请问：我们中国人如何去购买詹姆斯·西蒙斯的大奖章基金_百度知道
请问：我们中国人如何去购买詹姆斯·西蒙斯的大奖章基金
詹姆斯·西蒙斯的大奖章基金很好，我们如何参与其中啊？
我有更好的答案
这个基金只对内部员工开放，换句话说，不是这个基金公司的员工的人是买不到的。
其他类似问题
为您推荐：
您可能关注的推广回答者：
西蒙斯的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁&位置： >>
逆向投资正当时 公募基金酝酿量化扩容潮
日 09:44:31 来源：时代周报
&&& 量化基金扩容潮起　　除了泰达宏利，今年以来已有多家基金公司已经开始在量化产品方面布局。比如工银瑞信3月刚刚发行了旗下第一只量化基金&工银量化策略股票基金；富国基金开始大力打造旗下围绕量化投资的子品牌。　　所谓量化投资，是指通过建立数学模型并应用量化分析方法进行选股和操作管理。量化投资在海外已有逾30年历史，但在国内市场，自2004年光大保德信发行光大保德信量化核心基金才正式起步，至2009年底，量化基金方才相继跟进成立，并迅速发展壮大。据好买基金研究中心数据统计，截至目前，已有16只量化基金成立。　　&主要是现在公募基金产品发行越来越多，同质化现象较严重，相较而言，独辟蹊径的量化产品显得吸引力更大。此外，今年年初以来量化基金的不错业绩也支撑了这波扩容。&好买基金研究员刘天天告诉时代周报记者。银河数据统计显示，2012年一季度，上证综指上涨2.88%，同期标准股票型基金平均业绩为0.31%，而量化基金的平均业绩为2.92%。　　&在量化投资领域，出现了很多杰出的投资者，如詹姆斯&西蒙斯。& 有着8年海外量化投资经验的工银基本面量化基金经理游凛峰表示，&他们依靠数学模型和神秘的公式扫描市场，捕捉机会。&据了解，詹姆斯&西蒙斯管理的大奖章基金年均收益率高达35%，而&股神&巴菲特在同期的平均年回报大约为20%。　　在游凛峰看来，量化投资的优势非常突出，未来将会有更多的基金经理进入数量化选股这个领域，通过采用计算机辅助的投资组合优化模型。　　不过刘天天认为，公募基金中量化产品多为&半量化&，即除了模型择股择时外，亦有基金经理的主动性管理。&其实，作为量化基金，应该有宏观经济预测、大类资产配置、行业和个股选择等一整套从宏观至微观的量化体系，严格按照模型发出的信号来进行交易。&　　&量化基金未来最大的挑战还是要投资者接受，而这要靠过往的业绩，而不是计算公式的复杂化。特别是随着包括股指期货在内的衍生品投资工具的在国内市场的开展和运用，各种对冲策略和高频交易的涌现，传统量化基金自身策略若不求变，其未来将会面临很大的挑战。&刘天天告诉时代周报记者。
【作者：】
中国金融界网版权与免责声明
★凡本网注明“来源：中国金融界网”的所有作品，版权均属中国金融界网所有，未经本网授权，任何媒体、网站或个人不得转载、镜像、复制、摘编或以其它方式使用上述作品。已经本网授权使用作品的，应在授权范围内使用，并注明“来源：中国金融界网”。违反上述声明者，本网将有权追究其相关法律责任。
★凡本网注明“来源：XXXX（非中国金融界网）”的作品，均转载自其它媒体，转载出于传递更多信息之目的，并不代表本网赞同其观点，对于文中内容、文字的真实性本网不作任何保证或承诺。
★如有作品内容、版权和其它问题，请在20天内与本网站联系。
对不起，图片浏览功能需脚本支持，但您的浏览器已经设置了禁止脚本运行。请您在浏览器设置中调整有关安全选项。
[时尚]---------------
[美食]---------------
[家居]---------------
[旅游]---------------服务热线：400-680-3928
商务合作：6
联系地址：广东省深圳市福田区福强路4001号 深圳文化创意园E馆403
& 版权所有 ICP证粤B2- 粤ICP备号
买私募，敬请关注"私募精品店"微信公众号：simujpd
在线客服：400-&当前位置： -
詹姆斯·西蒙斯：数学大师笑傲华尔街
知识能创造多少财富?若一定要找一个参考指标，不妨看看詹姆斯&西蒙斯(James Simons)。
这位世界顶级数学家，依靠对数学模型的深刻理解，一手打造了华尔街&赚钱机器&文艺复兴科技公司，并依靠公司旗舰产品大奖章基金
(MedallionFund)20年的超群表现赢得无数赞誉。据福布斯杂志的统计，截至2012年9月，西蒙斯的身价高达110亿美元，在福布斯全球富豪榜上位居第82位。
数据显示，自1988年成立直至2010年西蒙斯退休，大奖章基金年均回报率高达35%，不仅远远跑赢大市，还较索罗斯和巴菲特的操盘成绩高上十余个百分点，这使得西蒙斯在人才济济的华尔街笑傲群雄。
数量分析之王
西蒙斯1938年出生于美国波士顿的牛顿镇，三岁时就表现出惊人的数学天赋。从牛顿高中毕业后，他考入麻省理工学院数学系，师从著名数学家安布罗斯和辛格，1958年获得学士学位后到加州大学伯克利分校继续深造。1961年，年仅23岁的西蒙斯获得加州大学伯克利分校数学博士学位，一年后出任哈佛大学数学系讲师。1968年，西蒙斯前往纽约州立石溪大学出任数学系主任，那一年他仅30岁。
西蒙斯在石溪大学做了8年的纯数学研究，期间与&微分几何之父&陈省身联合创立了对数学和物理学影响深远的Chern-Simons理论。
1976年，西蒙斯凭借多位平面面积最小化研究的成果，摘得数学界的皇冠&&全美维布伦(Veblen)奖，其个人数学事业的成就达到顶峰。
不过，西蒙斯并没有将眼光局限在纯理论研究上，在业余时间里他还醉心于股票和期货交易。1978年，西蒙斯离开石溪大学并开设私人投资基金Limroy，5年后创立文艺复兴科技公司，1988年推出公司旗舰产品&&大奖章基金。
与多数投资者关注市场基本面有所不同，西蒙斯的投资策略里充满了数学理论。他通过开发数量分析模型，大量筛选历史数据资料，借助相关性统计来预测期货、货币、股票市场的短期运动，并通过数千次快速的日内短线交易来捕捉稍纵即逝的市场机会。
在转战投资界&第二战场&二十年后，西蒙斯用一系列数据证明了自己的成功：1989年到2009年间，他操盘的大奖章基金平均年回报率高达
35%，较同期标普500指数年均回报率高20多个百分点，比&金融大鳄&索罗斯和&股神&巴菲特的操盘表现都高出10余个百分点。即便是在次贷危机爆发的2007年，该基金的回报率仍高达85%。
更值得一提的是，这一回报率数据已经扣除了资产管理费和投资收益分成等费用，而大奖章基金对此类费用的收取比例几乎是同行的两倍&&分别是5%和44%。
2010年，西蒙斯宣布退休，而他创立的对冲规模已经达到150亿美元。凭借优秀的成绩，福布斯杂志将他称为&数量分析之王&。
1998年俄罗斯债券危机、2001年科技股泡沫危机以及2007年的次贷危机，金融市场上的&黑天鹅&令不少曾经无限风光的对冲折戟。但令人惊讶的是，西蒙斯带领的大奖章基金历经数次金融危机始终屹立不倒，令有效市场假说都黯然失色。西蒙斯不败神话的秘诀就在于他的&壁虎式投资法&。
所谓&壁虎式投资法&，是指在投资时进行短线方向性预测，依靠交易很多品种、在短期做出大量的交易来获利。用西蒙斯的话说，交易&要像壁虎一样，平时趴在墙上一动不动，蚊子一旦出现就迅速将其吃掉，然后恢复平静，等待下一个机会。&
&我们随时都在卖出和买入，依靠活跃赚钱。&西蒙斯称，他只寻找那些可以复制的微小获利瞬间，而绝不以&市场终将恢复正常&作为赌注投入资金。
凭借独特的交易策略，西蒙斯在华尔街赢得了&黑匣投资者之王&的称号。在多数人眼中，西蒙斯利用数学运算法则进行投资的方法充满了神秘气质。更为特别的是，他执掌的文艺复兴科技公司里少有商学院高材生、华尔街投资分析老手，而是充斥着大量数学、统计学和自然科学顶级科学家，这使得这家公司看起来并不像金融机构，而更像一家研究所。
精选基金数据：
资讯阅读排行
每周基金动态()
季度资产配置建议报告()
精选产品推荐()探讨一下大奖章的HMM理论 - 外汇讨论专区 -
长阳读书俱乐部 长阳论坛|长阳书店|长阳读书俱乐部|证券书店|期货书店|外汇书店|期货书|股票书|外汇书
探讨一下大奖章的HMM理论
UID2583&帖子7510&精华&积分7510&长阳币17990 枚&阅读权限200&注册时间&最后登录&
探讨一下大奖章的HMM理论
放假回来脑子彻底清空了，有兴趣研究一下大奖章的HMM。
WIKI了一下，觉得HMM的思路类似模拟人类的逻辑判断，这张图应该解释的比较清楚。
图中最下侧的一串符号，仅可能由以下三种不同的状态依次触发所导致：
各种状态对应符号和另一个状态变化的可能性由箭头的透明度来体现。
附件: 您所在的用户组无法下载或查看附件
理解 -& 超越
小阳初级会员
UID35229&帖子84&精华&积分84&长阳币40 枚&阅读权限30&注册时间&最后登录&
HMM在机器学习里是很常用的，对各种算法而言，各有优点，关键还是特征的选取。
其实基于概率统计的方法离人类真正渴望和长期探讨的人工智能是越来越远了，这是现在人工智能以及复杂系统的相关问题的一个瓶颈
[ 本帖最后由 xingkong123 于
22:37 编辑 ]
UID24165&帖子2163&精华&积分2163&长阳币7770 枚&阅读权限160&注册时间&最后登录&
小阳初级会员
UID82699&帖子92&精华&积分92&长阳币0 枚&阅读权限30&注册时间&最后登录&
假设你有一个住得很远的朋友,他每天跟你打电话告诉你他那天作了什么.你的朋友仅仅对三种活动感兴趣:公园散步,购物以及清理房间.他选择做什么事情只凭天气.你对于他所住的地方的天气情况并不了解,但是你知道总的趋势.在他告诉你每天所做的事情基础上,你想要猜测他所在地的天气情况.
你认为天气的运行就像一个马尔可夫链. 其有两个状态 &雨&和&晴&,但是你无法直接观察它们,也就是说,它们对于你是隐藏的.每天,你的朋友有一定的概率进行下列活动:&散步&, &购物&, 或 &清理&. 因为你朋友告诉你他的活动,所以这些活动就是你的观察数据.这整个系统就是一个隐马尔可夫模型HMM.
你知道这个地区的总的天气趋势,并且平时知道你朋友会做的事情.也就是说这个隐马尔可夫模型的参数是已知的.你可以用程序语言(Python)写下来:代码:states = ('Rainy', 'Sunny')
observations = ('walk', 'shop', 'clean')
start_probability = {'Rainy': 0.6, 'Sunny': 0.4}
transition_probability = {
& &'Rainy' : {'Rainy': 0.7, 'Sunny': 0.3},
& &'Sunny' : {'Rainy': 0.4, 'Sunny': 0.6},
emission_probability = {
& &'Rainy' : {'walk': 0.1, 'shop': 0.4, 'clean': 0.5},
& &'Sunny' : {'walk': 0.6, 'shop': 0.3, 'clean': 0.1},
& &}在这些代码中,start_probability代表了你对于你朋友第一次给你打电话时的天气情况的不确定性(你知道的只是那个地方平均起来下雨多些).在这里,这个特定的概率分布并非平衡的,平衡概率应该接近（在给定变迁概率的情况下）{'Rainy': 0.571, 'Sunny': 0.429}& transition_probability 表示基于马尔可夫链模型的天气变迁,在这个例子中,如果今天下雨,那么明天天晴的概率只有30%.代码emission_probability 表示了你朋友每天作某件事的概率.如果下雨,有 50% 的概率他在清理房间;如果天晴,则有60%的概率他在外头散步.
这个例子在Viterbi算法页上有更多的解释。
UID74398&帖子783&精华&积分783&长阳币1598 枚&阅读权限150&注册时间&最后登录&
引用:原帖由 西门小宝 于
08:58 发表
假设你有一个住得很远的朋友,他每天跟你打电话告诉你他那天作了什么.你的朋友仅仅对三种活动感兴趣:公园散步,购物以及清理房间.他选择做什么事情只凭天气.你对于他所住的地方的天气情况并不了解,但是你知 ...
在赚过无数个一百块又亏过无数个一百块之后，我深深的相信，要赚一百万，主要靠屁股而不是头脑。
UID83137&帖子2601&精华&积分2601&长阳币458 枚&阅读权限200&注册时间&最后登录&
大奖章用的是这种东西？？？
UID2583&帖子7510&精华&积分7510&长阳币17990 枚&阅读权限200&注册时间&最后登录&
引用:原帖由 西门小宝 于
08:58 发表
假设你有一个住得很远的朋友,他每天跟你打电话告诉你他那天作了什么.你的朋友仅仅对三种活动感兴趣:公园散步,购物以及清理房间.他选择做什么事情只凭天气.你对于他所住的地方的天气情况并不了解,但是你知 ... 多谢翻译这段，比较直观。
从这段的解释看，HMM的应用仍然是个倒推的思维：通过某些现象来判断原始情况的可能性。用在交易上，大概就是通过目前价格行为来判断当前所在市场态势，但这是对于已发生的事情的推测，对于未来如何预期，我还看不出是如何达成的。
可能有这么一种应用：根据已知的价格行为来从大概率上判断投行或基金的操作，从而可以准确地跟风。。。
理解 -& 超越
长阳论坛坛主
UID10382&帖子22092&精华&积分22092&长阳币13612 枚&阅读权限201&注册时间&最后登录&
2010年 07月 22日 08:27
让计算机帮你选股
华尔街因不知道从错误中汲取教训而臭名昭著。或许机器能做得更好一些。
这是越来越多的投资者的愿望。他们希望人工智能科学能帮助他们进行投资决策。
Michael Rubenstein for The Wall Street Journal
Rebellion公司人工智能系统的开发者格林博格(Spencer Greenberg)说，很显然人类并没有进步，但计算机和运算法则却越来越快、越来越强大。运用人工智能技术时，程序员不仅仅把计算机设定成根据特定的输入命令做出决定。他们让系统能够学习各种决策，并做出相应的调整。大多数试用这种方式的投资者均在使用“机器学习”技术，这是人工智能的一个分支，计算机程序对数量巨大的数据进行分析并对未来做出预测。许多技术公司均在使用这种技术，谷歌(Google Inc.)用其匹配网络搜索的结果，NetFlix Inc.用它预测哪些用户很可能租看电影。
在华尔街的人工智能竞赛中，Rebellion Research成为一颗冉冉升起的新星。这家仅有约700万美元资本的纽约对冲基金一直在用自己开发的机器学习程序进行股票投资。据知情人士称，这家公司由一小组20多岁的数学和计算机奇才运营，业绩骄人，自2007年开始投资到今年6月份，除去各种费用，其年度业绩平均比标准普尔500股指(Standard & Poor's 500-stock index)高10%。像许多对冲基金一样，它的目标是年复一年跑赢大盘。
Rebellion公司人工智能系统的开发者、现年27岁的格林博格(Spencer Greenberg)说，很显然人类并没有进步，但计算机和运算法则却越来越快、越来越强大。
据称，纽约州的Renaissance Technologies LLC等部分老道的对冲基金已经开始运用人工智能技术进行投资。但多年来，这些公司均只是另类。一些曾涉足人工智能技术的公司怀疑这项技术要投入使用还差得远。
许多新公司正在使用机器学习的方式进行交易，Rebellion公司只是其中之一。拥有1,000万资产的旧金山对冲基金Cerebellum Capital从2009年开始使用机器学习的方式进行投资。据知情人士透露，德克萨斯州的RGM Advisors LLC和芝加哥的Getco LLC等许多高频交易公司正在使用机器学习功能帮助它们的计算机系统高效地买卖股票。
支持者说，程序效率高，因为它们能在短时间内处理数量巨大的数据，学习行之有效的方法，并随时调整自己的策略。相比之下，典型的定量方式或许只运用单一策略，或甚至一次结合使用多种策略，但或许不会基于程序确定的最有效方式在这些策略之间进行调整或修订这些策略。
Michael Rubenstein for The Wall Street Journal
从左到右，依次为Rebellion公司的弗莱斯(Alexander Fleiss)、牛顿(Jeremy Newton)、斯特奇斯(Jonathan Sturges)和格林博格。过去的成功并不意味着Rebellion公司将继续跑赢市场。由于使用了许多定量分析策略，如果市场基本面的变化导致其计算机程序──“星”(Star)出错，其系统可能停止工作。
格林博格说，“星”能够基于市场及更广泛经济活力的变化调整其策略，这使其拥有了一定的智能，它不局限于任何单一的投资方式。在特定条件下，基金会买入便宜的股票，其它条件下，基金会青睐价格迅速上涨的股票，或同时执行这两种策略。
与利用人工智能协助进行快速交易的高频交易基金不同，Rebellion倾向于长期持股。它的平均持股时间为四个月，但有些情况下会超过两年。它也不做空股票或使用杠杆（即借钱）。后者虽然能扩大收益但也能增加风险。
这个程序监控约30个可能影响股票表现的因素，例如市盈率或利率等。
程序经常要处理十年以上的市场历史数据以及最新的市场活动以决定是否买入或卖出一支股票。当特定的策略不可行时，程序会自动添加这一信息，学习并调整投资组合。
例如，它或许会发现数据表明某些市盈率低的股票很可能上涨并买入这些股票。然后，如果程序发现，由于它跟踪的因素出现了变化，这种策略很可能失去效果，它将清空这些股票，
并买入它认为更好的股票。
每天早上，“星”会推荐一张买入或售出股票的清单，它推荐的清单经常会毫无变化。一位交易员实施这些操作。公司说它从未否定过计算机程序提供的建议。从2007年开始使用至今，除少数几次修修补补之外，这个程序基本保持了原样。Rebellion公司通常同时持有60至70支股票。
2005年年中，格林博格从哥伦比亚大学(Columbia University)毕业并获得工程学学位不久后便开始设计这个程序。加入这项工作的还包括他高中时的伙伴、拥有金融和数学背景的弗莱斯(Alexander Fleiss)、拥有作曲硕士学位的斯特奇斯(Jonathan Sturges)以及帮助设计这个人工智能程序的数学家牛顿(Jeremy Newton)。
2007年1月，以200万美元为资本，这个程序开始选股。那年春天，它开始进入防守状态，转持公共事业公司等股票。据知情人士称，Rebellion在2007年升值17%，而当年道琼斯工业平均指数(Dow Jones Industrial Average)的涨幅仅为6.4%。
2008年大多数时间，它一直处于守势，持有黄金、石油和公共事业公司的股票。尽管如此，它也像大多数投资者一样损失惨重，缩水26%，但仍优于道指34%的跌幅。
2009年初，“星”开始买入银行和保险公司等跌幅极大的股票。这些公司将从经济复苏中受益。弗莱斯说，这个人工智能程序刚刚买入了不少价值股。2009年，这个基金升值41%，是道指19%涨幅的两倍多。
这家公司目前的投资组合大体上以防守为主。据知情人士透露，黄金股是其最大的头寸之一。
起初，这种防守的举动让愈发看好股市的弗莱斯担心。但迄今为止，事实证明这是明智之举。他说，我已经学会不去质疑人工智能。
Scott Patterson
好书改变命运
长阳淘宝店：/& & 书城购书网址：.cn
长阳服务QQ& & & &&&在线时间8:30-23:00
长阳旺旺：北京长阳盛业书店& && & 在线时间8:30-23:00
UID10382&帖子22092&精华&积分22092&长阳币13612 枚&阅读权限201&在线时间5312 小时&注册时间&最后登录&
UID2583&帖子7510&精华&积分7510&长阳币17990 枚&阅读权限200&注册时间&最后登录&
有点明白了，从首帖的图来看，可以通过这一串结果的组合推导出：无论任何途径，最后一个符号必然是状态2触发的，那么按照原定的顺序，2之后发生的状态必然是1，于是就可以在1的两种可能的结果上下重注，而完全不考虑其他三种结果。提高了下注的准确性。
也就是，根据一系列发生的事件，寻找出背后导致这些事件的潜在原因和顺序，进而判断出接下来最大可能发生的是什么。
理解 -& 超越
UID24423&帖子447&精华&积分447&长阳币1770 枚&阅读权限150&注册时间&最后登录&
数据挖掘的技术工具在市场中的应用及前景浅析。
包括SVM、神经网络、HMM等，这些工具在众多领域应用都取得非常大的成功。但是，
在金融市场领域是否也能成功？尽管各自采用不同的算法，但其逻辑结构是基本一致的。
图2，神经网络
暂时不讨论具体的算法，仅从其基本要素和原理来分析。
1，方法：近期发展出来的这些工具，属于“统计模式识别”范畴。并能够推广应用到函数拟合等其他机器学习问题中，对特定训练样本的学习精度，（Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力。
统计机器学习之所以区别于传统机器学习的本质，就在于统计机器学习能够较精确的给出学习效果，能够解答需要的样本数等等一系列问题。与统计机器学习的精密思维相比，传统的机器学习基本上属于摸着石头过河。
2，标的模型：机器学习本质上就是一种对问题真实模型的逼近。。。选择一个我们认为比较好的近似模型，但毫无疑问，真实模型一定是不知道的。如果知道了，我们干吗还要机器学习？直接用真实模型解决问题不就可以了？。。。这是问题最本质的内容，也是成败的关键。
近似模型与真实模型之间的误差，就叫做风险，更严格的说，误差的累积叫做风险，真实误差无从得知，但我们可以用某些可以掌握的量来逼近它，样本数据上的分类的结果与真实结果的误差叫做经验风险Remp(w)。大前提是经验风险要确实能够逼近真实风险才行，但实际上能逼近么？
3，目标函数
寻优问题最重要的部分是目标函数。SVM在求解过程会对目标函数作一系列变换，为了简化目标函数满足求导数所需。。。这种处理，对市场而言，价格分形的特征是非线性、离散、处处不可导。。显然会扭曲了目标函数。
神经网络采用阈值逻辑单元（Threshold Logic Unit，TLU）的学习机制是模仿大脑调节神经连结的原理。TLU 通过改变它的权系数和阈值来学习。感知器的培训算法的应用将会最终导致权系数的分配，delta 规则是一种获取一个特殊的权系数集以及一个特殊的向量的算法。而改变权系数将会使神经网络的误差最小化。
它的目标函数是一个BTS,（ basic trading system)，同时需要用创建一个神经网络系统并教会它做BTS所不能做的事，按这个思路就是要创建这样一个交易系统∶它由互相补充(配合)的两部分组成，BTS和NN(神经网络)。
神经网络的“教育”分成三步骤，每一步骤“教育”一个感知机，在任何一步骤，这个优化了的BTS必须存在，为的是让“感知机们”知道它自己能做什么。感知机们分别的“教育”由遗传算法来承担。在“教育”NN之前的一步是对BTS进行优化。然后，用遗传算法来优化“教育”NN（让它“学习”市场）。如果你需要置换嵌入另一个交易系统算法的BTS，你必须修改BTS功能的内部。
西蒙斯启发于 HMM 模型在语音识别中的应用，将其引入到市场交易中。
首先，对市场价格涨跌情况都必须存在一种明确的模式与其对应（即BTS），
可由一个HMM 模型来表示；
然后，假设市场的外在数据表现由有限个服从马尔可夫过程的隐状态所决定，
即任何一个时段的市场表现由一个隐藏的马尔可夫链所决定。并应用Baum-Welch算法对各类模型进行训练。训练过程是
市场价格数据输入→特征提取→HMM重估模型参数→收敛→结束。
这个模型里面，同样有一个BTS，只是训练教育的工具与神经网络不同。
不论采用哪种优化方法，其基础都是目标函数BTS。实际使用过程中，交易者多选择自己喜欢的现役技术指标作为优化目标函数BTS。
07年EA大赛冠军，在神经网络EA中选用的BTS是CCI指标；广发证券HMM研究报告选的是量价指标；西蒙斯，虽然从侧面可靠信息估计很可能采用HMM模型，但其黑箱的核心机密，还是无人知晓。然而，可以肯定的是，他选用的BTS，才是决定成败的最关键因素。。。
同样，高频交易的成败，也是取决于BTS。速度，只是一种助催化剂。
一个有说服力的例子，就是07年EA大赛冠军，成绩惊人。在08年大赛中，同样是神经网络EA，却输得很惨。。。
07年EA大赛：
08年EA大赛：
4#楼的形象的例子，也说明这一点。如果住得很远的朋友，不是“选择做什么事情只凭天气”而是凭自己的不确定的感觉或兴趣选择，那么HMM在也无法计算出朋友所在地的天气情况。
还有，HMM在语音识别的功能特别强大，可如果将供识别的语音中不时杂入各种不断变化的噪音，譬如，经常来个”半夜鸡叫”什么的。。。再让HMM优化识别，结果会怎样？
总之，高频数据挖掘工具很强大，可以推广应用到很多领域。。。咱们如要学习使用，首先还是要解决合适的BTS。。。。。这就是咱们经常强调的交易系统。。。。成功的交易系统是前提。
个人观点，仅供参考。
[ 本帖最后由 whqzwang 于
20:29 编辑 ]
附件: 您所在的用户组无法下载或查看附件
UID83137&帖子2601&精华&积分2601&长阳币458 枚&阅读权限200&注册时间&最后登录&
引用:原帖由 whqzwang 于
20:23 发表
包括SVM、神经网络、HMM等，这些工具在众多领域应用都取得非常大的成功。但是，
在金融市场领域是否也能成功？尽管各自采用不同的算法，但其逻辑结构是基本一致的。
图2，神经网络
暂时 ... 请问BTS如何搞？
小阳中级会员
UID50454&帖子318&精华&积分318&长阳币290 枚&阅读权限100&注册时间&最后登录&
BTS是什么的缩写？
UID2583&帖子7510&精华&积分7510&长阳币17990 枚&阅读权限200&注册时间&最后登录&
以基本面分析为例，抽象一下：原图的那4个符号，简化为三个，也就是股票价格运动的表现：涨、跌、盘整。
原图中导致4个符号的5种原因，现简化为导致涨、跌、盘的6种原因：利率上升、利率下降、公司收益变好、公司收益变差、汇率上升、汇率下降。而这6种原因互相之间又有一定的联系，比如说利率上升有较大可能会引起汇率上升，但有时也会引起汇率下跌，等等。。。
这样，根据股票近一段时间的表现，配合以一些对于基本面的关系，就能在概率上推测接下来股票该如何运动。。。
似乎还是没什么很好的说服力。似乎流于就现象发生的规律研究现象之间的联系。
理解 -& 超越
UID83137&帖子2601&精华&积分2601&长阳币458 枚&阅读权限200&注册时间&最后登录&
引用:原帖由 clmtw 于
22:23 发表
BTS是什么的缩写？ Best Trading System圣杯
小阳中级会员
UID73080&帖子174&精华&积分174&长阳币120 枚&阅读权限100&注册时间&最后登录&
引用:原帖由 johnyj 于
22:38 发表
以基本面分析为例，抽象一下：原图的那4个符号，简化为三个，也就是股票价格运动的表现：涨、跌、盘整。
原图中导致4个符号的5种原因，现简化为导致涨、跌、盘的6种原因：利率上升、利率下降、公司收益变好、公司 ... 首先是否有依据找出这些因素，确定它们的权重，
然后合适的预测方法，
“利用支持向量机与重构相空间理论预测混沌时间序列的方法，以股价时间序列为样本，比较几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核。使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法。”
附件: 您所在的用户组无法下载或查看附件
UID37289&帖子839&精华&积分839&长阳币1660 枚&阅读权限150&注册时间&最后登录&
交易系统需要模式识别，其中各要素通过逻辑这条线索来连接。
其成败在于尺度的正确把握，这是难点也是关键点。
木石之性，安则静，危则动，方则止，圆则行。战人之势，如转圆石于千仞之山者，势也。
中阳初级会员
UID53630&帖子787&精华&积分787&长阳币1510 枚&阅读权限100&注册时间&最后登录&
老王绕了一圈，结果还是成功的交易系统是前提，
有点先有鸡，还是先有鸡蛋的意思
不要试图弯曲勺子，那是不可能的。相反，要努力去认识真相…根本没有勺子…然后你就会发现，弯曲的不是勺子，而是你自己。
UID24423&帖子447&精华&积分447&长阳币1770 枚&阅读权限150&注册时间&最后登录&
看来大奖章确实用的是HMM
隐世股神西蒙斯的投资命门 邱恒明& & 发表于日 10:09 阅读(15466) 评论(17)
分类： 高端阅读 举报
有巴菲特、索罗斯这类显性股神，就一定存在隐世股神。本次高端阅读的主角就是其中的一位，他是量化投资领域的王者——詹姆斯·西蒙斯&
（高端阅读第87期）&
指数基金之父博格通过《博格长赢投资之道》告诉我们，跨国公司亿万年薪的CEO们不是最赚钱的人，对冲基金经理才是最赚钱的群体；咨询专家戴维·罗特科普夫通过《超级精英》透露说，这几年最赚钱的基金经理是詹姆斯·西蒙斯。通过名叫忻海的作者，我们能了解到西蒙斯赚钱的具体数字：2006年赚了17亿美元，2007年赚了28亿美元，2008年赚了25亿美元……&
忻海通过港本书《战胜巴菲特的隐世股神》和中文简体版《解读量化投资：西蒙斯用公式打败市场的故事》，为我们揭开量化投资之父的面纱。&
半夜吃炸鸡的大学生&
或许因为忻海有量化金融学的博士背景，他对量化投资领域尤为关注。忻海博士毕业后第一份工作投身欧洲某投资银行，他接触到代号为“狼”的神奇客户，从此视揭开“狼”之真面目为己任。《战胜巴菲特的隐世股神》便记录了揭开西蒙斯真实面纱的全过程。&
忻海通过自己的博士生导师了解到西蒙斯是名数学天才，早在三岁时，就表现出对数学、形状的兴趣。西蒙斯只用了三年就完成本科课程，三年时间拿下数学博士学位。年仅23岁，西蒙斯回到母校麻省理工学院当老师。&
西蒙斯在麻省理工学院读本科时，当年的导师辛格回忆说：“西蒙斯的悟性很好，他能直观地感受到数学的原理，这很罕见。”而让同学记忆深刻的是，西蒙斯不仅学习用功，玩起来也异常疯狂。“半夜吃炸鸡”的经历就是典型。&
常常开夜车玩到凌晨，然后大家挤进西蒙斯的老爷车，开到学校附近一家很有名、半夜仍然开着门的烤鸡店大吃一顿。导师辛格也常常在那里吃鸡：一边啃着骨头，一边啃着高深的数学问题，这让不到20岁的西蒙斯觉得生活很是惬意。&
数学教授闯入金融业&
西蒙斯的大奖章基金自1988年成立以来，每年平均回报达35%以上，连巴菲特、索罗斯也望尘莫及，被称为“量化基金之王”。这老头六十大寿时，竟举办几何学研讨会庆祝！会上高手云集，但全是怪人。他是如何从一名顶尖数学教授转身为金融界奉献毕生精力的呢？&
这还要从他读博士时说起。话说，西蒙斯到加州大学伯克莱分校攻读数学博士，其间他第一次结婚，婚礼上收到的礼钱全被西蒙斯拿去投资了。那时候，他跟美林的经纪人说，觉得投资股票很无聊，人家便随口叫他去买大豆。谁知他真的投资大豆期货，还赚了一笔钱。&
23岁博士毕业后，西蒙斯回麻省理工大学当了一年老师，不安分的他后跳槽到哈佛大学当数学老师，干了两年便又跳槽，加入了美国国防分析研究院。&
国防分析研究院的工资比大学高多了，为生活负担过重的西蒙斯缓解了不少压力。不幸的是，3年后他被解雇了。但这就是他闯入金融圈的重要因素之一。&
西蒙斯曾对人说，以前在国防分析研究院工作时，自己是一个小喽啰，被人推人挤去的，最后又被一脚踢开，让他一筹莫展。而自己当老板，独自打拼，就没有人可以解雇他了。&
更有可能的原因是他在投资中赚到了大钱，尝到钱滚钱甜头的西蒙斯，自然希望成果越来越大。&
从美国国防分析研究院出来后，西蒙斯在石溪大学教了八年书，期间，他和两个数学系的同学还开过一家造地板的工厂，这家工厂的投资让他赚到了60万美元。更振奋人心的是，变现后的60万美元投到商品市场，大炒期糖，在不到七个月内，变成了600万美元！&
这很可能是他走出象牙塔，闯入金融业的一个更为重要的原因。虽然石溪大学教书期间，西蒙斯和华裔数学家陈省身提出过著名的陈-西蒙斯理论。&
成就量化投资教父之名&
忻海在书中简要地介绍过量化投资历史，他说量化投资虽然和技术分析，趋势投资有很多共通的地方，但不能在它们之间画上等号。研究量化投资的手段，实在太多。除了高等统计学里面所罗列的研究方法之外，这些投资家们还用过模糊逻辑、神经网络、隐马可夫模型、小波变换、贝叶斯网络、分型几何、聚类分析等。这些分析方法听上去听复杂，但我们日常生活中接触到的许多东西，比如网上搜索、天气预报、疾病诊断、基因筛选，药物研发等都有使用。&
量化投资由来已久，出现不少大师，西蒙斯应该是最有名的一位。忻海通过自己的调查认为，西蒙斯团队最有可能采取的是隐马可夫模型。隐马可夫模型指某种价格或者系统从上一个状态跳到下一个状态的随机过程。由于下一步和上一步之间没有直接的关系，也就说，这个系统没有记忆。应用在金融界，隐马可夫模型可用以推测目前的市场状态，究竟是呈现趋势还是在上落徘徊，到底是高波动性还是低波动性的状态等。&
1982年，西蒙斯成立复兴科技公司。在成立鼎鼎大名的大奖章之前，西蒙斯已设立了Limroy基金，采用的是基本分析法，成绩不俗。&
既然Limroy基金运用基本分析也能取得成功，为什么要转为纯粹的量化型呢？一种解释是，量化投资可以降低投资风险。试想想，西蒙斯先生努力十年去维持Limroy的佳绩，每天要承受巨大的心理压力，又要随时随地地保持高度警觉的状态，肯定累死。&
大奖章基金自1988年成立以来，每年平均回报达35%以上。资料显示，1990年，大奖章基金净回报是55.9%；第二年是39.4%……1993年以后，大奖章不再接受新的投资；从2002年开始，西蒙斯更逐步把外界投资人的钱全部返还。现在，大奖章基金的受益者就只有西蒙斯和复兴科技的员工。&
可以说复兴科技公司的员工，个个都是超级富豪。西蒙斯的干将主要来自3个地方：一个是石溪大学的数学系，过去他曾是系主任，打造成全美名列前茅的数学系；另外一个是老东家国防分析研究院。第3个地方令人备感惊奇：IBM公司的语音识别实验室。有人曾说，当年西蒙斯把整个语音识别实验室的精英统统都挖走了。&
很多人曾问西蒙斯，为什么要搜罗世界上最优秀的语音识别专家来从事金融研究。他回答道：“投资和语音识别其实很相似，都是要预测下一点发生的事情。”也就是说，通过对目前已知的各种资讯进行分析，去伪存真，然后判断下一点最可能会发生的事情。&
用顶尖的科学家从事投资研究，这就是西蒙斯的投资命门吧。&
现在的量化投资领域已超出模型之间的竞争，成败其实取决于如何组建一个强有力的研究团队，去不断发现新的异常，开发新的模型。不过，要模仿西蒙斯投资却不容易。西蒙斯的雇员薪酬属顶尖级数，要挖走他的人，成本很高。要知道，除了退休或者寻找其他人生目标、生活刺激之外，复兴科技的员工很少跳槽。&
与巴菲特的优劣对比&
复兴科技有一种特殊的研究氛围去吸引科学家，西蒙斯也有一股独特魅力去留住人才，所以对冲基金小圈子内，有人戏称他为“对冲基金之王”。&
西蒙斯为人谦逊，并不接受这类封号。他曾把自己的投资风格与巴菲特比较，说自己是粗放耕种。“在大片麦田中央放一个喷水灌即可，每一根麦穗看起来不是特别好，但整体收成又不太差，靠数量取胜。而巴菲特则是密集精耕，他的麦穗种得不多，但每一根都是精品。”&
“我们的投资方法正好是两个极端”，西蒙斯说。&
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
但是，本人认为，HMM只是一种电脑模拟人脑的一种相对简单初级的一种学习工具。一种优化评估方法。（非预测），他的更隐蔽的核心技术，还是BTS。没有有效的BTS，任何优化工具，不能有效。。。。就像语音识别，如果被识别的语音没有本征特点，HMM是无法识别的。
而俺的BTS，信息来自价格本身，不需要任何优化，就能在整体上获得和西蒙斯的方法相同的效果！西蒙斯，如果有幸看到俺的系统，他可以不需要那个“强有力的研究团队”。。。呵呵哈！正如本人在#8中所说，“真实模型一定是不知道的。如果知道了，我们干吗还要机器学习？直接用真实模型解决问题不就可以了？。。。这是问题最本质的内容，也是成败的关键。”西蒙斯的BTS，一定不是市场的“真实模型”，否则他不会使用HMM。。。。而俺的系统，则十分接近于市场的“真实模型”。。。
[ 本帖最后由 whqzwang 于
07:44 编辑 ]
UID24423&帖子447&精华&积分447&长阳币1770 枚&阅读权限150&注册时间&最后登录&
没人相信俺的话吧！呵呵哈！正常。看来只有西蒙斯本人看到才会相信。。。。其实只要市场认可就是最大的快乐！
借长阳一席，发点图给西蒙斯看：
日（0：00~24：00），EA即市自动交易复盘记录。EUR这一波强趋势真是走得太爽了！
1）按H1周期信号交易
2）按H4周期信号交易
西蒙斯，非隐士。隐的只是核心技术。
肯定有人看到后大笑之，不笑无以为道。
俺也在窃笑。。。不亦乐乎！呵呵哈！
附件: 您所在的用户组无法下载或查看附件
小阳中级会员
UID74830&帖子368&精华&积分368&长阳币320 枚&阅读权限100&注册时间&最后登录&
殷保华第二。
去年今日此门中，人面桃花相映红。
人面只今何处去，桃花依旧笑春风。
QQ在线8:30-23:00长阳旺旺客服每日8：30—23：00