目前，程序化交易已經(jīng)成為國外投行和金融機(jī)構(gòu)交易的主流手法，因?yàn)槌绦蚧灰资亲非蠓€(wěn)定持續(xù)的盈利模式，能夠?qū)崿F(xiàn)交易的穩(wěn)定化，從而杜絕人工交易中的諸多不確定性和規(guī)避人性情緒化的干擾，雖然程序化交易本身只是一個(gè)工具，用人的思想加上電腦的執(zhí)行，但是真正專業(yè)的程序化模型設(shè)計(jì)過程卻不那么簡單。

　　就交易策略而言，一般分為兩大類，一是人工策略交易即人工下單交易；二是系統(tǒng)策略交易。系統(tǒng)策略交易一般又分為人工系統(tǒng)策略交易和計(jì)算機(jī)程序化系統(tǒng)策略交易。

　　計(jì)算機(jī)程序化系統(tǒng)策略交易又分為半智能程序化系統(tǒng)交易和全智能程序化系統(tǒng)交易。本文所探討的就是后者，即數(shù)學(xué)模型神經(jīng)網(wǎng)絡(luò)如何在全智能程序化系統(tǒng)策略中發(fā)揮作用。

　　神經(jīng)網(wǎng)絡(luò)：我們?cè)诖怂Q的神經(jīng)網(wǎng)絡(luò)一般指人工神經(jīng)網(wǎng)絡(luò)，是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)（activationfunction）。每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法或者函數(shù)的逼近，也可能是對(duì)一種邏輯策略的表達(dá)。人工神經(jīng)網(wǎng)絡(luò)通常是通過一個(gè)基于數(shù)學(xué)統(tǒng)計(jì)學(xué)類型的學(xué)習(xí)方法（Learning Method）得以優(yōu)化，所以人工神經(jīng)網(wǎng)絡(luò)也是數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用，通過統(tǒng)計(jì)學(xué)的標(biāo)準(zhǔn)數(shù)學(xué)方法我們能夠得到大量的可以用函數(shù)來表達(dá)的局部結(jié)構(gòu)空間，另一方面在人工智能學(xué)的人工感知領(lǐng)域，我們通過數(shù)學(xué)統(tǒng)計(jì)學(xué)的應(yīng)用可以來做人工感知方面的決定問題（也就是說通過統(tǒng)計(jì)學(xué)的方法，人工神經(jīng)網(wǎng)絡(luò)能夠類似人一樣具有簡單的決定能力和簡單的判斷能力），這種方法比起正式的邏輯學(xué)推理演算更具有優(yōu)勢(shì)。

　　神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成：神經(jīng)網(wǎng)絡(luò)主要是由神經(jīng)元構(gòu)成，而神經(jīng)元是按照一定拓?fù)浣Y(jié)構(gòu)廣泛互聯(lián)形成的，并按照一定的學(xué)習(xí)規(guī)則，通過對(duì)大量樣本數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，把網(wǎng)絡(luò)掌握的知識(shí)以神經(jīng)元之間的連接權(quán)值和閾值的形式儲(chǔ)存下來，利用這些知識(shí)可以實(shí)現(xiàn)某種人腦功能的推理機(jī)，這種推理機(jī)通過機(jī)械化運(yùn)作方式發(fā)揮功能。人工神經(jīng)元是對(duì)生物神經(jīng)元的一種形式化描述，它對(duì)生物神經(jīng)元的信息處理過程進(jìn)行抽象，并用數(shù)學(xué)語言予以描述，對(duì)生物神經(jīng)元的結(jié)構(gòu)和功能進(jìn)行模擬，并用模型圖給以表達(dá)。單個(gè)的人工神經(jīng)元的功能是簡單的，只有通過一定的拓?fù)浣Y(jié)構(gòu)將大量的人工神經(jīng)元廣泛連接起來，組成龐大的人工神經(jīng)網(wǎng)絡(luò)，才能實(shí)現(xiàn)對(duì)復(fù)雜信息的處理與儲(chǔ)存，并表現(xiàn)出各種優(yōu)越的特性。

　　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：就數(shù)學(xué)模型而言，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般分為兩大類，即層次型結(jié)構(gòu)和互聯(lián)型結(jié)構(gòu)，層次型結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)將神經(jīng)元按功能分為若干層，一般有輸入層、中間層和輸出層，各層順序連接。輸入層接受外部的輸入信號(hào)，并由各輸入單元傳遞給直接相連的中間層單元。中間層是網(wǎng)絡(luò)的內(nèi)部處理單元，與外部沒有直接聯(lián)系。神經(jīng)網(wǎng)絡(luò)所具有的模式變換能力，如模式分類、模式完善、特征提取等，主要是在中間層進(jìn)行的。根據(jù)處理功能的不同，中間層可以有多層也可以為簡單層。由于中間層單元不直接與外部輸入輸出打交道。故常將神經(jīng)網(wǎng)絡(luò)的中間層稱為隱含層。輸出層是網(wǎng)絡(luò)輸出運(yùn)行結(jié)果并與顯示設(shè)備或執(zhí)行機(jī)構(gòu)相連接的部分。

　　人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和優(yōu)越性：主要表現(xiàn)在幾個(gè)方面：第一，具有自學(xué)習(xí)功能。例如實(shí)現(xiàn)實(shí)現(xiàn)圖像識(shí)別時(shí)，只在先把許多不同的圖像樣板和對(duì)應(yīng)的應(yīng)識(shí)別的結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)就會(huì)通過自學(xué)習(xí)功能，慢慢學(xué)會(huì)識(shí)別類似的圖像。自學(xué)習(xí)功能對(duì)于預(yù)測有特別重要的意義。預(yù)期未來的人工神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)將為人類提供經(jīng)濟(jì)預(yù)測、市場預(yù)測、效益預(yù)測，其應(yīng)用前途是很遠(yuǎn)大的。第二，具有聯(lián)想存儲(chǔ)功能。用人工神經(jīng)網(wǎng)絡(luò)的反饋網(wǎng)絡(luò)就可以實(shí)現(xiàn)這種聯(lián)想。第三，具有高速尋找優(yōu)化解的能力。尋找一個(gè)復(fù)雜問題的優(yōu)化解，往往需要很大的計(jì)算量，利用一個(gè)針對(duì)某問題而設(shè)計(jì)的反饋型人工神經(jīng)網(wǎng)絡(luò)，發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，可能很快找到優(yōu)化解。第四，應(yīng)用領(lǐng)域十分廣泛，這些領(lǐng)域主要包括：模式識(shí)別、信息處理、知識(shí)工程、專家系統(tǒng)、優(yōu)化組合、自動(dòng)化控制，以及本文所探討的金融市場程序量化交易模型構(gòu)建等等。隨著神經(jīng)網(wǎng)絡(luò)理論本身以及相關(guān)理論、相關(guān)技術(shù)的不斷發(fā)展深入，神經(jīng)網(wǎng)絡(luò)未來的應(yīng)用定將更加深入廣泛。就金融領(lǐng)域自動(dòng)化交易模型而言，筆者也只是試著探討而已，有不足之處還望讀者多多理解。第五，神經(jīng)網(wǎng)絡(luò)可以用作分類、聚類、預(yù)測等，通過歷史數(shù)據(jù)的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)到數(shù)據(jù)中隱含的知識(shí)，在問題中找到某些特征以及對(duì)應(yīng)的評(píng)價(jià)數(shù)據(jù)，用這些數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，進(jìn)而達(dá)到自適應(yīng)功能，其應(yīng)用較廣泛的就是BP神經(jīng)網(wǎng)絡(luò)。

　　數(shù)學(xué)模型中常用的兩種神經(jīng)網(wǎng)絡(luò)：在數(shù)學(xué)建模中，常用的神經(jīng)網(wǎng)絡(luò)主要有兩種：一種是基于誤差反轉(zhuǎn)算法的前饋神經(jīng)網(wǎng)絡(luò)，即BP神經(jīng)網(wǎng)絡(luò)，主要用來實(shí)現(xiàn)非線性映射；另一種是SOM自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM），主要用來聚類和模式識(shí)別。它們兩者在內(nèi)在結(jié)構(gòu)上有所區(qū)別，下面就分別對(duì)其進(jìn)行簡要說明：

　　BP神經(jīng)網(wǎng)絡(luò)：人工神經(jīng)網(wǎng)絡(luò)有很多模型，但是目前應(yīng)用較廣泛的是前饋神經(jīng)網(wǎng)絡(luò)中的誤差逆?zhèn)鞑W(xué)習(xí)算法（Error Back Propagation），簡稱為BP神經(jīng)網(wǎng)絡(luò)。它是前饋神經(jīng)網(wǎng)絡(luò)中的核心部分?；舅惴ò?個(gè)方面，即信息的前向輸入和誤差的反向輸入，計(jì)算實(shí)際輸出時(shí)是按從輸入到輸出的方向進(jìn)行，而權(quán)值和閾值的修正從輸出到輸入的方向進(jìn)行。其結(jié)構(gòu)圖如下：

　　BP網(wǎng)絡(luò)結(jié)構(gòu)是信號(hào)前向傳播導(dǎo)入，經(jīng)輸入層到中間隱含層實(shí)現(xiàn)正向傳播，若輸出層得到期望值，則學(xué)習(xí)算法結(jié)束。若未得到期望值則反向傳播，將誤差信號(hào)按原連接通路反向計(jì)算，根據(jù)誤差梯度下降法再調(diào)節(jié)前各層的權(quán)值和閾值，權(quán)值和閾值隨著更多正向信息變量和反向信息變量的不斷進(jìn)入從而始終處于動(dòng)態(tài)調(diào)節(jié)之中，目的就是使修改后的網(wǎng)絡(luò)最終輸出能接近最佳期望值。通俗點(diǎn)比喻就類似一個(gè)人的成長經(jīng)歷，在成長過程中不斷糾正錯(cuò)誤，不斷吸取教訓(xùn)，還不斷總結(jié)成功經(jīng)驗(yàn)，以免下次再犯同樣錯(cuò)誤。其模型結(jié)構(gòu)圖見下：

　　在這里我想特別強(qiáng)調(diào)權(quán)值和閾值的概念，因?yàn)樗鼈兒苤匾P(guān)系到網(wǎng)絡(luò)最后的結(jié)果。權(quán)值和閾值是神經(jīng)元之間的連接，將數(shù)據(jù)輸入計(jì)算出一個(gè)輸出，然后與實(shí)際輸出比較，誤差反傳，不斷調(diào)整權(quán)值和閾值。理論上而言，BP網(wǎng)絡(luò)以其優(yōu)良的非線性逼近性能，在模式識(shí)別、智能控制、非線性優(yōu)化等領(lǐng)域都有大量應(yīng)用，近年也有不少人用BP神經(jīng)網(wǎng)絡(luò)應(yīng)用在股指期貨日內(nèi)短模自動(dòng)化交易上。BP網(wǎng)絡(luò)的理論優(yōu)勢(shì)主要表現(xiàn)在學(xué)習(xí)速度和泛化能力上，甚至不需要過多樣本，較適合非線性特征，學(xué)習(xí)速度表現(xiàn)在滿意地逼近訓(xùn)練樣本所花費(fèi)的時(shí)間上，泛化能力表現(xiàn)在對(duì)未訓(xùn)練樣本的逼近程度上，既能夠根據(jù)訓(xùn)練集的表現(xiàn)高度擬合未來數(shù)據(jù)即預(yù)測功能，這是一個(gè)神經(jīng)網(wǎng)絡(luò)是否優(yōu)良的根本考驗(yàn)，BP神經(jīng)網(wǎng)絡(luò)在理論推導(dǎo)上似乎完全能做到。

　　可是真的是這樣嗎？為什么很多運(yùn)用BP網(wǎng)絡(luò)神經(jīng)模型構(gòu)建起來的交易模型實(shí)踐效果并非如訓(xùn)練集效果那樣好甚至出現(xiàn)巨大誤差呢？

　　　泛化能力并沒有得到充分體現(xiàn)，這又是什么原因呢？就此筆者淺談點(diǎn)個(gè)人看法如下：

　　1、  很多人過于盲信BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)自適應(yīng)糾錯(cuò)、數(shù)據(jù)容錯(cuò)和數(shù)據(jù)泛化能力，特別疏于對(duì)歷史樣本數(shù)據(jù)的收集、層次篩選及數(shù)據(jù)內(nèi)含性質(zhì)甄別，缺乏對(duì)研究標(biāo)的樣本數(shù)據(jù)含有的內(nèi)在本質(zhì)規(guī)律進(jìn)行挖掘和體驗(yàn)，導(dǎo)致樣本數(shù)據(jù)噪聲過大、結(jié)構(gòu)不合理不科學(xué)。通常而言，樣本數(shù)據(jù)M增加，泛化能力增加。

　　樣本數(shù)據(jù)訓(xùn)練效果好，泛化效果也越好。但這種趨勢(shì)有個(gè)極限和度，當(dāng)達(dá)到某個(gè)極限時(shí)，隨著訓(xùn)練能力的提高，預(yù)測能力反而下降，陷入兩個(gè)極端，要么樣本數(shù)據(jù)存在嚴(yán)重不足和缺陷，要么樣本數(shù)據(jù)過多過細(xì)出現(xiàn)過擬現(xiàn)象。

　　這兩種現(xiàn)象都是學(xué)習(xí)了過多數(shù)據(jù)樣本細(xì)節(jié)，過于注重?cái)?shù)據(jù)現(xiàn)象，而不能反映樣本內(nèi)含有的本質(zhì)性規(guī)律，這也是BP神經(jīng)網(wǎng)絡(luò)的缺陷，過大強(qiáng)調(diào)因數(shù)據(jù)而預(yù)測數(shù)據(jù)，過于放大自適應(yīng)預(yù)測，卻不注重樣本數(shù)據(jù)內(nèi)在性質(zhì)上本質(zhì)規(guī)律的挖掘，自然容易走偏，甚至在某些特定階段擬合出錯(cuò)誤的規(guī)律，尤其不適應(yīng)中線趨勢(shì)波段交易模型構(gòu)建。

　　2、  采用BP網(wǎng)絡(luò)設(shè)計(jì)程序化交易模型很容易陷入“自下而上”的模型理念構(gòu)建陷阱，導(dǎo)入過大數(shù)據(jù)噪聲，這是程序化交易模型設(shè)計(jì)者要盡量避免的。

　　通常而言，在程序化模型主體設(shè)計(jì)理念上分為“自上而下和自下而上兩種”，前者是理念優(yōu)先，后者是數(shù)據(jù)優(yōu)先。后面會(huì)講到它們之間的區(qū)別。

　　3、  由于學(xué)習(xí)速率是固定的，因此網(wǎng)絡(luò)的收斂速度慢，需要較長的訓(xùn)練時(shí)間。對(duì)于一些復(fù)雜問題，BP算法需要的訓(xùn)練時(shí)間可能非常長，這主要是由于學(xué)習(xí)速率太小造成的。

　　4、  其次，BP算法可以使權(quán)值收斂到某個(gè)值，但并不保證其為誤差平面的全局最小值，這是因?yàn)椴捎锰荻认陆捣赡墚a(chǎn)生一個(gè)局部最小值。

　　5、  網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo)，一般是根據(jù)經(jīng)驗(yàn)或者通過反復(fù)實(shí)驗(yàn)確定。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。

　　6、  網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性。也就是說，如果增加了學(xué)習(xí)樣本，訓(xùn)練好的網(wǎng)絡(luò)就需要從頭開始訓(xùn)練，對(duì)于以前的權(quán)值和閾值是沒有記憶的。但是可以將預(yù)測、分類或聚類做的比較好的權(quán)值保存。

　　基于上述原因，簡單采用BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于金融市場的程序化交易模型的構(gòu)建主體還是有一定的局限性，需要結(jié)合其他神經(jīng)網(wǎng)絡(luò)效果應(yīng)該會(huì)更好。

　　SOM自組織特征映射神經(jīng)網(wǎng)絡(luò)：生物學(xué)研究表明，人的大腦皮層中存在許多不同功能的神經(jīng)網(wǎng)絡(luò)區(qū)域，每個(gè)功能區(qū)域完成各自的特定功能，在接受特定信息刺激時(shí)也會(huì)做出相應(yīng)特定的反應(yīng)，這種特定細(xì)胞對(duì)特定信號(hào)的特別反應(yīng)并不是天生的而是后天訓(xùn)練形成的。

　　自組織特征映射神經(jīng)網(wǎng)絡(luò)模擬大腦神經(jīng)系統(tǒng)功能，是一種無監(jiān)督競爭試學(xué)習(xí)的前饋網(wǎng)絡(luò)，在訓(xùn)練中能無監(jiān)督自組織學(xué)習(xí)，它通過學(xué)習(xí)可以提取一組數(shù)據(jù)中的重要特征或某種內(nèi)在規(guī)律，按離散方式進(jìn)行分類，網(wǎng)絡(luò)可以把任意高維的輸入映射到低維空間，并且使得輸入數(shù)據(jù)內(nèi)部的相似性質(zhì)表現(xiàn)為臨近的特征映射，并保持其拓?fù)浣Y(jié)構(gòu)不變，這種分類反映了樣本集的本質(zhì)區(qū)別，大大簡化了一致性準(zhǔn)則中的人為因素。

　　在多數(shù)情況下，人在認(rèn)識(shí)的過程中沒有預(yù)知的正確模式，人獲得大量知識(shí)常常是靠“無師自通”，即通過對(duì)客觀事物的反復(fù)觀察、分析與比較，自行揭示其內(nèi)在規(guī)律，并對(duì)具有共同特征的事物進(jìn)行分類歸類，對(duì)于人的這種學(xué)習(xí)方式，基于有導(dǎo)師學(xué)習(xí)策略的神經(jīng)網(wǎng)絡(luò)（BP）是無能為力的。

　　所以，自組織神經(jīng)網(wǎng)絡(luò)的無導(dǎo)師學(xué)習(xí)方式更類似于人類大腦中生物神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，其最重要特點(diǎn)是通過自尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)，這種學(xué)習(xí)方式大大拓寬神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、分類、聚類方面的應(yīng)用。自組織網(wǎng)絡(luò)結(jié)構(gòu)屬于層次型網(wǎng)絡(luò)結(jié)構(gòu)，有多種類型。

　　自組織特征映射是其中之一，它們的共同特點(diǎn)是競爭層。一般自組織神經(jīng)網(wǎng)絡(luò)是輸入層、競爭層、輸出層結(jié)構(gòu)，輸入層接受外界信號(hào)，向競爭層傳輸，競爭層負(fù)責(zé)對(duì)該輸入模式進(jìn)行分析比較、找出規(guī)律、正確分類。

　　產(chǎn)生模型過擬合的一般原因：

　　A、數(shù)據(jù)抽樣時(shí)沒有足夠正確考慮到市場基本特點(diǎn)，導(dǎo)致抽出的數(shù)據(jù)樣本不能有效足夠代表市場運(yùn)行邏輯或基本特征（市場運(yùn)行規(guī)律），這往往是BP網(wǎng)絡(luò)模型所忽略的；

　　B、數(shù)據(jù)樣本噪音數(shù)據(jù)干擾過大，大到模型過分記住了噪音特征，反而忽略了真實(shí)的輸入輸出間的關(guān)系，即忽略了本質(zhì)，模型設(shè)計(jì)始終沒抓住核心價(jià)值；

　　C、  在決策樹模型搭建中，如果我們對(duì)于決策樹的生長沒有合理的限制和修剪的話，決策樹的自由生長有可能每片葉子里只包含單純的事件數(shù)據(jù)（event）或非事件數(shù)據(jù)（no event），可以想象，這種決策樹當(dāng)然可以完美匹配（擬合）訓(xùn)練數(shù)據(jù)，但是一旦應(yīng)用到新的業(yè)務(wù)真實(shí)數(shù)據(jù)時(shí)，效果就不理想。樣本訓(xùn)練集尤其關(guān)鍵條件不要過度細(xì)化，要適當(dāng)限制和修剪。

　　D、在建模時(shí)的“邏輯假設(shè)”到了模型應(yīng)用時(shí)已經(jīng)不能成立了。常用模型都是在假設(shè)的基礎(chǔ)上才可以搭建和應(yīng)用的，常用的假設(shè)包括：假設(shè)“歷史數(shù)據(jù)可以推測未來，市場歷史會(huì)重演”，假設(shè)業(yè)務(wù)環(huán)節(jié)沒有發(fā)生顯著變化，假設(shè)建模數(shù)據(jù)與后來的應(yīng)用數(shù)據(jù)是相似的，等等。如果上述假設(shè)違反了業(yè)務(wù)場景或者環(huán)境發(fā)送了變化的話，根據(jù)這些假設(shè)搭建的模型就有可能無法有效應(yīng)用。

　　BP與SOM優(yōu)劣：在金融市場中的量化模型構(gòu)建中到底應(yīng)采用BP還是SOM？這要看投資標(biāo)的、交易理念及模型構(gòu)建者的投資經(jīng)驗(yàn)而定了，筆者個(gè)人認(rèn)為SOM神經(jīng)網(wǎng)絡(luò)特征映射應(yīng)更適合有一定投資經(jīng)驗(yàn)和交易理念的人，這更有利于思考市場運(yùn)動(dòng)的本質(zhì)，而非特定階段的數(shù)據(jù)擬合，從而提前避免數(shù)據(jù)陷阱過擬合，更貼近實(shí)戰(zhàn)性和適應(yīng)性。

　　所以SOM神經(jīng)網(wǎng)絡(luò)對(duì)模型構(gòu)建者而言一般要求具備一定的投資理念和經(jīng)驗(yàn)作為基礎(chǔ)，也就是先理念后建模。具體而言，SOM神經(jīng)網(wǎng)絡(luò)首先在數(shù)學(xué)建模中根據(jù)廣泛性的歷史樣本理化出性狀，并對(duì)樣本進(jìn)行正確的分類和歸類，通過對(duì)已知的樣本所蘊(yùn)含的分類知識(shí)進(jìn)行學(xué)習(xí)、提煉出某種基本的規(guī)律和特征，再利用這種分類規(guī)律特征效驗(yàn)交易理念。

　　SOM網(wǎng)絡(luò)是直接從所提供的樣本內(nèi)部學(xué)習(xí)分類知識(shí)，提煉出蘊(yùn)含在樣本中的相關(guān)知識(shí)，并將這些知識(shí)儲(chǔ)存在網(wǎng)絡(luò)的連接之中即拓?fù)浣Y(jié)構(gòu)互聯(lián)，利用這些知識(shí)可以對(duì)未知的樣本進(jìn)行歸類，建立推理機(jī)，為了防止數(shù)據(jù)陷阱和過擬合，提煉出的樣本特征規(guī)律，要放在不同的訓(xùn)練集測試并同時(shí)具有廣度性和深度性。

　　全智能程序化交易模型系統(tǒng)的構(gòu)建思路：搞全智能程序化交易模型設(shè)計(jì)，是絕對(duì)離不開神經(jīng)網(wǎng)絡(luò)知識(shí)的運(yùn)用的，當(dāng)今的市場走勢(shì)更加復(fù)雜多變，若想用一種過于簡單的某個(gè)突破理念就想在當(dāng)今變換復(fù)雜的市場面前盈利已成為歷史，精明的交易者越來越多，波動(dòng)特性越來越復(fù)雜多變，面對(duì)現(xiàn)今更加復(fù)雜變換的市場，必須要運(yùn)用更加復(fù)雜的知識(shí)工具，才能不斷適應(yīng)市場。因此，數(shù)學(xué)模型中的神經(jīng)網(wǎng)絡(luò)知識(shí)運(yùn)用必不可少。

　　只是若單純采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建模型是有一定缺限的，它的作用主要體現(xiàn)在樣本訓(xùn)練集階段，SOM網(wǎng)絡(luò)更多可以達(dá)到檢驗(yàn)理念和優(yōu)化理念作用，因?yàn)槔砟钜欢ㄊ潜举|(zhì)性的（下面會(huì)具體闡述），若程序化模型完全依靠數(shù)學(xué)模型神經(jīng)網(wǎng)絡(luò)而忽略市場運(yùn)動(dòng)的本質(zhì)性，很容易陷入過擬合狀態(tài)和數(shù)據(jù)陷阱，實(shí)盤效果一般不會(huì)理想，這是程序化交易的另一弊病。

　　因此，如何在運(yùn)用數(shù)學(xué)模型神經(jīng)網(wǎng)絡(luò)知識(shí)的同時(shí)又要避免陷入數(shù)據(jù)陷阱應(yīng)是程序化模型設(shè)計(jì)的主要方向。

　　程序主體設(shè)計(jì)理念：要解決上面的問題，首先要解決程序化設(shè)計(jì)理念問題，這是決定模型方向的問題，否則很容易陷入數(shù)據(jù)陷阱。在程序化主體設(shè)計(jì)理念上，一般分為“自上而下”的理念構(gòu)建和“自下而上”的理念構(gòu)建?！白陨隙隆钡睦砟顦?gòu)建是先有交易理念，這個(gè)交易理念往往是建立在多年實(shí)戰(zhàn)基礎(chǔ)上，是經(jīng)年累月反復(fù)的市場觀察、體會(huì)、領(lǐng)悟和實(shí)踐得出的初步經(jīng)驗(yàn)，這個(gè)經(jīng)驗(yàn)具有普適性、本質(zhì)性，以此作為模型理念主要架構(gòu)，再通過理念反推導(dǎo)構(gòu)建交易系統(tǒng)，并將其程序化。

　　比如索羅斯的交易系統(tǒng)，便是由他的反射理論推導(dǎo)構(gòu)建出的交易程序。相反，一個(gè)無經(jīng)驗(yàn)的新手，就很容易陷入數(shù)據(jù)陷阱和過度擬合狀態(tài)，因?yàn)樗麄兤毡椴痪邆洹白陨隙隆睒?gòu)建模型理念的能力經(jīng)驗(yàn)，即對(duì)市場缺乏深刻的認(rèn)識(shí)、領(lǐng)會(huì)及經(jīng)驗(yàn)，只能盲目“自下而上”構(gòu)建模型理念。

　　而“自下而上”的建模理念往往不具有未來適應(yīng)性或者實(shí)盤誤差大，只是純粹依據(jù)一堆某個(gè)特定時(shí)期的數(shù)據(jù)理化出的所謂知識(shí)和訓(xùn)練集，往往導(dǎo)入過多無關(guān)的、非本質(zhì)的數(shù)據(jù)變量，偏離模型核心價(jià)值，導(dǎo)致數(shù)據(jù)噪聲過大，沒有考慮到模型關(guān)鍵本質(zhì)性的特征和信息及其由此構(gòu)建起來的投資理念，這種純數(shù)學(xué)訓(xùn)練集構(gòu)建起來的模型一到真實(shí)的實(shí)盤運(yùn)用場景就很容易表現(xiàn)不佳，因?yàn)槭袌霾▌?dòng)特性和數(shù)據(jù)樣板會(huì)隨著時(shí)間的推移而出現(xiàn)復(fù)雜多變狀態(tài)，市場不會(huì)出現(xiàn)2個(gè)完全一模一樣的走勢(shì)，歷史會(huì)重演但從來不是簡單的重復(fù)。這也就是為什么當(dāng)下很多程序化交易模型實(shí)盤效果不佳的根本原因，過于注重?cái)?shù)據(jù)理論推導(dǎo)忽略本質(zhì)理念。

　　交易系統(tǒng)的優(yōu)化：有些程序化交易者反對(duì)優(yōu)化，因?yàn)閮?yōu)化過度會(huì)使交易系統(tǒng)適用于過去而無用于將來，即優(yōu)化陷阱。其實(shí)這也是一個(gè)“度”的問題，過于簡單的模型已經(jīng)不適應(yīng)當(dāng)下及未來市場，過于復(fù)雜的模型又有可能陷入過度擬合陷阱，因此，我個(gè)人認(rèn)為這里的關(guān)鍵就是看你采用的是數(shù)據(jù)優(yōu)化還是理念優(yōu)化，自下而上的模型理念設(shè)計(jì)往往是數(shù)據(jù)優(yōu)化。

　　打個(gè)比方，一個(gè)交易系統(tǒng)設(shè)計(jì)的理念是順勢(shì)突破交易法，如海龜交易法（突破20周期高低點(diǎn)），數(shù)據(jù)優(yōu)化就是尋找突破N周期的最合適數(shù)值，而理念優(yōu)化則是尋找比單純的突破法更優(yōu)秀更高效的交易思維或理念或組合。

　　任何模型交易理念的雛形首先是基于個(gè)人實(shí)戰(zhàn)經(jīng)驗(yàn)、觀察和邏輯思考得來，而這種理念還需要通過海量數(shù)據(jù)檢測才可以進(jìn)一步檢驗(yàn)出交易理念的優(yōu)劣，而這個(gè)過程是離不開數(shù)學(xué)模型神經(jīng)網(wǎng)絡(luò)尤其SOM網(wǎng)絡(luò)知識(shí)運(yùn)用的，如合理抽樣、樣本理化、特征提煉、知識(shí)提煉、分類等，在這個(gè)過程中就可以進(jìn)一步檢驗(yàn)交易理念雛形是否正確以及進(jìn)行必要的修正優(yōu)化。

　　運(yùn)用“層次型拓?fù)浣Y(jié)構(gòu)和SOM神經(jīng)網(wǎng)絡(luò)”應(yīng)該就可以達(dá)到這個(gè)目的，找到交易理念的不足和優(yōu)劣之處，去其糟粕取其精華，進(jìn)而才能進(jìn)一步檢驗(yàn)和確認(rèn)模型的核心理念價(jià)值，這個(gè)核心交易理念是決定模型是否具有未來適應(yīng)性和實(shí)盤性的保障，因?yàn)槭袌霾▌?dòng)特性雖然多變，但萬變不離其終，人類的本質(zhì)特性幾百年從未改變，市場也是一樣。

　　系統(tǒng)整合：一套成熟優(yōu)秀的程序化交易模型一定是系統(tǒng)整合的結(jié)果，交易過程是一個(gè)完備的有機(jī)體系，包括：模型構(gòu)建基本理念和方式、交易策略、方向識(shí)別、信息處理、信號(hào)傳輸、執(zhí)行、止盈止損離市策略、風(fēng)險(xiǎn)控制/穩(wěn)定性控制等等，每個(gè)子系統(tǒng)都不是各自單打獨(dú)斗，單個(gè)子系統(tǒng)的不合理設(shè)計(jì)也會(huì)影響到整個(gè)交易系統(tǒng)的表現(xiàn)，整體系統(tǒng)表現(xiàn)往往取決于各個(gè)子系統(tǒng)最佳協(xié)調(diào)組合的結(jié)果，形成一套完整運(yùn)行的交易體系，這個(gè)體系是否優(yōu)秀可以從三個(gè)方面檢驗(yàn)，即“外推、性質(zhì)和量化”，“外推”是檢驗(yàn)?zāi)Ｐ驮趯?shí)盤前是否具有盈利前景和未來適應(yīng)性的一個(gè)重要方法，一般分為時(shí)間外推和品種外推，即把模型放在不同數(shù)據(jù)集、不同抽樣時(shí)間段、多角度多層次進(jìn)行交叉回測，放在多個(gè)品種上進(jìn)行多品種程序回測；所謂“性質(zhì)”就是要避免三個(gè)方向，一是盡量避免超高頻率交易；二是盡量避免自下而上構(gòu)建模型交易理念；三是模型設(shè)計(jì)內(nèi)容要以接近實(shí)戰(zhàn)為原則，信號(hào)執(zhí)行方式最好采用收盤價(jià)模型，必須要考慮到市場實(shí)際情況及滑點(diǎn)損失和交易成本因素等；所謂“量化”就是模型最終要有數(shù)據(jù)做支撐，用回測指標(biāo)說話，任何模型首先必須要經(jīng)得起過去歷史數(shù)據(jù)的回測檢驗(yàn)并得到各種滿意的量化指標(biāo)，

　　如：年化收益率、盈利率、本金回撤、動(dòng)態(tài)權(quán)益回撤、動(dòng)態(tài)損益回撤、勝率、盈虧比、夏普比率、交易成本及滑點(diǎn)預(yù)估，最后還要觀察這些指標(biāo)在不同的回測階段是否具有明顯的變化規(guī)律等等，任何模型若連歷史數(shù)據(jù)回測都無法過關(guān)，那可以肯定不會(huì)適用于未來，雖然回測過關(guān)并不代表一定適應(yīng)未來，但一套成熟優(yōu)秀的模型一般在設(shè)計(jì)階段都會(huì)提前過濾和規(guī)避掉實(shí)盤中可能面臨的誤差，也會(huì)經(jīng)得起實(shí)盤考驗(yàn)。

　　交易系統(tǒng)的實(shí)盤使用和維護(hù)：市場行情波動(dòng)特征也是會(huì)變的，主要表現(xiàn)在波動(dòng)特性和交易環(huán)境上。舉例來說，2002到2005年，只要有個(gè)最單純最簡單的均線系統(tǒng)，就可以發(fā)財(cái)。2005年以后這樣簡單的系統(tǒng)獲利已經(jīng)不穩(wěn)定，而09年以后，基本就不可能再用來獲利了。

　　又如2015年2月前，股指日間成交跳價(jià)單位一般不大都在1個(gè)點(diǎn)以內(nèi)，止損控制很容易執(zhí)行且不會(huì)產(chǎn)生過大滑點(diǎn)，可是到了2015年5月后，日間成交跳價(jià)單位變化甚至達(dá)到5個(gè)點(diǎn)、10個(gè)點(diǎn)也很普遍，這必然會(huì)大大增加日內(nèi)高頻交易的滑點(diǎn)成本，若不修正模型必然不會(huì)適應(yīng)。前幾年，做股指高頻交易的人都發(fā)財(cái)了，一年十倍的都有，但是現(xiàn)在呢，高頻交易已經(jīng)屬于自殺了。

　　為什么？

　　因?yàn)槭袌錾暇鞯慕灰渍咴絹碓蕉嗔耍?dāng)你的對(duì)手還在用肉搏的時(shí)候，你有一把手槍就可以稱王，但是現(xiàn)在，別人都開上飛機(jī)了。以前套利盈利很容易，但是現(xiàn)在套利盈利越來越難，套利空間越來越少，因?yàn)閰⑴c套利的人越來越多且都是電腦程序化自動(dòng)識(shí)別，稍有點(diǎn)套利空間立馬就有交易者以最快的速度修補(bǔ)價(jià)差的不合理性，價(jià)差空間會(huì)被市場迅速修補(bǔ)，盈利機(jī)會(huì)越來越少。

　　另外一個(gè)重要問題就是交易環(huán)境也是會(huì)變化的，比如今年，期貨夜盤的大量推出，導(dǎo)致不同時(shí)間段的交易分布不再均勻，開收盤時(shí)間出現(xiàn)了扭曲，很多交易系統(tǒng)便不能適應(yīng)了。所以交易系統(tǒng)必須時(shí)時(shí)對(duì)模型效果進(jìn)行跟蹤維護(hù)和修補(bǔ)，甚至必要時(shí)直接宣布它死亡。市場歷史會(huì)不斷重演這是毋庸置疑的，但是其表現(xiàn)方式又不完全簡單重復(fù)，表現(xiàn)方式是會(huì)變化的，環(huán)境的不同會(huì)導(dǎo)致局部的差異，所以交易系統(tǒng)的跟蹤維護(hù)絕對(duì)是必要的，模型也不是萬能不變的，即使本質(zhì)上的東西也會(huì)在某些特定環(huán)境發(fā)生階段性變異。