《精明交易者:系统交易指南》 作 者：佩里·J·考夫曼

小心毫无理由的好结果

开发一种交易方法是一件很困难的工作。根本的指导思想可以是多年来观察市场运行模式或价格间数学关系的结果。测试和验证的过程也是很困难的，每个计算都要检查，并且进入价/退出价必须反复检查。它可能十分冗长无味，以至于在某些时候你将乐意接受好的测试结果，并停止寻找误差。你开始无暇顾及那些大的单次获利，而去查看较大的个别亏损。但是，误差会引起正负两方面的影响，一个程序在它的误差没被纠正之前是无效的。

一个具有年回报20%的交易策略，且回报/风险率大于3.0，这个策略完全是个值得羡慕的成就。如果你给一个系统增加止损控制以减少其风险，你会发现，回报也跌下来了。又或者，你试图选择具有更好机会的某些特殊交易，从而减少了交易的频率，那么每一次交易都必须产生较大的利润以达到原来的回报率。你在场外的每一天，在等待入场信号的同时，回报率都在下降。

最后，所有系统都必须遵循“此消彼长”的原则。如果它不遵循，你就有理由去怀疑它。一个无亏损的系统，具有一个5.0以上的回报/风险比率，或连续10年回报高于50%，必须有抵消这些收益的相应限制。你不能仅仅接受表面的结果，你必须找到和了解它们的问题在哪里，最好不要盲目乐观。

让计算机来出力

计算机的数据处理能力是强大的。计算机在技术上的最大进步是综合大量信息并产生结论的能力，世界上有什么比能够解决一个价格预测问题还要好的应用程序呢？

输入基本面和用于股票价格评定所需的经济数据，这是个很简单的任务。输入供求信息（影响食物、能源及其他日用商品价格的基本因素）也一样。向数据库增加那些影响不明显的数据（例如，金融数据、资金的提供、失业率及每笔资本收入）也是可能的。这些数据与其他事件组合时，将对价格产生影响。

计算机可以装备高级的分析工具，以便在那些解释价格移动的数据中寻找关系。最流行的是一张多元回归的表格——在很长一段历史时间内寻找大量因素之间的固定关系。近年来，神经网络已经替代了回归分析而更加受到欢迎。例如，当石油股票比平均线下跌了10%以上时，价格会回升。而当欧佩克（OPEC）召开紧急会议时，价格上升。当这二者同时出现时，价格就升得更高了。基本面提供了一个合理的、传统的方法去预测价格移动。

在过去，计算机运行速度的限制削减了可以相互匹配的数据的数量，计算过程很冗长，虽然能给岀一个清楚的关系，但却摇摆易变。由于不是所有的价格移动可以被解释，预测的质量也就很不确定。更新更快的计算机可以分析更多的数据，这将可以减少不确定性和提高预测能力。输入尽可能多的数据，让计算机来寻找相互间联系是一个简单的方法。

但是，这种方法通常无法提高绩效。许多统计的组合，都可以解释价格移动。哪一种组合是正确的呢？是不是任何一种都是正确的？由于有足够的数据，就计算出了无数的模式。计算机的功能可以找到所有的模式，但却无法识别哪一个是正确的。

识别可靠的模式

一种计算机分析的常见应用叫模式识别，试图寻找其他人尚不清楚的联系。假如，计算机可以扫描失业率数据，并发现在11月份大于3%的下降将带来下一年5月至少4%的新开工住房，连续18年都是如此。

这是一个完美的答案还是仅仅是一种巧合？这要取决于计算机扫描多少数据。如果你开始以失业影响住房为前提，并认为越多人就业就有越多的房子出售，则你只需要扫描两串数据系列来确认你已经相信是正确的关系。

如果你用跨度为50年的美国统计学数据库来寻找完美的联系，以上的例子将是你找到的各种联系之一。另一个完美的联系比如说是从智利大批进口葡萄的同时吉卜赛蛾的大量出现。就业和住房听起来是有道理的，但你如何确定这能比蛾和葡萄的联系更有意义呢？你所能做的仅仅是，在一个测试前就确定你的逻辑，然后使用计算机来验证你的看法。因为我们从来不曾想到使用一个与吉卜赛蛾有关的交易程序，所以与之相关的最美妙的结果也必须被忽略掉。方框3-1表明当一个联系是“显著”的时候该如何计算。

将大量的微芯片用于交易