乱繁杂，我们要提取自己认为有用的信息，以抗击各种干扰，有助于得出正确的结论。二是对应不同的行情，即交易方式无非两个方面。一方面是趋势跟踪，另一个方面是逆趋势跟踪。解决方案也有两种。一种是事前识别行情隶属于哪种行情，并采用对应的策略。另一种是将二者统一，即市场中没有逆趋势行情，只有大行情和小行情之分，因此需要采样来应对，例如日线对应大行情、分钟线处理日内小行情。三是通过多周期可以精确定位入场点，提高胜率。例如，单以15分钟5根均线上穿20根均线为入场点，那么胜率会很低，并且受噪声影响严重。如果此时基于大周期上涨时小周期只做多的思想做如下改动，胜率可能就会变高，期望值也可能变大，方法就是只有在30分钟 5根k线均值大于20根k线均值并且满足15分钟条件时做多。
　　指标：笔者从两个方面进行阐述，一是指标的作用。待处理的数据包含各种信息，每个指标都是从某一个方面侧面去描述某一信息或是某些信息作用价格之后产生的必要条件。以双均线交叉为例，上交叉是行情上涨带来的必然结果，但是上交叉并不一定导致行情进一步上涨，这是就要引入概率思维，只要10次上穿有6次成功预示后续行情是上涨的，并且10次综合结果是盈利的，那么这个指标就成功描述一种可盈利的模式。二是理解各个指标的具体意义。以均线为例，可以从三个角度去看：基本含义是n个数值的平均值。从几何角度看，n个数值和对应每个值为一的列向量的内积。从时间序列分析角度看，当前降噪值等于前n个值的迭代输出。
　　泛化能力：在系统化交易中，假设历史和未来市场存在一种模式，可是未来我们并不知道，那么仅仅是通过历史寻找模式，并以此去赌未来吗？当然不是。这里就需要理解泛化性即普适性的意义。泛化能力就是通过样本内数据学习得到的模式，对样本外数据的适应能力，也就是基于历史数据得到的模型有多大的可信度，可以用于未来数据，即未来实盘交易中。
　　如何检测模型普适性
　　模型具有泛化能力是我们敢于将通过历史数据得到的模型用于未来实盘交易中的前提。所以必须要保证模型具有普适性，并且尽可能增强这种普适性。那么如何检测普适性呢？
　　一是检测模型在同品种同周期递推回测——这个主要针对含有资金管理的模型的回测——适应的递推周期数量，越大越好。二是检测适应的品种数量和不同周期的数量，同样是越大越好。三是计算该模型单手回测的收益与该周期数据的折线路程长度的比值。
　　这里有个问题，就是普适性和高利润不可兼得。以日线收盘价类模型为例，一年中的折线路程长度是该年中该类模型可获得的最大利润。而模型的单手回测利润等于这个最大或是接近这个总长度导致的必然是拟合，而丧失普适性。这也可能是为什么市场上炒单新星总有，但是寿星罕见的一个重要原因。炒单新星在获取高额利润的同时，过度拟合了所交易数据曲线而丧失普适性，以至于在未来难以通过以往的经验，继续获取高额收益。
　　系统化与程序化的区别
　　程序化是系统化的子集。人脑综合了二值或多值逻辑、模糊逻辑、概率逻辑等多种逻辑，而计算机是基于经典数理逻辑中的二值逻辑，在能力上与人脑还是相去甚远的。我们利用计算机程序化交易并不能替代所有技术分析方法，但是可以利用其严格的执行力和快速的运算能力。
　　需要注意的是，虽然存在尚不能通过计算机描述的东西，但是也不能过分去神话一个被叫做盘感的东西。如果这个东西可以带来盈利，笔者认为可以划归到系统化范畴。盘感就是定义了一种难以描述的模式，并且通过大脑的快速历史回测和泛化，而产生交易信号的一种方式而已。
　　笔者认为，人工智能算法的作用仅仅是锦上添花，而不是雪中送炭，倘若直接使用诸如lstm等算法基于历史数据训练去寻找模式，无异于缘木求鱼。人工智能算法和其他数学算法，或者物理公式模型，应重在理解其思想，而不是直接当作工具简单粗暴地使用。它们只是教会我们如何抽象出模式，如何去描述出模式，仅此而已。
　　系统化和程序化是否只是简单地机械式执行，没有技术含量呢？这里面需要理解的是，这个简单是形式本身的简单，但是形之上的思想内涵是复杂，是以高度的抽象性包罗市场。因为人脑对事物的认知过程是由少到多，再由多到少的过程，以致到达所谓的大巧不工、大智若愚的境界。在这个意义上，系统化是一种对市场深刻理解前提下的完美提炼。