交易

子曰：“吾十有五而志于学，三十而立，四十而不惑，五十而知天命，六十而耳顺，七十而从心所欲不逾矩。”

出自春秋孔子《论语·为政篇》中的第4章。

这是伟大的孔子自述其人生思想境界进阶过程。

而做交易，就是做人。在我看来，做交易的境界提升跟孔子所言的过程极其相似，做交易的最高境界，也是从心所欲不逾矩。

而立

首先，之前我们讨论过：只有当一个交易员认识到了“走势是不确定的”时，投机大门才算真正的打开。

因为他忽然意识到，自己之前沉寂的那个以“预测”为核心的领域完全是错的。

自己是完全被欲望牵引，在一个纷繁复杂，充满谬误的幻境中完全迷失了自己。真实的交

古德里安建议在攻势发动的第五天，用强大的装甲部队，强渡缪斯河(meuse)，在这里突破法军防线，然后向着亚眠(Amiens)前进。当时的参谋总长哈尔德，认为这个计划毫无价值。哈尔德认为应该在突破缪斯河后，建立桥头镇地，然后等待步兵和炮兵的赶到，才能发动全面的进攻。古德里安争辩说，德军唯一的优势是，用全部的装甲部队进行突破，然后在一个非常宽和深的地域奇袭，使得对方难以判断自己的目标，而不必担心侧翼的安全。但在后来，包括李斯特(List)元帅，龙德施泰特元帅都认为应该谨慎的使用装甲部队，这令古德里安非常沮丧。

古德里安说，这个时候相信曼施泰因计划能够成功的，可能只有他自己，曼施泰因以及希特勒三个

尼古拉斯.塔勒布在其主要著作中总是提到归纳法问题（Problem of induction），无论在哲学方法上，还是在交易实践中，这的确是极端重要的一个问题。通过从历史中提取规律，然后归纳迭代，就产生了历史决定主义的某种形式预言。当然，今天的我们已经见识了很多这类预言的失败，从地球末日到阶级斗争学说。无论其继承者如何修订这些学说，当初的预言之失败是无可否认的。对归纳法的过高评估以及对绝对知识（是高估归纳法的结果）的追求最后是对随机性的忽略，这可能就是绝对理性主义的基础。反过来，对归纳法持有怀疑态度，怀疑绝对知识的存在就会选择信奉经验主义。

索罗斯（不仅是他还有很多社会科学家）已经说明了为什么

无论何种交易水平的交易者，无论何种止损方式的交易者，无论何种资金管理策略的交易者，都不可避免的面对交易过程中遇到的回撤。在早期交易者并不重视资金曲线的控制，不会花费精力关注和利用资金曲线上提供的信息，这些资金曲线往往看起来很凌乱，明显缺乏控制过的痕迹。早期的交易者根据不同的交易计划来分别使用资金，不会对资金的使用和风险的控制做整体上的规划，这种方式相对来说可能扩大了Losing Streak的自我加强因素，对情绪控制方面是不利的。

在《交易进阶之回撤控制》中，我认为处理回撤的最重要一步是避免陷入一个过度的回撤。依据目标和现实的不同，交易者有时候需要用一个宽泛的波动范围博取可能的潜在赔率，当计

任意一个包含一阶谓词逻辑与初等数论的形式系统，都存在一个命题，它在这个系统中既不能被证明为真，也不能被证明为假。——第一不完备性定理

如果系统自身含有初等数论，当其内部一致性时，它的一致性不可能在内部证明。——第二不完备性定理

库尔特.哥德尔《<数学原理>及有关系统中的形式不可判定命题》

————————————————————

在之前的系列文章中提到过交易系统的建立是为了实现交易逻辑，那么交易逻辑应该要满足何种条件？

我认为它应当要满足以下三点：

1、通过长时间观察市场提出假设

2、具备有一定高度和层次的归纳

3、根据此假设可推理出自恰的系统

如同任何已存的知识体系一样，其

公众微信号：开始聊聊交易 kslljy654

-------------------------------------------------

最近有朋友反应如360doc、新浪包括部分微信公众号上有人非法转载我的文章。谢谢您的提醒，这个现象我注意到了。年前委托律师处理了一批，剩下的年后处理吧。我个人绝对尊重版权保护，以及尊重别人的劳动成果，所以类似的行为别人是否得过且过我不管，我不会。再次感谢朋友们的提醒。谢谢！

-------------------------------------------------

前一篇文章里面讲了相关风险来源和风险度量的问题，风险的度量，分为了

微信公众号：开始聊聊交易 kslljy654

技术分析的讲解中我会引用约翰墨菲《期货市场技术分析》书中的部分原文，由于本人绘图水平有限，也会引用一些现成的图表，若有侵权，请告知，必将删除。

---------------------------------------------------------

我最近和很多同行沟通了如果要系统的介绍技术分析需要讲那些东西，能够让人一目了然，并且迅速了解技术分析所应该具备的结构。我得到了很多的建议架构，我发现这些建议架构中，都没有绕开道氏理论这一环。犹记得在培训中将技术分析的时候，很多次讲到道氏理论就会有人出来反对，因为在他们眼里，道氏理论在当

一般来说，管理规模越大、人数越多、分工越细的公司管理也越规范，流程比较多，越是小公司则越简单，往往只要老板觉得好就可以上线，然后不断加钱交易。当然，很多制度也未必合理。

比如在大公司，要新开始研究一种策略（还没开始回测），就需要一些可行性分析之类的，比如一家公司还没有做高频交易，准备要做高频交易，硬件投入会比较大。很多时候，有能力做这件事的人无权力拍板，有权力拍板的人甚至没有能力判断这件事值不值得做。很多公司一开始不愿意投入很多资源，但这也容易恶性循环——不愿意投入资源就更做不好，越做不好就越不愿意投入资源。

中低频的策略,好很多，容易回测，一般会按一定格式提交策略的回测报告，基本

原创文章，转载请注明出处：用Python的交易员

性能问题

Python在2016年里可以说是风靡国内量化投资圈，目前整个生态链已经初具规模：

• 交易：vn.py、easytrader、at_py
• 数据：tushare
• 回测：rqalpha
• 在线平台：UQ、RQ、JQ

随着用户越来越多，Python语言的性能问题也就逐渐成为整个社区关注的重点，经常遇到新手问：Python写的量化交易程序是不是很慢啊？

在他们心中，Python估计是这个样子：

![{w:100}](/community/uploads/default/orig

经济学不是一门精确的科学:它仅仅由概率定律组成。因此，最谨慎的投资者是只追求“通常”正确的一般做法，而避免“通常”错误的行为和政策的人。——L.L.B.Angas

统计学基础概念

数据中心趋势（Central tendency）

平均法则是一个被严重误解和错误引用的原理。在交易中，当一长串异常的损失预计会被相等且相反的利润抵消时，最常被提及的是平均法则。同样，预期当前估值过高或超买的市场接下来会变成估值过低或超卖也是错误的。这不是平均法则的意思。在一个大的样本中，大部分事件将以这样一种方式分散到接近平均值，典型值压倒异常事件，使它们变得微不足道。长期的盈利、亏

发表一下浅见，别人总讲的我就不讲了，所以难免不成体系且及其局限，见谅。我这里讲的是“机器学习”在“交易”中的应用和局限性，话题限定在交易上，不会涉及风险控制、金融监管等内容。

首先，在交易这一语境下，所谓的机器学习一般指的是，把输入数据映射到目标值上的模型。这里有三个关键词，输入数据、目标值、模型。

输入数据，可以包括公开的资产价格数据、成交量、财报数据、卫星数据、新闻数据、信用数据、分析师评级数据、机构基金持股变化等等，质量参差不齐。

目标值，一般是不同预测周期的资产回报率、目标价格(mid price)、目标现金流质量、风险模型中的残差(residual)、成交量、波动率等等，通常是

\

尼古拉斯塔勒布一直在其著作中声称的：收益分布呈现出越多左侧极端值（左边尾部越胖），那么黑天鹅事件发生的概率非线性增长的原因是什么？我发现，无论是避免黑天鹅事件的发生，还是利用外部的黑天鹅事件，其思考方式中都存在着非线性的成分。现在，我就想很初步的探讨一下，在交易中，极端值和黑天鹅事件之间的相互关系。

市场中所有参与者的经验来源于或近或远的过去，交易者在这些有限经验中提取知识，在设计交易系统时，实际上就是用局部知识，来确定全局参数。因为交易系统面向未来，所以需要处理所有理论上还是理论外会出现的情况。将经验的处理范围扩大，能够略微提升一些交易系统的强韧性，但很可惜，强韧性提升的速度是经验增长速度

故事前情提要：在Futures First，一年被分成了三个财务季度，按季度结算业绩发放奖金。在第一个季度里，10名新人交易员，只有一位完成了盈利，但这个人并不是我；反而，在第一个财务季度迎接我的，是两次新人级别的亏损记录。

岑秋苑：岑的交易小苑15：我的交易故事（七）​zhuanlan.zhihu.com

亏损是每个交

理解这是一个很主观的词，尽管我一直审视自己是否有客观的去看待交易这件事情，然而它还是主观的一个过程。

因此在谈论如何理解交易这件事情上纯粹是个人的见解。

之所以觉的有必要写这个系列，一方面是对于之前写过文章的一个回顾（希望能以更通俗更简单的话来说清楚，如果能，那也说明理解的更透彻了。），另一方面有些朋友表示看不懂我之后写的文章，这其实也是大家对交易这件事情整体上的理解不同，看待的角度不同。

如果没有在一定高度上达成一致的理解，那么细枝末节的东西谈论的再多也只会增加矛盾。

————————————————————

所以这也是我写文章一贯的风格和主旨，不谈论细节。如果整体上理解一致，那么

今天A股在经历了上周跌破熔断地点后，迎来了暴力反弹，创业板暴涨近5%，上证综指拉近4%。

趁着今天的反弹，赶紧继续更新我们的股票专栏，哈哈哈哈！

之前已经介绍了股票的基础知识（股票本质、股价涨跌、投资风格等），然后介绍了股票的操作知识（如何交易、开户、看行情等），其实如果充分掌握的话，应该对股票有了比较入门的了解了。

专栏的最后一章，会介绍两个补充知识：

1、其它证券相关业务

2、投资相关的书籍、论坛、博主等推荐

今天先讲第一点，其它证券业务介绍，主要涉及到投资者在证券账户中常接触到的三个功能——理财、融资融券和港股通。

理财

理财大家应该

回顾

交易性择时系列报告

系列之十三《基于条件随机场的周频择时策略》 2018-04-03 系列之十二《虚拟遗憾最小化应用于量化择时与交易》 2017-07-06 系列之十一《广发TD线：在趋势中把握波段》 2017-07-03 系列之十《广发TD幅度膨胀指标：在动量中寻找突破》 2017-04-20 系列之九《利用均线间距变化提前预判趋势》 2017-03-14 系列之八《指数高阶矩择时策略》 2015-05-20 系列之七《基于加权傅里叶变换的长期趋势预测》 2014-08-28 系列之六《探寻抛物线逼近下的创业板拐点》 2014-07-11 系列之五《从希尔伯特变换到波浪理论择

在BigQuant上做股票数据分析和可视化展示真是太方便了。只需要写两行代码，其他都是搭积木。

在交易中是否我们常常会想一个已经连续涨的股票（比如3天），继续上涨的概率大么？（好吧，这很散户思维，只考虑了一个维度）。除了看连续上涨的股票上涨概率，我们还需要用全市场股票上涨情况做为对比（不然就很业余了）。

• 构造如下模型
• 特征输入
  • `cond = (close_0 / close_1 > 1.01) & (close_1 /

STOCHRSI 指标理解

• 这几天帮一个朋友解决一个关于指标的问题，这个指标就是 STOCHRSI 。在网上查了很多资料，中文的真是甚少。而且仅有的也不是讲的很清楚。对于我这样的 交易小白，简直是天书。 不过只要研究多少会有点收获的，下面分享下经验，需要用这个的朋友可以借鉴。

在网上找到了一些 关于这个指标的计算公式。

/*
LC := REF(CLOSE,1); //REF(C,1) 上一周期的收盘价
RSI:=SMA(MAX(CLOSE-LC,0),N,1)/SMA(ABS(CLOSE-LC),N,1) *100;
％K:     MA(RSI-LLV(RS

算法交易作为一种程序化交易方式，将交易者和市场有机联系起来。当需要进行交易订单拆细，并在合适时机分别对其进行分散交易，从而降低交易成本来增厚Alpha收益。

非凸科技基于Rust生态打造的高效率、低延迟、高可靠、全内存高频交易平台，满足客户在风控、交易、数据、系统等多方面交易需求。成立以来，已为近百家券商、量化私募等大型金融机构提供了算法交易及执行专业化解决方案。

1.算法策略。策略上，非凸拥有丰富的策略储备。根据不同种类股票和交易风格，设计不同的策略细节参数的及时调优，来保证绩效的良好表现。

2.交易速度。非凸智能算法的计算通信延迟均在纳秒级的优化，充分考虑CPU Cache的优化

机器学习可以帮助我们进行预测和决策。可以用历史数据训练机器学习模型，来预测某个资产未来的收益率，或者是波动率（风险），然后基于模型预测来进行交易。

比如，在选股策略中，我们可以把股票的量价数据、财报数据、新闻数据等作为输入，让模型预测股票未来收益率，接下来做多预期收益率高的股票，做空预期收益率低的股票。

所以，用机器学习方法的优势，就是处理数据，从数据中获得规律的能力比传统方法要强大。

更多关于机器学习在量化投资中的应用，9月8日18:00，非凸科技的联合创始人&CTO李佐凡为同学们做深入讲解，欢迎准时参加哦@复旦

相关链接：<https://mp.weixin.qq.com/s/Ym

我们一方面可以在交易详情的表格里查看交易细节数据，另一方面其实这个数据有接口，用户是可以直接可以查看并使用的，这里是一个简单例子，查询某几天的持仓、交易、成交详情。

https://bigquant.com/experimentshare/f74fe642a0514746b17cc5439f676dd1

\

作者：Michael Harris 编译：caoxiyang

导语

以下是我几个月前在欧洲做的一次演讲的摘录，当时我应邀为一群低调但净资产很高的投资者和交易员做演讲。该主题由主办方决定，是关于人工智能和机器学习对交易和投资的影响。下面的节选分为四个部分，涵盖了原始报告的50%。

人工智能和机器学习对交易的一般影响

人工智能（AI）允许用机器代替人。在20世纪80年代，人工智能研究主要集中在专家系统和模糊逻辑。随着供应算力的成本降低，使用机器解决大规模优化问题变得经济可行。由于硬件和软件方面的进步，如今人工智能专注于使用神经网络和其他学习方法来识别和分析预测变量，

导语：本周精选了5篇关于深度学习、机器学习在量化投资领域的应用文章。随着近年来机器学习和深度学习的发展，越来越多的人投入到研究的队伍中。希望读完这些报告的你能对其中的研究有自己的理解。BigQuant拥有海量的数据和主流开源AI框架，赋能每一位爱好机器学习/深度学习和量化交易的人。

• 《股票预测：一种基于新闻特征抽取和循环神经网络的方法》

  关键词：股票预测、特征抽取、循环神经网络

  本文提出了一种预测股票涨跌的方法。在特征抽取