15.5　基于电子计算机的模式识别方法

我们之前讨论的方法是基于交易者所熟悉的行情模式，而且本书第1版对周际行情和周末行情的研究，以及早期章节中所显示的盘中时间序列模式均以手算的方式加以验证，但是，其最终的成功却是基于计算机而进行的。当然，我们可以在许多市场上测试许多行情模式，进而寻找不寻常的情况和类似的事件。然而，所谓的模式识别方法是永远不能脱离某种计算能力的。

与传统的、依据出现较高点和较低点的交易日所重复的频率来辨认价格模式的方法不同，计算机行情模式识别系统使用了一系列的描述符和特质分类方法，例如阿伦森就曾使用一组描述符与特质分类法则来确定一个职业的骑师， ^[1] 如下表所示。

注2：约1.68米。——译者注

注3：约54.4千克。——译者注

满足上述四个条件的一组人群则可被称为专业的骑师；反之，所有满足上述这些条件的人都是专业骑师的结论则是不正确的，因此，我们要对上述集合进行深入的细化。然而，要想缩减上述四个条件所覆盖的范围，则需要做很多的工作。

那么，我们要如何将上述分析工具应用到交易策略的开发中呢？如果我们将相同定义为交易概况，那相应情况就会变得非常明显。我们可以考虑相关交易所具有的特点，即

（1）相应行情相较于初始价格上涨或下降了至少3%；

（2）价格的变动发生在20天以内；

图15-28　特定的买入时段与卖出时段

（3）相关损失没有超过0.5%。

在某种价格系列之内，一台计算机或某位分析师都可以找到所有满足上述这些条件的价格波动模式。而任何一种满足上述条件的前5日上行期间可被视为买入时段，而前5日的下行行情模式可被视为卖出时段（见图15-28）。

我们可以将上述要件进行组合，进而填充至相应的表格中，现在的计算机则包含了所有买卖时段的集合，而这些时段则基于历史数据生成买入以及卖出的交易信号。然后，一些高概率的指标则必须被用来判定交易开始的时间，以下的指标则可能被使用，即

·移动平均方向性指标；

·诸如RSI的超买/超卖指标或反向指标；

·交易量的变化方向；

·10日动量指标。

我们可以向系统添加相应指标的广泛选择功能，且尽量避免重复模式，该计算机能够在买卖交易时段相关的日期中寻找主要指标的组合模式所具有的独特价值。同时，在理想的情境下，当某个指标或组合指标的数值超过一个特定的阈值时，所有的买入信号就会出现，例如，当RSI的均值和市场情绪指标值（反向指标）低于30%时，所有的买入信号就会出现。然而，如果这里激活所有的买入信号则是不足采信的，于此种水平出现的错误信号可能会造成很大的损失，而完美的交易系统将不会失去此类阈值区间所生成的任何交易信号。

不幸的是，现实世界中没有完美的解决方案。实际上，在组合指标生成的交易中，我们必须对净收益、相应风险以及其他的绩效标准进行评估。然而，指标分类技术的构建、买卖交易时段的确定模式对于系统开发而言是一种新型有效的方法，其类似于计量经济学家在统计数据和价格相关性之间所使用的多元回归法。尽管经济学家要使用通货膨胀指标、供给量、利率等要素进行分析，而模式识别系统则可采用技术指标和离散价格模式来预测一个买入和卖出的交易时段。

在逻辑信息服务器（LIM）中，相应计算机程序可被用来识别价格运行所符合的各类条件，其可提供特殊的经济数据，以及诸如此类行情识别模式所相关的特定问题的查询语言。当你听到金融新闻广播公司“今天纳斯达克指数下跌3%，明天反转的概率是90%”之类的信息，那么，其可通过LIM服务器被提取，且可生成一种广泛的传播渠道或形成某种映射特定经济报告的条件。

对上述技术有兴趣的分析师可能会发现神经网络系统和基因演算方法的特殊重要属性，它们是强大的搜索工具，可以凭惊人效率在大量的填充数据中发掘相应的行情模式，而关于这些方法的细节问题则可在第20章和第24章中被探讨。

行情模式的重复属性

计算机有一项任务是识别重复的价格运行模式。多年以来，在股票市场上，由于投资者的偏好和提价交易规则的存在，较高收盘价之后伴随一个更高收盘价（或较低收盘价）的概率大约是55%，而在其他大多数金融市场和大宗商品市场之上，行情走高或走低所相关交易日出现的概率似乎接近50%；如果行情走高的交易日后出现行情走低情境的概率是65%，那么，交易员将会抓住这个契机，且攫取所有可能的收益，直到此种行情消失殆尽之际。

那么，两个连续走高或走低交易日的行情模式是怎样的呢？我们在对周际交易日行情模式的研究中可以看到类似的情境，其中在当周之内基于第二日所呈现的类似行情或反转情境的频率，各种组合的价格运行模式被公示出来，其间某些组合行情所显示的高频或低频模式很具有吸引力。另外，在对周际交易日行情模式的研究中，我们对当周行情重复的交易日附加了一些限制条件，然而，此类模式可以起始于任意的时刻。

当寻求重复性的行情模式时，我们要根据其延续的时间长度重点记忆那些快速下降的情境，例如，如果你正在测试1000天的数据以寻求1日行情模式，那么，你会有1000个选项，其中大约一半时段的行情将会走高，其他时段的行情将会走低；如果你现在要观察2日行情的上升模式，那么，符合条件的时段只有25%，因为其他三组模式（升-降、降-升、降-降）所相关的时段通常会共享相同的概率值。同理，3日模式则有9种组合，每组则会占有1/9的数据源，凡此种种，不一而足。另外，当你所挖掘的级数为10的话，则有100种不同类型的行情组合模式，每种模式的出现次数都会很少。

然而，如果一个特定的级数为10的行情升降幅度10倍于1000日的价格序列值，那又如何解析呢？如果下一个行情上升交易日出现的概率级数是70%，那又怎么办呢？你的交易系统具有潜在的解析功能吗？不幸的是，我们没有足够的情境来得出可信的测试结果。

实际上，改善范例情境的一个方法是，在一个长期的序列之内，我们需要观察行情升降时段的总天数，而不是寻找那些跌宕起伏的既定模式。因此，如果你发现了一个15日升、5日降的行情序列模式，那相应的行情组合模式则会呈现出升势情境，最终不乐观的情境也就是5个下跌日而已。接下来，你即可将满足前述条件的行情模式进行扩展，进而提高整个升势行情序列的预测水平。

如果读者对上述内容感兴趣，可以参看第22章的第22.3节以及“鞅理论和反鞅策略”的相关介绍。

[1] David R.Aronson，Artifi cial Intelligence Methods(privately published).Also see David R.Aronson，“Artifi cial Intelligence/Pattern Recognition Applied to Forecasting Financial Market Trends，”Market Technicians Association Journal(May 1985)：91-131.