[转] 国海良时沈晓春：程序化交易是“模糊”的精确
阿思达克通讯社10月29日讯，国海良时期货金融创新部负责人沈晓春博士在由中国金融期货交易所、国海良时期货公司主办的申城高端论坛上介绍了程序化交易的思路，她比较了形态识别在传统技术分析和程序化交易中的异同，认为在程序化交易中拟合能够盈利的价格变动规律，再通过遗传算法则可提取出效果更优的信号。
沈晓春着重讲解了程序化中的形态识别。她认为，在程序化中用到的信息根据精确度划分可分为精确的信息和模糊的信息，比如昨日最高最低点或者今日的开盘价，这些都是精确的信息； 而诸如RSI(n)>LE, LE取值在60-95之间这类信息则属于模糊的信息。
她认为，传统技术分析中的形态识别通常是基于精确信息(配合主观判断)而非模糊信息，因此在程序中较难实现；而在程序化交易中，虽然知道技术指标的形态中包含能帮助投资者盈利的额外信息，但不知道信息的具体表现形式。
而程序化设计者针对此难点的解决方案为，不追求识别具体的形态，而将目标放在通过某种数学形式来拟合能够盈利的价格变动规律，利用遗传算法对程序进行训练，这样可以在本来已被证明有效的信号中进一步提取出效果更优的信号。
沈晓春以RSI模型举例称，对于简单的RSI模型，样本内的数据表现良好，收益回撤比较低，但一旦投入实战，回撤就变的相当大，总体来看，使用该策略获得的净盈利为59.082万元，最大回撤为5.742万元，收益回撤比为10.29；而使用RSI形态识别策略，在同样的数据、仓位以及出场规则下，收益大幅提高，总体来看，使用该策略获得的净盈利为93.096万元，最大回撤为7.47万元，收益回撤比则大幅提高至12.46。
除此以外，使用形态识别的策略在多市场应用方面效果也是比较显著的。对于此种策略的要点，沈晓春认为在与参数数量的选择，参数太少起不到效果，太多又会导致过度拟合；要点之二在于使用遗传算法，即在多参数同步优化时确保最优参数落在参数平原中，规避奇点。
据了解，遗传算法是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。它是从问题解的串集开始搜索，而不是从单个解开始，这使得其覆盖面大，利于全局择优。
您需要 [注册] 或 [登陆] 后才能发表点评