×

Loading...
Ad by
  • 推荐 OXIO 加拿大高速网络,最低月费仅$40. 使用推荐码 RCR37MB 可获得一个月的免费服务
Ad by
  • 推荐 OXIO 加拿大高速网络,最低月费仅$40. 使用推荐码 RCR37MB 可获得一个月的免费服务

黑盒交易也好算法交易也好,已经演变了几十年了。

每个有点历史的公司都有数不清的算法在同时使用,人工智能或神经网络系统的应用更使千百种规则相互搏杀,几乎没有人知道到底系统里面有效的trading strategy是什么。但当年简单的线性决策规则早已经无法生存了。在我看来,算法交易也就是可口可乐的那神秘的1%配方,有多少人认为可口可乐的成功是因为这个所谓的7x配方呢?有些公司的成功是无法复制的,靠一个人来复制更是不可想象。可以设计出一条trading规则,但无发复制出一个庞大的trading系统和雄厚的资金支持来实施就根本等于0. 而对那些hedge fund公司来说,这个rule只是一个未经证实的假设,好一点的也不过是基于短期backtest上的一个假设。
Sign in and Reply Report

Replies, comments and Discussions:

  • IT programming background could be very useful in finance field.
    look at that russian programmer at goldman, who was VP and got fired due to being accused of cyber-theft recently. His annual pay is 400k. You can search his resume online. Even that, lot of people compalined that he was under paid so he had to steal the code for extra money. lol
    • 这个哥们是个数学+ 编程天才, 估计过了这个坎儿, 他肯定能复制GS的Trading BlackBox, 赚到大钱. 其实,看看今天的Quant AutoTrading Funds, 很多老祖宗都来自那两个著名的QuantFund. 想想看这是怎么回事? 还不是人的流动带来的嘛. 那个辞职前不把自己掌握的精华都打包呢.
    • 同意.... IT+MATH/PHYSICS+FINANCE是算法交易所须技能的组合之一, 其中IT+MATHE的比重甚至高过FINANCE(算法交易及RISK MANAGEMENT分支), 有家叫Renaissance Technology的公司, 号称是去年熊市中HEDGE FUND赢利榜首.
      • Renaissance Technology, 创始人是个数学教授, 当时他几乎把整个系的人才都拉走了.
      • 高频自动交易的QuantaFund 在市场中大赚特赚, 是否可以说"有效市场假设" 纯属扯淡呢?
        • Complex mathematical model is not everything, LTCM's failure is a good example. Human nature is another key factor.
          • LTCM 的失败起源于他们认为当时RUSSIA不会DEFAULT,而实际上DEFAULT了, 他们的MODEL所认为的小概率事件发生了, 所以不再起作用. 他们的RISK MANAGEMENT有漏洞, 加上资金管理出了策略性的问题. 这不能作为算法交易的失败例子, 只能说明他们的算法不够完善.
            • 看看近来的GS, 明显的庄家优势, 明天将公布的ER又从Trading 中大赚特赚, 市场如赌场,看来只对庄家是有效的工具而已!
              • 金融危机淘汰了一批选手,使原本拥挤的市场宽松一些,生存下来的选手又有几年好钱赚了。
            • 高频交易的安全区域是小范围内有效的市场波动性造成的供需失衡, 市场外部因素造成的剧烈动荡需要更高层的决策支持,自动交易算法在此情况下是失灵的。 好比技术分析在极端超买/超卖的情况下有可能失灵一样. 自动交易面对机械的市场行为有效, 而面对人为的市场行为失效.
              • 市场上的arbitrage总是存在的,由于人的emotion,greedy等psychology因素或者人的思维定式;就好比流动的水中的漩涡,一些漩涡消失,又会有新的漩涡产生。只不过大多数套利机会太小无利可图。
              • 相信好的strategy应该是adaptive的,因为市场是变化的,所以很多fund需要人工智能/机器学习方面的专才。
                • 很想了解这些Trading Strategy, 和技术实现的方法
                  • 这些东西对每个公司都是highly confidential,经常是在公司工作多年都不知道公司的strategy真正是什么(除非这个strategy是你发明的)。这些对外界都是个“迷”,引来很多好奇。我也想知道更多(谁不呢?!)。
                    • 黑盒交易也好算法交易也好,已经演变了几十年了。
                      每个有点历史的公司都有数不清的算法在同时使用,人工智能或神经网络系统的应用更使千百种规则相互搏杀,几乎没有人知道到底系统里面有效的trading strategy是什么。但当年简单的线性决策规则早已经无法生存了。在我看来,算法交易也就是可口可乐的那神秘的1%配方,有多少人认为可口可乐的成功是因为这个所谓的7x配方呢?有些公司的成功是无法复制的,靠一个人来复制更是不可想象。可以设计出一条trading规则,但无发复制出一个庞大的trading系统和雄厚的资金支持来实施就根本等于0. 而对那些hedge fund公司来说,这个rule只是一个未经证实的假设,好一点的也不过是基于短期backtest上的一个假设。
                      • 很难相信神经网络这种东西也能用来做trading strategy,完全是一个黑箱,一堆不能理解的系数,没有因果关系,甚至都不如多项式(多项式至少可以看出显式的关系);而且网络的节点、层等的设置没有根据可循,
                        完全凭个人主管臆断。傻子有一台电脑和一堆数据(当然还得会一点编程),都可以训练出一个神经网络来,而且对数据的拟合效果很好。
                        • 有点儿"DATA MINGMINING BIAS' 的意思,
                          • 有点儿那个意思,任何对数据的模型化都会产生bias。
                            不过神经网络的主要问题是:你不能利用它得到数据背后的系统的物理模型或输入输出关系,甚至都不能帮助你理解系统。直白地说就是:为什么输入1得到的输出是2?是什么一种机制导致输入1产生输出2的?
                      • 对上面几个帖子提到的“黑盒子”(black box)有不同的理解。一种是交易模型(或数学模型)本身是“白盒子”,只是发明人为了防止局外人窥探其中的秘密而把它包装成黑盒子。
                        另一种理解是:交易模型本身是黑盒子(没有明确物理意义的输入输出关系,如神经网络)。不知道上面帖子提到的“黑盒子”怎么理解:第一种或第二种或其他?