20.7　专家系统

    专家系统是根据累积的经验而导出结论的知识库，其以if-then-else的规则形式（程序编程语言）存储数据、事实以及各类相关性。收集这些信息的人士被称为知识库工程师。相关的程序通常被显示为一个决策树，其中每个“是”（Yes）或“否”（No）的答案都要经过下方的二元路径而导出最终的结论，然而，实际过程则更为复杂，且更有意义。不幸的是，在过去几年中，我们没有看到此类技术项下的新的信息版面出现在相关的交易系统中。而且，在通常情况下，我们认为任何成功的解决方案都是有意义的。

    相对于某种交易策略而言，知识库中所使用的数据应包括：价格、经济数据以及诸如高度相关行情并行和高波动率伴随高风险一类的常识。当第一个专家系统被开发时，其核心信息实际上是通过专家面试而收集的，因此，其衍生方式被冠名为专家系统。同时，这种方法的成功与否取决于知识库的质量和完整性。

    知识库的运行依靠的是应用推理引擎，其可以依据知识库中的事实而得出相应的结论，因此，如果我们发现以下的信息：

    ·事实1：美国债券比欧洲美元利率期货的波动率大；

    ·事实2：标准普尔500指数的波动率比美国债券的高；

    ·事实3：波动与风险成正比。

    那么，推理引擎就可以创造出新的事实情境：

    ·事实4：标准普尔的风险比欧洲美元的要高。

    推理引擎提供了一个简单的逻辑程序，然而，其中可能有许多相关性的问题需要被解析，而且，并不是所有的逻辑都可能适用于你想解决的问题，例如，如果存在以下事实：

    ·事实5：标准普尔具有高分贝的噪声因子；

    ·事实6：欧洲美元的噪声程度较低；

    ·事实7：当前标准普尔的交易价格低于200日移动平均线；

    ·事实8：当前标准普尔的交易价格高于20日移动平均线；

    ·事实9：标准普尔价格曾于过去20年中80％以上的周期内超过200日移动平均线；

    ·事实10：欧洲美元的利率是由货币银行政策所驱动的；

    ·事实11：目前的货币政策主要关注的是通货膨胀；

    ·事实12：通货膨胀的变化导致了利率的上升；

    ·事实13：标准普尔交易的年化净收益率是40％；

    ·事实14：欧洲美元交易的年化净收益率为20％。

    那么，我们根据人类的逻辑则可能得出这样的结论，即欧洲美元的收益率有可能因担忧通货膨胀而上涨；此外，标准普尔交易存在更大的风险，行情也更加不稳定，虽然现在处于上升阶段，但是，其当前的状况没有过去20年的平均水平那样强劲，与欧洲美元比较的结果是：交易标准普尔的风险更大，但收益率较高。

    上述专家的结论怎么能被计算机复制呢？我们需要通过添加一套与专家思维相符的规则，从而使计算机在理论上可以导出同样的结论，例如：

    ·规则1a：如果（if）生产者物价指数上涨的幅度超过4%的年率，那么（then）我们的感觉是出现了通货膨胀；

    ·规则2a：如果（if）存在高分贝噪声，那么（then）出现某种趋势的概率就会降低；

    ·规则3a：如果（if）有噪声因子较高，那么（then）风险就会加大；

    ·规则4a：如果（if）较快的趋势线高于较慢的趋势线，那么（then）价格正在上涨。

    相对于上述1～4项的正方规则而言，我们还应该设置相应的反向规则，即，

    ·规则1b：如果（if）生产者物价指数的年率没有超过4％，那么（then）我们所面临的情境就不是通货膨胀；

    ·规则2b：如果（if）噪声水平较低，那么（then）行情的趋势性较强；

    ·规则3b：如果（if）噪声水平较低，那么（then）风险也比较低；

    ·规则4b：如果（if）较快的趋势线低于较慢的趋势线，那么（then）价格行情则处于降势中。

    即使负面的规则有一些模糊的情况，例如，在规则4中，两种趋势是冲突的，而在其他情况下，正方规则可能是真实的，但反向情境不是那么强劲——在规则1b中，我们看到的效果是“我们所面临的情境就不是通货膨胀”，而不是“我们已经处于通缩之中”。

    20.7.1　前向链接模式

    我们将相应规则与事实进行组合，进而生成专家系统建议的程序称为前向链接模式——从事实6开始，“欧洲美元的噪声程度较低”，那么，我们即可发现相关的规则，即规则3b：“如果噪声水平较低，那么风险也比较低”，同时，我们可创造一个新的事实，即“欧洲美元的风险相对较低”。这里需要注意的是，某种情况的低、高、快的概念都是相对的。

    一旦我们发现新的事实，即欧洲美元交易的风险相对较低，那么，我们可以得出同样的结论，即“标准普尔风险相对较高”。我们也可以得出这样的结论：欧洲美元的风险低于标准普尔。前述这个过程所遵循路径是，每个事实是由各种规则所生成的，其具有前向链接的属性，如此则可导出其他规则以及其他事实。沿着前述的路径则可发现专家系统的意见，或者说，与新的事实彼此融合，例如，欧洲美元与标准普尔的相对风险因子可以生成专家系统的观点。

    上述的范例情境只显示了几个很容易总结的事实情境。然而，那些关于绩效特征的信息可以达到成千上万条，而其他市场的相关性以及大量基本面因子都可能改变相关的预期。如果通过询问专家进行累积工作，那么你会发现有些信息是相互矛盾的。其实，人类的大脑具有显著的功能来对某些项目进行分类，且选择最相关的信息，但是，人们有时可能因为考虑得太多而忽略某些重要的项目。专家系统可以对所有的数据进行预期，然后减少其数量，从而做出单一的决定，而在从事此项工作时，它也必须选择最重要的事实，同时也要为投资者解决事件的正确顺序和时间轴之间的冲突问题。

    20.7.2　技术型专家系统

    专家系统可以将指标值视为专家意见，同时应用上一节所示的基本相关性创建相应的系统。菲什曼、巴尔和罗伊克 [1] 以道琼斯指数为例将相应规则定义为各种指标和计算公式之间的相关性，同时，将所谓的事实情境定义为相关各项的价值。前述这个专家系统的目的是，检查价格运行的趋势属性以及非趋势的特征，进而给出趋势延续的概率。以下的范例模式即摘自他们的文章：

    ·规则1：如果ADX（平均趋向指标）值＞18，且ADX≥2日ADX指标均值ADX[2]，且非趋势性存在虚假或不确定性，那么顺势行情出现的概率为95％；

    ·规则2：如果ADX＜30，且ADX≤ADX[2]，且趋势性存在虚假或不确定性，那么非趋势行情出现的概率为90％；

    ·规则3：如果市场行情处于趋势当中，那么MACD指标的概率值=0.8，且慢线SD指标的概率值=0.85；

    ·规则4：如果市场行情是非趋势性的，那么MACD指标的概率值=0.55，且SD指标的概率值=0.75（即75％）；

    ·规则5：如果随机指标且1日快线指标值SK[1]＜30，1日慢线指标SD[1]<30，SK[1]＜SD[1]，SK＜SD，那么空方的置信度为80％；

    ·规则6：如果随机指标SK[1]＞70，且SD[1]＞70，SK[1]＞SD[1]，SK＞SD，那么多方的置信度为80％；

    ·规则7：如果MACD指标和MACD指标值＞信号线值，那么多方置信度为75％；

    ·规则8：如果MACD指标和MACD值＜信号线值，那么空方置信度为75％。

    其中，ADX是当前18日周期的平均趋向指标的计算值；ADX[2]是2日周期前的ADX指标值；MACD是平滑异同移动平均值，且平滑常数为0.15、0.075；SK是9日周期的快速随机指标值％K；SD是9日周期的慢速随机指标值％D。

    此外，相关程序中的Undefined（未定义）语言指令意味着没有关于相应数值的信息，而“IF stochastic”指令是测试相关选项是否可用。另外，相关的事实则是应用实际价值进行样本评估，即，

    ·事实1：ADX=19；

    ·事实2：ADX[2]=19；

    ·事实3：SK=90；

    ·事实4：SD=80；

    ·事实5：SK[1]-SK=68；

    ·事实6：SD[1]-SD=92；

    ·事实7：信号线值=-70；

    ·事实8：MACD值=-68；

    ·事实9：市场行情处于趋势中。

    以概率表示的测试结果为成功应用上述方法极尽所能地提供了较大的洞察能力，然而，实现这些概率需要我们做出一些额外的决策。在没有任何进一步信息的情境下，我们可以假设顺势随机指标正确的概率只有50％。如果我们能够测试随机指标所指示的于一段时间之内的后续价格的上行趋势的概率，那么我们的获利契机就会变得很高。

    [1] Mark B.Fishman，Dean S.Barr，and Walter J.Loick，“Artificial Intelligence and Market Analysis，”Technical Analysis of Stocks & Commodities(Bonus Issue，1993).