【量化交易策略】：Trading System Lab (TSL)

 
2. 自定义输入：用户可以选择以自定义的指标、价格形态、产品相关性描述和基本面数据，作为 TSL 策略生成器的输入信号。
 
3. 预处理数据：用预处理器(Preprocessor)预先对原始数据和自定义输入进行格式处理。（此举可以极大地加快系统的回测运行速度，然而大多数入门级别交易策略设计系统都忽略了这简单却至关重要的一步）。
 
4. 选择训练框架：40个目标函数模型(资金增长曲线形态)、 25个下单模型(建仓、平仓和止损)。一般商品、期权交易模型。定义样本内(In-Sample)和样本外(Out of Sample, OOS)数据比例。
 
5. 人工智能训练开始：TSL每秒生成几百个甚至几千个的新的交易策略。视乎电脑硬件配置和数据量，不消片刻(几分钟)就能生成数十万个策略。
 
6. 实时检测策略表现：每次进化过程中存活下来的优解策略，都会在样本外(Out of Sample, OOS)数据做模拟交易，得出样本外OoS盈利 (OoS Profit)和回撤(OoS Draw Down)的成绩。TSL将成绩标示在"运行路径记录图表"(Run-Path Log, RPL)。RPL让用户一目了然地看到进化过程中每一个的优解策略的盈利和回撤。用户在斟酌RPL的表现后，如果对交易策略尚不满意，可以选择重回第4步，挑选其他不同框架重新训练。
 
7. 转化策略成第三方交易平台代码：用户在当中找到了合意的交易策略， 则可利用 TSL，将策略自动转换为基于如 Multicharts (MC)、Java、C、 C# 等等为基础的平台原始代码，在用户习惯使用的平台上进行回测、模拟交易或实盘交易。
 
TSL如何防止过度曲线拟合？
 
TSL通过以下特征防止过度拟合(overfitting)，进而提升交易策略的鲁棒性(稳健、健壮性) robustness。
 
1. 大道至简，简化模型参数：一个交易系统的策略越简单，它持久生存能力就越强；换言之，它在未来有越高几率维持其过往表现。(经典电脑程序语言简化优选方法 Parsimony Pressure，可以理解为奥卡姆剃刀 Occam's Razor，即占据空间越短的交易逻辑程序，其权重越高，也就是 Minimum description length (MDL) principle)
 
2. 进化过程中随机化：在进化过程中引入随机性，避免陷入局部最优的尴尬局面。在这个过程中随机加入的，不仅仅是遗传算法染色体配对，还有更高阶的遗传进化程序。
 
3. 进化目标随机化：在遗传基因程序的进化中产生新的策略， 并不完全以目标函数的指引方向作为进化目标。进而，在算法理论上避免陷入局部最优的尴尬局面。
 
4. 初始策略随机化：TSL 开始进化之前，以随机策略作为初始策略。防止了 n-D 空间中局部的最大化，从而提升寻找到全局最优值的几率。
 
5. 策略检验多元化：TSL 除了用于验证是否过度拟合 overfitting 外，还进行样本外(Out of Sample, OOS)
测试，在优解运行路径记录图表 Run Path Log, RPL
 
6. 中对每个在优胜劣汰中产生的策略实时展示，进而说明框架运行的鲁棒性。
 
7. 进化设置市场无偏化：进化的设置没有市场偏见，不对任何的输入数据信息做方向性释义，利用不 同方向、组合考验它们的实质利用价值。
 
8. 权重结构合理化：在 TSL 中，Trade-to-Parameter Ratio (TTPR) 越高越好，交易次数越多且交易策略越简单，那么其权重越高(自由度具体化)。例如，一个通道突破系统，可以在一篮子的金融产品中产生超过一万次可观的交易。
 
9. 策略回测最简化：用户在交易品种中生成的交易策略， 可以方便地调用其在其市场或品种上进行回测，并以此验证该策略的鲁棒性。该过程中，无需先转化为第三方平台 的代码，可直接在 TSL 中调用进行测试。高级日交易系统计策：TSL如何对付辣手的区制转移(Regime Switching)问题？
 
遗传基因程序(Genetic Programming, GP)能够多端输出，允许多个子交易系统共存在一个更大的交易系统中。
 
每个子系统都会对大系统的资本回报曲线作用。这种自动化策略生成系统威力很大，因为众所周知，综合多个稳健策略的系统比单个有更优秀的表现。例如，一个形态交易策略可能对建立看涨仓位有良好表现，一个指标型策略产生的信号对建立看空仓位有良好表现。这种情况，在未来有可能随时交替变化。区制转移(Regime Switching)机制一直都是系统交易者需要长期面对的极其棘手的问题。然而，因为日交易培训数据精度高，数据量相对大，区制转移(Regime Switching)参考样本比较丰富，TSL的遗传基因程序能生成多个输出，围绕着历史数据中的各种情况，自动优寻和组合多个子系统来形成一个大系统。