《Intelligent stock trading system by turning point confirming and probabilistic reasoning》学习笔记

一、摘要

本文题为《基于转折点和概率推理的智能股票交易系统》，介绍了一种新的方法：从股票时间序列的高级表示（high-level representation） 来学习买入卖出的决策。
本文的两个最大优点就是：①提出的高级表示（转折点和技术指标）对噪音不敏感、对人类直观；②将高级指标和概率模型相结合，降低了混沌系统二点随机性、不确定性

二、介绍

1.噪声的原因
股票交易受决定因素和随机因素的影响而复杂而动态。其中决定因素是买卖方的实力的变化，随机因素就是比如紧急情况或者日常操作的变化。其中的随机因素就被视作噪声（noise）
2.以往交易系统的缺陷
以往股票预测系统往往使用低价数据（low-level price）作为训练集，仍具有不小的随机性
而高级表示将人类对股票市场的理解整合到模型上，大大减少了随机性。
3.我们怎么做
①在临近转折点时对其进行预测和确定来利用高级表示，并不直接预测精确价格。
②利用技术指标（ technical indicators，如峰值、谷底等）来预测发生反转的可能
4.高级表示的不足
单个指标仍无法高精度得预测反转，因此我们把两个指标整合在概率模型中

三、系统体系结构

一、转折点选取准则

局部极大极小点（临界点）只有一部分是真实的转折点，其他只是噪音。
我们通过技术指标来确定临界点是否是真实的转折点。
在训练过程中，通过测试①持续时间②两个临界点值之间的震荡，若这两个值超过连个关键点之间的两个阈值，则是真转折点

两个阈值分别为T：时间间隔 P：最小震动百分比

在上图中，若则是真实转折点
T、P的实际含义：若交易者每5天交易一次，他认为5%的损益是很重要的。则T=5,P=0.05
在不同的股票会有不同的T、P阈值

二、正负实例的选取

将正实例（即转折点）定义为超过规定阈值T、P的临界点，将未超过给定阈值的负实例定义为临界点。
为防止负实例远大于正实例而导致参数学习失效。在当前临界点和候选转折点之间的距离超过阈值（如果是真正的转折点）之前，任何临界点都不会被视为候选转折点（正或负实例）。

     如前一节所述，我们将正实例（即转折点）定义为超过规定阈值的临界点，将未超过给定阈值的负实例定义为临界点。但是，直接遵循此定义将使负实例的数量大大超过了正参数学习算法，使参数学习算法失效。
     为了解决这个问题，假设我们沿着训练集中的所有临界点移动，像现实的交易过程（测试）一样逐个选择临界点。在图5a中，当前候选临界点是真实的转折点，先前的趋势是下降趋势。直到到达临界点，振荡和与候选转折点之间的时间间隔超过阈值，我们才能确认这种反转。注意，局部极大点和极小点交替充当转折点。因此，在没有事先确认候选点的情况下，这两个点之间的任何局部最大/最小点都不能被视为候选反转点（也就是说，既不是正实例也不是负实例）。换句话说，在当前临界点和候选转折点之间的距离超过阈值（如果是真正的转折点）之前，任何临界点都不会被视为候选转折点（正或负实例）。另一方面，在图5b中，如果当前候选转折点A（当前为下降趋势）是一个错误的转折点（在当前点我们还不知道），那么我们将来永远找不到另一个满足上述条件的临界点。在这种情况下，当我们到达比它更高（对于上升趋势反转）或更低（对于下降趋势反转）的临界点时，它将被视为“错误”转折点，即负实例（新候选点在附近更高或更低）。在新候选人之前，当前趋势不会逆转）。
     然而，即使是这样的处理，负面的例子也比正面的多很多。在实践中，我们通常不关心一个临界点是否是一个转折点，当它不“像”一个转折点，即在某种程度上有振荡和到下一个临界点的时间间隔。这意味着在下一个候选转折点之前的某个未来相反的临界点和当前点之间存在另一个阈值（thres’），该阈值应该被超过（图5c）。只有满足这个额外条件的临界点才被视为负实例。

其中a为正实例、b为负实例