私募行业热门痛点

        量化交易两大痛点，一个是轮动与调仓未来预期是盲目的，二是参数优化选择是不置可否的。

         k线数据是二维问题，横向拓扑学，纵向svm，拓扑举例面部识别、应用图形识别，数据降维，关键结点，如上证指数月线macd翻红对应牛市特征就属于关键结点特征，特征应用比如自动驾驶硅胶娃娃，应用于量化交易，比如涨1跌0我们把k线数据横轴特征还原成计算机原始二进制数列，也可以运用小趋势系统来降噪降维数列特征，但不建议用zig或傅立叶之类的未来函数，因为它们跟天气预报一样会否定历史，在得到描述横轴特征移动区间数列后，可以用相关系数函数（excle，软件都有），进行相互对比，应用量化选股调仓，行业风格轮动组合市场热点节奏跟踪切换，比如调仓序列数据与原组合数列相关系数在0.9以上同时又满足纵轴条件（稍后再讲）就不必纠结调仓，对于市场热点节奏把握，比如大盘上涨区间相关系数选高的，下跌区间选低的甚至负相关等等！这类方法尽管也存在略滞后，毕竟我们生活在三维右侧世界跨不到四维左侧，交易落子无悔不像天气预报可以重塑历史数据。

        再来说说纵向svm比如打靶一万发50%落点集中在8—10环，数量分布均值在9.12环，那么可预见未来100发分布也会集中于此均值附近，也是概率论。假设策略全参数域正收益也不存在参数孤岛问题，那么最优值可以取净值曲线分布最集中的区间中位数，或者你多取几个啊，变成一个多参数也是变相多策略组合，还能实现交易信号错峰效果也能增加容量啊，后面持续统计监测落点就行了，因为这种全参数域正收益分布满足厚尾正态分布钟形曲线特征，未来只要相位属于此区间就不必纠结优化选择和过度拟合的一致性表现…以上技术都需要强大的IT支持！