《The Man Who Solved the Market》读书分享
读书原文摘录（5 条）—— 点击展开 / 收起
每条默认折叠,点击各自标题单独展开。
1. 信号发现的三步流程与“押注回调”策略
到1997年，Medallion的员工已确定了一个三步流程来发现具有统计显著性的盈利策略，即他们所谓的交易信号。识别历史价格数据中的异常模式；确保这些异常在统计上显著、随时间一致且非随机；并查看所识别的价格行为能否用合理的方式解释。有一段时间，他们押注的模式主要是Renaissance研究员能够理解的。大多数模式源于价格、成交量和其他市场数据之间的关系，并基于投资者或其他因素的历史行为。一个持续成功的策略：押注回调。约60%经历大幅突然上涨或下跌的投资会发生至少部分反弹，事实证明如此。这些回调带来的利润帮助Medallion在波动市场中表现尤为出色，当价格大幅波动后，再回吐部分涨幅。
出处：第 11 章 · 第 5 页
2. 危机中减少对信号的依赖，果断止损
Simons经常强调不要推翻他们的交易系统的重要性，但在市场危机中，他倾向于减少对某些信号的依赖，这让那些从不相信调整计算机程序的研究人员感到懊恼。现在，即使是那些员工也乐于放弃他们有缺陷的信号，尤其是因为他们的系统在预测短期走势方面做得更好，而不是那个有缺陷的信号所关注的长期走势。他们迅速放弃了动量策略，止损。很快，收益再次堆积起来。
出处：第 11 章 · 第 16 页
3. 另类数据（alternative data）的时代
如今，几乎各种信息都被数字化，并作为大数据集的一部分提供，这些都是投资者曾经梦寐以求的。投资者中最流行的是另类数据，包括几乎一切可以想象的东西，比如来自传感器和全球卫星图像的即时信息。有创意的投资者通过仔细审视高管在电话会议上的语调、零售商店停车场的交通流量、汽车保险申请记录以及社交媒体网红的推荐，来测试能带来盈利的相关性和模式。量化投资者不再等待农业生产数据，而是检查农机销售或卫星图像中的作物产量。集装箱货运提单可以反映全球变化。系统性交易者甚至可以通过手机生成的数据，了解消费者在店内驻足浏览的是哪些过道，甚至哪些货架。如果你想了解新产品的受欢迎程度，可以抓取亚马逊（Amazon）评论。算法正在被开发出来，用于分析美国食品药品监督管理局（FDA）专员等人的背景，以预测新药获批的可能性。
出处：第 16 章 · 第 4 页
4. “无逻辑”信号的价值与过拟合陷阱
并不是说他们想要没有意义的交易；只是这些是他们正在发现的统计上有效的策略。那些重复出现但没有明显逻辑解释的模式还有一个额外好处：它们不太可能被竞争对手发现和采用，因为大多数竞争对手不会碰这类交易。
“如果存在非常有意义且非常强大的信号，那么它们早就被交易掉了，”Brown解释说。“有些信号你无法理解，但它们确实存在，而且可能相对强大。”³ 采用没有意义的策略的明显危险在于：这些模式背后的可能源于无意义的巧合。如果你花足够多的时间整理数据，识别出看似能产生惊人回报但实则由偶然性产生的交易并不难。量化投资者将这种有缺陷的方法称为数据过拟合。为了突出依赖几乎没有逻辑支撑的信号的愚蠢，量化投资者David Leinweber后来发现，通过将孟加拉国的年度黄油产量、美国的奶酪产量以及孟加拉国和美国的绵羊种群数据结合起来，可以以99%的准确率预测美国股票回报。
出处：第 11 章 · 第 5 页
5. 从线性回归到核方法：早期机器学习的雏形
有一天，Carmona有了一个想法。Axcom此前一直在采用多种方法利用其定价数据进行交易，包括依赖突破信号。他们还使用了简单的线性回归——这是一种许多投资者依赖的基本预测工具，用于分析两组数据或变量之间的关系，并假设这些关系保持线性。将原油价格标在x轴上，汽油价格标在y轴上，在图上各点之间画一条直线回归线，再延伸该线，通常就能很好地预测给定油价水平下的零售汽油价格。
不过，市场价格有时会到处乱窜。依赖于对数据点运行简单线性回归的模型，在复杂、波动的市场中通常难以预测未来价格，尤其是在遭遇暴风雪、恐慌性抛售和动荡的地缘政治事件时——所有这些都可能对大宗商品及其他价格造成严重破坏。与此同时，Straus已经收集了数十组来自不同历史时期的大宗商品收盘价数据集。Carmona认为，他们需要能够捕捉市场数据中非线性关系的回归方法。
他提出了另一种思路。Carmona的想法是让计算机在Straus积累的数据中搜索关系。也许他们可以在遥远的过去找到类似交易环境的实例，然后考察价格如何反应。通过识别可比的交易情形并跟踪随后价格的变化，他们可以开发出一个复杂而准确的预测模型，能够检测隐藏的模式。
要使这种方法奏效，Axcom需要大量数据，甚至比Straus和其他人已经收集的还要多。为了解决这个问题，Straus开始对数据进行建模，而不仅仅是收集数据。换言之，为了填补历史数据中的空白，他使用计算机模型对缺失部分进行有根据的推测。例如，他们没有20世纪40年代的大量棉花定价数据，但也许生成这些数据就足够了。正如可以通过观察已摆放的拼图块来推断缺失拼图块的样子一样，Axcom团队对缺失信息进行推断，并将其输入数据库。
Carmona建议让模型全权负责，通过消化各种数据片段并输出买卖决策。从某种意义上说，他是在提出一个早期的机器学习系统。该模型将基于复杂的模式、聚类和相关性，生成对各种大宗商品价格的预测——而这些模式、聚类和相关性是Carmona和其他人自己无法理解、也无法用肉眼察觉的。
在其他地方，统计学家正在使用类似的方法——称为“核方法”——来分析数据集中的模式。回到长岛，Henry Laufer也在自己的研究中钻研类似的机器学习策略，并准备与Simons等人分享。Carmona当时并不知道这项工作。他只是提议使用复杂的算法，为Ax和Straus提供一个框架，以识别当前价格中似乎与过去相似的模式。
“你们应该采用这个，”Carmona敦促他的同事们。
出处：第 4 章 · 第 13 页
