2019年11月30日 星期六
如何使我們的交易觀念更加清晰？[含演講沒談的故事]
關於 MOPCON 演講的緩和語速版本，但沒字幕
推薦可以從 29:23 左右開始，有 MOPCON 沒有的額外內容
建議一路看到 47 分左右結束
這部分很清楚地使用了 Neural Network on Trading 示範什麼是 解題，什麼是 思考
數學家鐵飯碗之父：桑頓．卡爾．弗萊 (Thornton Carle Fry)
同步發表於 Medium
來我這個 Blog，就是要看深、看思想、看網路上浮濫沒有的東西
今天要來和大家分享桑頓．卡爾．弗萊（Thornton Carle Fry）這個人
和他於 1941 年所寫的 「Industrial Mathematics （工業級數學）」這篇文章
在 20 世紀初期，雖然各種抽象的純數學急速發展，但實用性的數學並沒有被重視。
而在貝爾實驗室中，弗萊那時是貝爾實驗室數學組的組長，他在思考一個問題：
是否存在一類數學家（擁有博士等級）但是並不想要追求學術研究
而是想要解決日常問題，以及進行具體的開發？
來我這個 Blog，就是要看深、看思想、看網路上浮濫沒有的東西
今天要來和大家分享桑頓．卡爾．弗萊（Thornton Carle Fry）這個人
和他於 1941 年所寫的 「Industrial Mathematics （工業級數學）」這篇文章
在 20 世紀初期，雖然各種抽象的純數學急速發展，但實用性的數學並沒有被重視。
而在貝爾實驗室中，弗萊那時是貝爾實驗室數學組的組長，他在思考一個問題：
是否存在一類數學家（擁有博士等級）但是並不想要追求學術研究
而是想要解決日常問題，以及進行具體的開發？
模擬交易週記W4 (2019.11.25.-11.29)
在此寫的週記有幾個主要目的，是為了彌補 MyFxBook 上面的不足
所以主要是告知大家，MyFxBook 上面可能不容易觀察到的資訊
最主要就是：
(1) MyFxBook vs. Terminal 的線圖，驗證交易邏輯無誤
(2) 確切的 Equity Drawdwon
(3) 交易列表中無法解釋的事情
所以主要是告知大家，MyFxBook 上面可能不容易觀察到的資訊
最主要就是：
(1) MyFxBook vs. Terminal 的線圖，驗證交易邏輯無誤
(2) 確切的 Equity Drawdwon
(3) 交易列表中無法解釋的事情
2019年11月29日 星期五
清華理財社分享後記
昨日在清華大學理財研究社分享了一個主題
「世界會越來越瘋 Quant 嗎？」
主要是談過去 100 年的 Quant 發展史，以及稍微展望未來 10 年的趨勢。
我一到還沒開始前，就有閒聊一下台灣現況。
馬上就被問到台灣金融業的問題，我就講到拜 2000-2010 房地產泡沫和空轉。
台灣債券市場整個萎縮 1/20 ，從此台灣高端金融創新的機會就幾乎沒了。
覺得整場下來沒有講很好，時間有限同時太多基礎知識可能大家都沒有。
所以 Skip 掉蠻多投影片的，中後段我就自談圖像式思考的重要性。
最後結束蠻意外的，收到手寫小卡！希望清大理財社大家能有很的未來發展。
原則上這應該是我最後一個公開活動了。
以後最多就是以匿名方式在網路上分享，和大家多交流。
網友來信：學術文章對策略發想有幫助嗎？
這幾天收到一個網友來信交流，請教我六個問題，同時我也回覆了。
徵得網友同意後，我想把這六個問題其中五個，分成五篇文章也同時和大家分享。
3. 學界許多模型在現今來看似乎有些過時，而有些人認為在過於理想的假設（EX. XX分布）前提下所生成的模型無法在實務交易中發揮作用，您認為學術期刊的金融或數學模型對於策略發想是有幫助的嗎？
信中回覆：
這點你算是問對人，我碩一就有在 Journal of Banking Finance 有發過文章
徵得網友同意後，我想把這六個問題其中五個，分成五篇文章也同時和大家分享。
3. 學界許多模型在現今來看似乎有些過時，而有些人認為在過於理想的假設（EX. XX分布）前提下所生成的模型無法在實務交易中發揮作用，您認為學術期刊的金融或數學模型對於策略發想是有幫助的嗎？
信中回覆：
這點你算是問對人，我碩一就有在 Journal of Banking Finance 有發過文章
我生涯在國際期刊/研討會發表的論文也有 10 多篇， SCI/SSCI 3 篇，一些 EI 的應該也有 3-4 篇，忘記了
我到業界之後，我還有發表過 1 篇純數學領域的論文，純粹和大學教授的興趣做起來的，
2019年11月27日 星期三
網友來信：哪種語法適合建構交易策略與回測？
這幾天收到一個網友來信交流，請教我六個問題，同時我也回覆了。
徵得網友同意後，我想把這六個問題其中五個，分成五篇文章也同時和大家分享。
2. 您認為哪種語法最適合拿來建構交易策略的建構與回測？
信中回覆：
徵得網友同意後，我想把這六個問題其中五個，分成五篇文章也同時和大家分享。
2. 您認為哪種語法最適合拿來建構交易策略的建構與回測？
信中回覆：
2019年11月26日 星期二
【極推薦】菠丹妮金盞花手工皂 2 年使用心得：敏感皮膚專用
今天看到新聞講到有立委候選人說：15 元肥皂敢用嗎？
讓我想到可以來和大家分享我用了 2 年多的肥皂！
菠丹妮 Botanicus 的手工皂
那就是捷克菠丹妮 Botanicus 的金盞花手工皂，敏感型皮膚也可以使用。
左邊是我還沒開的，右邊是我已經用了一段時間的證明：
一顆目前台灣售價大概 450 多元，有興趣的可以自己 Google
的確是沒有便宜到 15 元這種地步啦... 但對於敏感皮膚的人說特別好用
我因為容易出汗、濕疹，同時一些關節處長時間有一點皮膚小毛病
用這個肥皂之後，能蠻有效的止癢、讓皮膚病處盡快療傷
搭配去皮膚科看病的過程，洗澡用這個不錯，而且肥皂是比較粉狀的
我不太喜歡有些肥皂比較膏狀，所以用到現在還蠻 OK 的
也可以同時洗臉用，頭皮如果有明顯容易冒痘痘的地方，也可以稍微搓揉
和大家分享唷！
久坐、用腦過度、環境較容易潮濕的話，這個肥皂能有效降低不舒服感
產品資訊：Complexion Soap - SENSITIVE SKIN
Soap with high content of Marigold, Chamomile and Czech honey.
Ingredients: Sodium palmate, Sodium cocoate, aqua, glycerin, propylene glycol, Calendula
officinalis, Mel, parfum, Chamaemelum Nobile Oil, D-Limonene, Linalool, Citronellol.
Caution: Keep out of reach of children. Keep in a cool place away from light. Before using, we recommend first applying a small amount to the inside of the wrist to check for sensitivity and compatibility. Against animal testing. For external use only.
Producer: Botanicus spol. s.r.o. Ostra 8, 289 22 Lysa nad Labem, CZ
香蕉谷：如何思考 Rosenbrock 函數的阻礙性質？
同步刊載於 Medium
Rosenbrock (羅森柏克) 函數是一種數學函數。
是專門用來作為優化演算法的測試函數，測試你優化的理論成本。
這個函數有個特性，在最小值附近呈現一個 (1) 扁平、(2) 狹長狀。
Rosenbrock 函數在二維形式是長這樣：
Rosenbrock 函數有哪些阻礙性質？
這邊我們先來思考，Rosenbrock 有哪些阻礙性質：
每一個阻礙性質都很重要，我們都要瞭解他會造成什麼阻礙效果！
1. 谷狀（狹長型）
谷狀最大的問題，是在收斂到接近最小值之前，你幾乎只能垂直切入谷底。
這邊是假設你不知道會不會遇到谷狀的阻礙，使用優先往更低方向走的普通優化法。
這代表你在接近到最小值的範圍過程之前，你可能沒有太多機會接近最小值。
也就是說：
2. 平谷底
谷底也是有很多種，有些谷底是細溝型，有些谷底是崎嶇型
香蕉谷的谷底是平的，雖然拍腦袋想這樣可能也讓事情單純一點
但是問題是平谷底也代表你陷進去的時候也沒有額外資訊可以參考
而且因為極度的平緩，會使得前進速度非常非常得緩慢。
3. 彎曲的分布
在香蕉谷得這個設計中，因為是彎的，變成你直線前進怎麼走都不對
怎麼走都會超過或不足，造成你在優化的時候會以「 Z 字鋸齒狀」前進
更加的浪費時間成本，一步走不遠，還要來回踱步
Rosenbrock 函數的阻礙性質哪來的？
前面兩段你在網路上可以找到很多文章介紹
但是問題是，你有沒有瞭解到底是什麼可能造成這些阻礙性質的出現
你要瞭解這些，才會知道當你遇到這些阻礙性質時，他可能會是什麼原因
而不是在那邊想怎麼克服，這樣只是治標不治本阿！
我不是在這邊瞎掰，是現在的人分析的太工具導向，優化理論的專業文章都會講
1.什麼情形會出現【谷狀】的阻礙性質？
這種狹長型的情況，最常發生在 物理系統 中。
相較於交易這種處理金融上很噪音的資料，比較不容易遇到谷狀阻礙。
金融上的一些優化，或是比較抽象決策上的優化，遇到谷狀都是準備過擬合了。
過擬合的谷狀，和一般優化的谷狀不太容易分，過擬合的谷狀通常只有一條。
你可以灑很多參數同步優化，你會發現最後陷入同一個谷，那就可能是過擬合。
但是在物理系統，會出現谷狀主要是因為參數之間存在明顯【交互作用】。
例如說，一個物理系統同時要優化濕度和金屬導熱速度，得到穩定狀態。
結果可能因為金屬材質的關係，環境濕度和金屬導熱可能存在某種交互關係。
導致在優化的時候，快速收斂到這個【交互關係】上面。
因為這個交互關係太強大，使得其他方面的優化可能無足輕重。
但是也因為這個交互作用，可能會造成無法達到我們期待的目標穩定狀態。
或是要非常非常久的優化，才能找到一組穩定的溼度和導熱的參數。
也因為這個交互關係可能很多種組合和變化，
所以這種物理系統 放到比較大的尺度範圍，會發現有多條谷狀！
這就和處理過擬合陷入的谷狀是不同的。
2.什麼情形會出現【平谷底】的阻礙性質？
在谷底條件之下，什麼情況會出現平谷底？
這也是一個區分物理系統和其他優化問題的一個關鍵，通常在擬真系統
會遇到所謂的【不良尺度 Badly Scaled 】
不只物理系統，通常大多數擬真的系統都會，反而抽象系統不容易
因為尺度關係，可能造成前面提到的【交互關係在些微情況無足輕重】。
例如濕度 30.0001% 變成 30.0002% 可能和濕度變成 30.9999% 沒有太大差別
因為在 30% +/-1% 可能這個交互關係就很強了，對優化無明顯影響
但是如果是 33% ，那就影響劇烈！
所以優化過程就會受制於交互關係，在 30.0001% 到 30.0002% 在那邊打轉、慢慢前進。
平谷底還有一種變體，就是 半平谷底，因為在物理系統也容易發生
就是在明顯的交互關係上面存在某種程度的限制，導致平谷底只有一半
另外一半可能是一個斷裂的情況，不是平滑的情況
這可能是一個工程系統，是先這個工程系統就有處理到這個交互關係
進而產生了某種限制條件限制下去
3. 什麼情形會出現【彎曲的分布】的阻礙性質？
通常出現彎曲的谷狀阻礙，代表參數可能太多，有多組參數產生交互作用。
可能是線性、也可能是非線性，但是因為太多參數糾結再一起，呈現非線性交互作用。
這種彎曲的可能是如同香蕉谷的「Ｊ型」，也可能是「Ｓ型」 或「Ｙ」型
通常這種彎曲的分布，會特別強調是 一種錐形（Cone）的家族
也就是他的交互關係會在達到一個程度開始渙散掉或收縮，或是分岔、轉彎
這些在過擬合中就容易觀察到
結論：
所以，透過這樣就可以理解，我們是不是應該掌握這些阻礙性質
當你在優化參數的時候，無論你是搞 ML/RL/AI 什麼鬼東西
你是不是應該要去掌握這背後可能造成這樣的系統根源是什麼
當然你海量數據要去輾壓我沒意見，但是你仔細想，你短時間能有貢獻的點
真的能靠這樣海量的數據輾壓嗎？這就是一個很值得所有優化人仔細思考的事情
Rosenbrock (羅森柏克) 函數是一種數學函數。
是專門用來作為優化演算法的測試函數，測試你優化的理論成本。
這個函數有個特性，在最小值附近呈現一個 (1) 扁平、(2) 狹長狀。
Rosenbrock 函數在二維形式是長這樣：
由於中間那個低谷（白色部分），很像是香蕉，所以也被稱作 香蕉谷。
這個香蕉谷，有個特性，你在優化的時候，會前進的非常非常緩慢。
除此之外，因為這個香蕉谷是「彎的」，所以優化過程會呈現「 Z 」字形前進。
無形間就增加了 2-5 倍優化的成本，讓我們來看：
這邊我們先來思考，Rosenbrock 有哪些阻礙性質：
每一個阻礙性質都很重要，我們都要瞭解他會造成什麼阻礙效果！
1. 谷狀（狹長型）
谷狀最大的問題，是在收斂到接近最小值之前，你幾乎只能垂直切入谷底。
這邊是假設你不知道會不會遇到谷狀的阻礙，使用優先往更低方向走的普通優化法。
這代表你在接近到最小值的範圍過程之前，你可能沒有太多機會接近最小值。
也就是說：
2. 平谷底
谷底也是有很多種，有些谷底是細溝型，有些谷底是崎嶇型
香蕉谷的谷底是平的，雖然拍腦袋想這樣可能也讓事情單純一點
但是問題是平谷底也代表你陷進去的時候也沒有額外資訊可以參考
而且因為極度的平緩，會使得前進速度非常非常得緩慢。
3. 彎曲的分布
在香蕉谷得這個設計中，因為是彎的，變成你直線前進怎麼走都不對
怎麼走都會超過或不足，造成你在優化的時候會以「 Z 字鋸齒狀」前進
更加的浪費時間成本，一步走不遠，還要來回踱步
Rosenbrock 函數的阻礙性質哪來的？
前面兩段你在網路上可以找到很多文章介紹
但是問題是，你有沒有瞭解到底是什麼可能造成這些阻礙性質的出現
你要瞭解這些，才會知道當你遇到這些阻礙性質時，他可能會是什麼原因
而不是在那邊想怎麼克服，這樣只是治標不治本阿！
我不是在這邊瞎掰，是現在的人分析的太工具導向，優化理論的專業文章都會講
1.什麼情形會出現【谷狀】的阻礙性質？
這種狹長型的情況，最常發生在 物理系統 中。
相較於交易這種處理金融上很噪音的資料，比較不容易遇到谷狀阻礙。
金融上的一些優化，或是比較抽象決策上的優化，遇到谷狀都是準備過擬合了。
過擬合的谷狀，和一般優化的谷狀不太容易分，過擬合的谷狀通常只有一條。
你可以灑很多參數同步優化，你會發現最後陷入同一個谷，那就可能是過擬合。
但是在物理系統，會出現谷狀主要是因為參數之間存在明顯【交互作用】。
例如說，一個物理系統同時要優化濕度和金屬導熱速度，得到穩定狀態。
結果可能因為金屬材質的關係，環境濕度和金屬導熱可能存在某種交互關係。
導致在優化的時候，快速收斂到這個【交互關係】上面。
因為這個交互關係太強大，使得其他方面的優化可能無足輕重。
但是也因為這個交互作用，可能會造成無法達到我們期待的目標穩定狀態。
或是要非常非常久的優化，才能找到一組穩定的溼度和導熱的參數。
也因為這個交互關係可能很多種組合和變化，
所以這種物理系統 放到比較大的尺度範圍，會發現有多條谷狀！
這就和處理過擬合陷入的谷狀是不同的。
2.什麼情形會出現【平谷底】的阻礙性質？
在谷底條件之下，什麼情況會出現平谷底？
這也是一個區分物理系統和其他優化問題的一個關鍵，通常在擬真系統
會遇到所謂的【不良尺度 Badly Scaled 】
不只物理系統，通常大多數擬真的系統都會，反而抽象系統不容易
因為尺度關係，可能造成前面提到的【交互關係在些微情況無足輕重】。
例如濕度 30.0001% 變成 30.0002% 可能和濕度變成 30.9999% 沒有太大差別
因為在 30% +/-1% 可能這個交互關係就很強了，對優化無明顯影響
但是如果是 33% ，那就影響劇烈！
所以優化過程就會受制於交互關係，在 30.0001% 到 30.0002% 在那邊打轉、慢慢前進。
平谷底還有一種變體，就是 半平谷底，因為在物理系統也容易發生
就是在明顯的交互關係上面存在某種程度的限制，導致平谷底只有一半
另外一半可能是一個斷裂的情況，不是平滑的情況
這可能是一個工程系統，是先這個工程系統就有處理到這個交互關係
進而產生了某種限制條件限制下去
3. 什麼情形會出現【彎曲的分布】的阻礙性質？
通常出現彎曲的谷狀阻礙，代表參數可能太多，有多組參數產生交互作用。
可能是線性、也可能是非線性，但是因為太多參數糾結再一起，呈現非線性交互作用。
這種彎曲的可能是如同香蕉谷的「Ｊ型」，也可能是「Ｓ型」 或「Ｙ」型
通常這種彎曲的分布，會特別強調是 一種錐形（Cone）的家族
也就是他的交互關係會在達到一個程度開始渙散掉或收縮，或是分岔、轉彎
這些在過擬合中就容易觀察到
結論：
所以，透過這樣就可以理解，我們是不是應該掌握這些阻礙性質
當你在優化參數的時候，無論你是搞 ML/RL/AI 什麼鬼東西
你是不是應該要去掌握這背後可能造成這樣的系統根源是什麼
當然你海量數據要去輾壓我沒意見，但是你仔細想，你短時間能有貢獻的點
真的能靠這樣海量的數據輾壓嗎？這就是一個很值得所有優化人仔細思考的事情
訂閱：
文章 (Atom)