|
自動交易系統通常用于一個或兩個應用項目。交易系統合成與提升（TSSB）是一個先進的程序，能夠生成兩個應用：（1）一個完整獨立的交易系統，能進行所有的交易決策；（2） 一個能夠通過篩選交易信號，提高已有交易系統性能的模型。我們稱此為“Boosting”（Boosting是一種提高任意給定學習算法準確度的方法）。這是常有的事，通過智能化篩選現有交易系統的信號，同時忽略掉其他的，我們可以改善收益風險比。
兩種自動化交易的方法
無論投資者的目的是開發一個獨立的交易系統或是一個提高現有交易系統性能的過濾系統，有兩種常見的開發和實現方法：（1）基于規則的方法（If/Then規則）；（2）預測模型。基于規則的交易系統需要投資者指定進行交易決策的規則，雖然這些規則中的一個或多個參數可以利用開發軟件進行優化得到。下面是一個簡單的基于算法的交易系統的例子：如果短期價格移動平均穿越長期價格移動平均，耶么在下一根K線持人多頭頭寸。隨著高性能計算機的普及，一個替代的交易系統開發方法已經變得可行。預測建模通過利用采用復雜數學算法的軟件，檢驗來自歷史數據的指標，如價格、成交量、持倉量，以發現具有預測能力的重復模式。預測模型本質上是一個數學或邏輯公式，建立這些模式與目標變量或因變量之間的關系。這是TSSB所使用的方法，相對基于規則的方法，它具有以下幾個優點：
（1）智能建模軟件利用機器學習可以發現非常復雜的模式或是隱藏在噪聲之下人們難以發現的模式。
（2）一旦—個基于預測模型的交易系統開發完成，它通�？梢院苋菀椎恼{整其操作，改變收益風險比以適應更廣的范圍。它可以在高交易頻率低勝算和低勝算高交易頻率之間取得平衡。這可以通過閥值控制模型預測轉化為離散的買賣信號。
（3）設計良好的軟件允許開發人員調整交易系統開發的自動化程度。有經驗的開發者可以對整個過程進行良好的控制，把他們的知識轉換為系統某些所需的屬性；而缺乏經驗的開發人員可以利用軟件，完全自動化的來實現整個過程。
（4）一般來說，預測模型比基于規則的系統開發方法更能經受高級統計分析的檢驗。檢驗系統統計顯著性的復雜分析算法可以更容易被納入模型生成過程。
（5）預測建模是一個發展良好的數學學科，用于從數據集中最大量的提取有用的信息。直覺有助于提出方法以將原始數據集轉換出大型候選指標列表。預測建模，即使是最簡單的形式，如線性回歸，也比靠人類直覺選擇最好的候選指標并合成預測要更優。有150多名學者研究比較人類專家的統計模型，證明了這一事實。
預測模型
用預測模型方法開發交易系統依賴于市場價格運動的基本屬性：所自市場都有會重復出現的模式，因此，可以用來預測未來價格行。例如，在一定條件下，趨勢將持續直到力度耗盡。在其他情況下，不同的模式將出現，趨勢后面更可能伴隨著回歸近期均值的走勢。預剮模型研究歷史市場數據，試圖發現特征以區分這兩種模式。預測模型的目標然后是發現足以盈利的重復出現的模式。一旦發現，模型將尋找該模式的再次發生�；跉v史觀察，模型將能夠用于預測市場是否會快速上升、下降或盤整。這些預測可以通過閥值轉化為買賣的決策。
指標變量和目標變量
預測模型通常不直接使用原始市場數據。相反，市場價格和其他序列，如交易量，通常會轉換成兩類變量，指標變量和目標變量。這是在模型訓練、檢驗以及最終實盤交易的時候使用的數據．正是在這些變量的定義過程中，開發人員對交易系統發揮著他們的作用。
指標變量是嚴格按時間向后推移的。當進行實時交易時，對于任意給定的K線都將對指標進行計算，假設我們擁有足夠的歷史價格數據可以滿足對指標的定義。例如，有人可能用當根K線的收盤價與回溯第5根K線的收盤價的變化分比來定義趨勢。只要我們知道這兩個價格，我們僦可以計算出這個趨勢指標．TSSB可以計算出上百種不同類型的指標以對市場行為特征進行量化度量。目標變量是嚴格按時間向前推移的。（在經典回歸模型中，目標通常指的是困變量。）目標揭示出未來的市場行為。我們可以利用歷史數據計算目標變量，只要我們有足夠的未來數據滿足對目標變量的定義。顯然，雖然當我們真正交易這些系統的時候，我們并不知道這些目標，除非我們有一個非凡的水晶球。例如，我們可以定義一個稱為day-return的指標，表示第三天開盤價相對第二天開盤價的變動百分比，如果我們有價格的歷史記錄，我們可以在每根K線上計算出這個目標，除了最后兩根K線。TSSB可以計算各種類型的目標變量。
總之，預測模型背后的基本思想是，指標可能包含可用于預測目標的信息。預測模型的任務就是尋找和利用任何此類信息。 |
