威廉指标优化:听说期货圈流行看这些书

股票学习网 发布:2021-07-18 03:12:22 阅读:7次

来源:海通期货

阅读——成功投资的起步。今天让我们看看市场中的投资者都在读什么书。以下书籍排名不分先后,仅供投资者参考。

1、《期货市场技术分析》 作者:(美)约翰墨菲

(图片来源于京东图书)

约翰·墨菲是著名美国市技术分析大师。他因为《期货市场技术分析》的影响而两度获得美国市场技术分析师协会的年度大奖,最近一次是2002年。本书是讲商品期货技术分析的,主要内容有技术分析的理论基础、道氏理论、图表简介、趋势的基本概念、主要反转形态、持续形态、交易量和持仓兴趣、长期图表和商品指数、移动平均线、摆动指数和相反意见、日内点数图、三点转向和优化点数图、艾略特波浪理论、时间周期等。

2、《战胜华尔街》 作者:(美)彼得·林奇,(美)罗瑟查尔德

(图片来源于京东图书)

《战胜华尔街》是林奇专门为业余投资者写的一本股票投资策略实践指南:林奇本人是如何具体实践自己的投资方法,如何选股,如何管理投资组合,从而连续13年战胜市场的。本书还归纳总结出25条投资黄金法则,作者林奇用一生成功的经验和失败的教训凝结出来的投资真谛,每一个投资者都应该牢记于心,从而在股市迷宫中找到正确的方向。本书既是一个世界上最成功的基金经理的选股回忆录,又是一本难得的选股实践教程和案例集锦。

3、《克罗谈投资策略》 作者:(美)克罗

(图片来源于京东图书)

斯坦利·克罗先生可谓期货市场上的一位传奇式人物,1960年斯坦利先生进入了全球金融中心华尔街。他在华尔街的33年之中,一直在期货市场上从事商品期货交易,积累了大量的经验。斯坦利先生潜心研究经济理论及金融、投资理论,并先后出版了五本专著本书是作者的第六本专著。期货、股票行业目前在我国还处于刚刚起步的阶段,与具有上百年期货、股票市场历史的美国比起来,还有不小的差距,特别是期货、股票投资策略问题,对广大投资人员来讲还处于朦胧状态。在该书中斯坦利先生总结了他几十年的投资经验,自成一套分析体系,对诸多情况下的投资策略都有其独到的见地,实为一本不可多得的投资工具书。

4、《短线交易秘诀》作者:(美)拉里·威廉斯

(图片来源于京东图书)

拉里·威廉斯,已经交易了将近50年,是全球最受敬仰的短线交易者之一。拉里为成千上万的人传授过交易技巧,也赢得过多次交易大赛。在罗宾斯世界杯期货交易锦标赛上,在不到12个月的时间里,他将账户资金从1万美元经营到110万美元,成为冠军。1970年开始,他基于1966年发明的威廉R%指标开始创作畅销书。威廉指标至今还在财经报刊、金融投资网站每天出现。在交易、研究与开发交易工具的间隙,他还两次当选参议员,就任美国期货业协会董事,并获奖无数,包括《期货》刊物第一届期货博士奖,欧米茄研究终身成就奖,《全球交易者》2005年度交易者奖。圣迭戈市市长将2002年10月6日命名为“拉里·威廉斯日”。拉里经常受邀出现在CNBC与FOX新闻节目中,他的文章在《华尔街日报》、《福布斯》、《财富》等媒体刊登,是过去30年来被引用最广、最受追捧的专家。

监督学习

在监督学习中,算法在已知数据及其对应的输出的情况下,通过已有的训练样本去训练得到一个最优模型,再利用这一模型对新数据进行预测。

回归方法包括的模型有:

惩罚回归:Lasso、岭回归(Ridge)、弹性网络(Elastic Net)。

非参数统计回归:局部加权回归(Loess)、k最邻近规则(K-Nearest Neighbor)。

卡尔曼滤波。

极端梯度上升。

分类方法包括的模型有:

逻辑回归。

支持向量机。

决策树和随机森林。

Adaboost。

1

回归

①惩罚回归

虽然简单回归模型可以被看作机器学习的一种方法,但是线性回归具有天然的缺陷。线性回归在处理离群值、大量变量、相互之间有相关关系的变量以及展现出非线性行为的变量时会出现问题。因此,在利用大数据时,由于模型中包括了大量的变量,并且不确定这些变量之间是否有相关关系,线性回归模型可能会提供非理性的交易策略。所以,为了对普通线性模型的问题进行修正,在存在大量潜在相关变量的情况下构建出产生更加稳健的输出结果的模型,需要采用惩罚回归模型。

Lasso回归、岭回归、弹性网络分别增加了系数绝对值的和、系数绝对值的平方和和以及前两者的组合作为惩罚项。

②非参数统计回归

在参数回归中,模型有一组参数比如β的线性组合来描述。而对于非参数回归,模型没有预先确定的形式,而是根据从数据得出的信息来构造。

K最近邻(kNN,k-Nearest Neighbor)分类算法是非参数统计回归的一种主要方法。首先,初始化距离为最大值,并计算未知样本和每个训练样本的距离dist,得到目前K个最临近样本中的最大距离maxdist。如果dist小于maxdist,那么将该训练样本作为K-最近邻样本。之后重复上述步骤直到算完未知样本和所有训练样本的距离。根据K-最近邻样本中每个类标号出现的次数,频率最大的类标号即为未知样本的类标号。

③卡尔曼滤波

卡尔曼滤波是一个最优化自回归数据处理算法,利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计。卡尔曼滤波在存在不确定性的情况下,通过一系列观测值来估计和预测一个变化的系统的参数。简言之,该算法可分两步完成。第一步需得到对当前状态的估计和随之而来的估计误差,下一步中利用已有估计值和新的观测来进行预测。

④极端梯度上升

boosting分类器属于集成学习模型,其基本思想是通过不断迭代使预测预测能力较弱的回归树算法具有更强大的预测能力,在迭代过程中采取梯度下降的最优化算法来不断接近目标值。极端梯度上升是梯度上升方法的优化版本。

Shubharthi Dey和Yash Kumar等运用极端梯度上升来预测苹果公司(Apple Inc.)和雅虎公司(Yahoo! Inc.)的股价走势。研究者选择的两支股票信息包括了closing price/opening price/High/Low and Volume,并用指数平滑法处理了数据。研究选用的股市技术指标包括了相对强弱指数(RSI)、随机指标(stochastic oscillator)、威廉指标(Williams %R)、指数平滑移动平均线(MACD)、价格变化率(price rate of change)和能量潮指标(On Balance Volume)。

2

分类

①逻辑回归

逻辑回归与普通线性回归的模型形式基本相同,区别在于因变量。逻辑回归的因变量是二元变量,通常用于衡量某时间的可能性或者进行分类。

Carol Anne Hargreaves, Prateek Dixit, 和Ankit Solanki用逻辑回归来选股。他们选择了澳大利亚股市中健康(healthcare)和金融(finance)两个板块的股票来研究。首先运用随机森林算法(Random Forest Importance Algorithm)来选择出每个板块中的自变量。

②支持向量机

支持向量机是通过支持向量运算的分类器,其基本策略是寻找使到每边数据点间隔最大的超平面,也因此是最大间隔超平面。

支持向量机可用在线性分类和非线性分类中。对于线性分类,训练数据中的每个数据都有n个属性和一个二类类别标志,因此可以找到一个n-1维的超平面将数据分为两类。最佳超平面的约束条件是这个超平面到每边最近数据点的距离是最大的。对于非线性分类,可通过将线性空间经过映射变成高维度以及使用核函数解决。

威廉指标优化:听说期货圈流行看这些书所属专题: 威廉指标专题   本文《威廉指标优化:听说期货圈流行看这些书》链接:http://www.gzhwuliu.cn/27808/

威廉指标优化:听说期货圈流行看这些书相关文章

威廉指标优化:听说期货圈流行看这些书图解
回顶部