交易中的预测和跟随

        任何的交易决策,一定是基于某种推理关系的,这种推理关系是基于t时刻之前的状态,得到t时刻之后的结果,我们基于这种推理关系,根据当前的状态,形成了未来结果的某种预期,然后基于这种预期采取相应的决策,这个是没有问题的。关键在于这个推理关系的结构和特征是怎么样的,不同的推理关系,对应着我们所谓的预测和跟随。

决策模型(类比RNN类神经网络模型)

量化模型:

输入:可以很多,相对高质量

模型结构:隐层可以很长,也可以较短,性能和结果的均衡,其中隐层长度可以简单认为决策的逻辑链条长度

优化目标:收益误差,可以认为综合了胜率和盈亏比

普通散户:

输入:很有限,基本而有限的量价数据和各种消息,其中消息包含着各种偏差,质量低下

模型结构:隐层,也就是决策链条短,模型结构简单

优化目标:胜率权重很大

主观交易高手:

输入:很有限的量价数据,以及各种消息,相比于普通散户差别不大

模型结构:相比于量化和普通散户,模型架构不一样,可以通过少量的稀疏的数据,训练得到很好的结果,决策链条往往较长

优化目标:盈亏比权重大

        任何模型,输入更新,输出就可以更新,只是大部分时候,输出的预测,其确定性是不高的,我们称这种确定性不高的预测为弱关系,把确定性较高的预测为强关系。

        从优化目标看,量化模型输出的是具体价格预测,散户输出的更多是涨跌预测,高手输出的更多是盈亏比预测。

        量化模型价格预测综合了胜率和盈亏比,由于其可以规模化、自动化、非情绪化,因此其可以进行大规模的多次的交易,样本越大,就可以越向统计结果收敛,那么只要其具备统计优势,就是一个可以稳定盈利的模型,即使是弱预测、弱关系。

        主观交易者,不具备量化模型的规模化分析和交易能力,因此注定无法通过弱预测实现稳定盈利,因为弱关系是量化模型的优势,主观交易的弱关系,现在已经很难有正期望,无论是从模式还是执行层面,即使其模式本身可能具备正期望,也不考虑执行上的弱势,只要无法稳定,只要账户波动大,那么其情绪化特点会对其模型造成极大干扰,因为情绪和模型共处一个大脑,并不独立,这种干扰无法避免,即使通过自我训练,也只能尽量降低,无法杜绝。而且这种干扰往往是负面干扰,因为人性弱点是共性,这种共性形成了趋同,趋同是很好的alpha来源,一旦人性暴露,就会称为alpha收割机们的鱼肉。

        因此,主观交易者,应该选择的盈利路径,一定是高确定性的方式,也就是强关系、强预测。强关系,意味着其信号次数一定是不多的,因为次数多的强关系,就会增加被发现的概率,时间一长,一定会被充分发掘,从而会变成弱关系。因此,主观高手,其出手次数一定是不多的,如果你频繁交易了,随意交易了,你就该反思了,你在进行毫无优势的,注定要亏损的弱关系交易。

        强关系的特点,除了次数少,其输入稀疏但是很重要,也就是在训练的时候,对一些关键输入赋予了较大的权重,而且模型结构(决策链条)更加的准确,输入的相对位置更加准确,对应着现实中更加准确的逻辑决策链条,因此,强关系的决策过程,往往是需要经过一系列前置条件的,类似一颗决策树,不断分叉,可能每个节点单独拎出来,直接指向最终目标的预测都是弱预测,但是其贯穿起来,达到最终的叶子目标节点,其就是一个强关系,我们可以把这种强关系在现实中映射为一种方案,即当某个节点出现了某个状态,那么我就要看下一个节点的状态,然后根据其状态,再看下一个节点,直到可以做出最终的决策,这个实际上就是一种计划、一种方案,而不是直接通过第一个节点或者前几个节点就做出决策了,这样关系就会不够强。那么自然的,这种强关系由于前置条件比较多,自然有效的信号次数是比较少的,这是完全合理的。

        强关系的训练优化目标更多是盈亏比,因为胜率目标本身是很难作为强关系存在的,价格的涨跌,其决定因素太多了,随机性也比较强,其不具备强关系的属性,也就是很难具备较高的确定性,而且这种需要分析多因素的关系,优势在量化,而量化的特点就是消灭一切能够消灭的强关系,因此,胜率很难作为强关系的优化目标。

        高盈亏比的特点是什么,就是单次风险小,高盈亏比实际上就是一种风控为先的交易哲学。这对于主观交易者来讲尤其重要,只有控制住了风险,才能保持情绪稳定,才能更好的执行交易计划,主观交易者如果情绪不稳定,那再好的计划失去了实现的基础;只有控制住了风险,才能比较长久的在市场中存活下去,才有足够的时间去训练优化自己,如果没有足够的时间,那再好的潜质,也就没有了爆发出来的基础。因此,主观交易者,要视盈亏比为交易系统的核心,把高盈亏比作为最高的交易哲学和原则之一,这样才更有可能走出来。

        综上,我们知道,主观交易,要想稳定盈利,只能依靠强关系,而且是量化很难消灭的强关系,那么就基本只剩下盈亏比为优化目标的强关系。什么是量化难以消灭的强关系,就是不能只依赖量价数据,样本稀疏,决策链条相对复杂的强关系,可以通过少量稀疏样本,准确的学习到相对复杂的决策模型,这种模型结构,我想也只有人类的大脑才能做到了,只要训练到位,交易世界里,我相信主观高手一定是最强的,毕竟人脑才是最强大的神经网络模型。

        最后回到文章标题,通俗语境中的预测和跟随是什么意思,为什么很多高手说,不做预测,只跟随?我想现在可以给出答案了,预测就是弱关系,主观交易不能依据弱关系形成交易决策,跟随是强关系,是弱关系的逻辑连贯,形成的一种高盈亏比的交易计划或者方案。当然,严格来讲,强弱关系,本质都包含了预测,只是弱关系中,预测差不多就是终点了,重点在于选择最大概率那个预测指导交易,而强关系中,预测的是一种概率分布,更重要的是概率分布下每种情况的后续节点的交易计划,而且每种交易计划,都要具备高盈亏比,因为这是训练优化的目标,主观上我们当然可以对概率较高的节点计划准备充分一些。所以不做预测只做跟随,想表达的意思,就是我们不能依据弱关系弱预测去进行交易,因为主观上这很难稳定盈利,而是应该着重在高盈亏比的交易计划上,跟随指的就是通过弱关系更新我们的后验概率分布,然后选择相应节点下对应的高盈亏比的交易计划,我们日常训练优化我们的模式的时候,重点就是强化这种交易计划,从而可以快速准确的对弱关系做出具备高盈亏比确定性的应对。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/23685.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

开机弹窗找不到opencl.dll怎么办,教你几种有效的修复方法

在计算机使用过程中,我们经常会遇到一些错误提示,其中之一就是“找不到opencl.dll文件”。这个问题可能会影响到我们的正常使用,因此了解其原因和解决方法是非常必要的。本文将从多个方面对“找不到opencl.dll文件”这一问题进行详细分析和解…

如何修复d3dcompiler43.dll丢失问题,这三种方法可轻松解决

在计算机使用过程中,我们常常会遇到一些错误提示,其中之一就是“计算机缺失d3dcompiler43.dll”。这个问题可能会影响到计算机的正常运行,让我们无法正常使用某些软件或者游戏。那么,究竟什么是d3dcompiler43.dll?为什…

极光公布2024年第一季度财报

2024年6月6日,中国深圳——中国领先的客户互动和营销科技服务商极光(Aurora Mobile,纳斯达克股票代码:JG)(以下称“极光”或“公司”)公布截至2024年3月31日第一季度未经审计的财报。 2024年第…

Ubuntu22.04显卡驱动与内核版本不一致解决方案

有时候在使用 GPU 服务器时执行 nvidia-smi 会遇到以下报错: Failed to initialize NVML: Driver/library version mismatch NVML library version: 535.161这说明 Nvidia 显卡驱动与内核版本不一致,我们可以查看一下内核版本: cat /proc/d…

netty-学习

Netty Netty 的核心概念Netty 的主要特性Netty 的应用场景Netty 的基本使用服务器端处理器 总结 代码分析1.心跳检测代码解析类和成员变量userEventTriggered方法总结 4.参数详解ChannelHandlerContext ctxObject evt 事件来源示例:配置 IdleStateHandler事件处理示…

Linux上的电子邮件服务器安装教程

🍁 作者:知识浅谈,CSDN签约讲师,CSDN博客专家,华为云云享专家,阿里云专家博主 📌 擅长领域:全栈工程师、爬虫、ACM算法,大数据,深度学习 💒 公众号…

浏览器内置对象 window 用法集锦,看这篇就够了

文章导读:AI 辅助学习前端,包含入门、进阶、高级部分前端系列内容,当前是 javascript 的部分,瑶琴会持续更新,适合零基础的朋友,已有前端工作经验的可以不看,也可以当作基础知识回顾。 上面文章…

[网鼎杯 2020 青龙组]singal

记录下angr初使用 这道题是很简单的逻辑 32位 我们提取opcode (你可以用convert) 我是用的IDApython\ import idc adr0x00403040 step4#距离 op[] n10#多少个数据 while(n):op.append(hex(idc.get_wide_dword(adr)))adrstepn-1 print(op)然后我又下断点,提取每个"i&q…

持续总结中!2024年面试必问 20 道 Kafka面试题(十)

上一篇地址:持续总结中!2024年面试必问 20 道 Kafka面试题(九)-CSDN博客 十九、Kafka的ACK机制是什么? Kafka的ACK(Acknowledgement,确认)机制是确保消息被成功发送和接收的重要部分…

MySQL—多表查询—内连接

一、引言 (1)内连接查询语法 内连接查询的是两张表的交集部分的数据。(也就是绿色部分展示的数据) (2)内连接有两种形式: 1、隐式内连接 语法结构: 2、显示内连接 语法结构&#xf…

pycharm FuncAnimation画动态图不显示, 以及画图

网上的一些方法给出了解决措施,如:https://blog.csdn.net/qq_41725313/article/details/122048864?spm1001.2101.3001.6650.2&utm_mediumdistribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogOpenSearchComplete%7ERate-2-122048864-blog-139…

红酒:如何避免红酒过度氧化

红酒过度氧化是影响其品质的重要因素,尤其是在储存和运输过程中。过度氧化的红酒会失去原有的果香和口感,变得平淡无味。因此,避免红酒过度氧化至关重要。以下是一些进一步的措施,可以帮助您保护云仓酒庄雷盛红酒的品质&#xff1…

QT学习过程中遇到的问题自记

文章目录 前言问题1问题2问题3 前言 学习QT嵌入式实战开发(从串口通信到JSON通信微课视频版)的过程中遇到的几个小问题 问题1 1.将书中的示例代码导入自己的电脑,然后点击工程进去,不能运行,报错 no kits are enabled for this project… 我…

LangChain :构建个人AI代理从这里开始

LangChain,一个强大的工具,允许根据用户输入创建对语言模型和其他工具的复杂调用链。就像拥有一个私人助理,可以根据手头的任务做出决定。本文来分享一下在 LangChain 中使用 Agents 的心路历程。 LangChain中代理的概念 在 LangChain 中&a…

指针还是学不会?跟着小代老师学,进入深入理解指针(4)

指针还是学不会?跟着小代老师学,进入深入理解指针(4) 1回调函数2qsort使用举例2.1使用qsort函数排序整行数据2.2使用qsort排序结构体数据 3qsort函数的模拟实现 1回调函数 回调函数就是一个通过函数指针调用的函数。 如果你把函数…

小球的种类(ball)

小球的种类 题目描述 小红有 n n n种不同颜色的小球,第 i i i种颜色的小球有 a i a_i ai​个,放在同一个盒子中。 小红每次任意取出 k k k个小球并丢弃,直到盒子中剩余的球数小于 k k k个为止。 小红希望最终盒子里的小球颜色种类尽可能少…

荧光标记Avidin与特定生物分子的靶向结合-星戈瑞

亲和素Avidin是一种具有生物学特性的蛋白质,能够与生物素(biotin)进行高亲和力结合。通过荧光标记技术,我们可以将荧光基团与Avidin结合,形成荧光标记Avidin,从而实现对特定生物分子的靶向结合和可视化。 …

LeetCode-239.滑动窗口最大值

给你一个整数数组 nums,有一个大小为 k 的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口内的 k 个数字。滑动窗口每次只向右移动一位。 返回 滑动窗口中的最大值 。 示例 1: 输入:nums [1,3,-1,-3,5,3,6,7], k 3 输…

【无标题】2024.6.6

2024.6.6 【一天高考&#xff01;&#xff01;&#xff01; “夏天周而复始、该相逢的人会再相逢”】 Thursday 五月初一 <theme oi-“DP”> 来学习一下DP的优化 其实考试时我应该很难用到优化的 P2569 [SCOI2010] 股票交易 DP柿子比较好推&#xff0c; T&#xff0…

I2C通信外设

I2C外设介绍 主机&#xff0c;就是拥有主动控制总线的权利。从机&#xff0c;只能在从机允许的情况下&#xff0c;才能控制总线。 多主机模型可分为固定多主机和可变多主机。固定多主机就是总线上&#xff0c;有2个或2个以上固定的主机&#xff0c;上面固定为主机&#xff0c;下…