金融市场是典型的耗散结构（在开放和远离平衡的条件下，在与外界环境交换物质和能量的过程中，通过能量耗散过程和内部非线性动力学机制来形成和维持的宏观时空有序结构称为“耗散结构”）。纯技术分析研究的只是经过内部纷繁错杂的相互作用之后所形成的宏观时空有序结构，原因有二，一，内部是随机的或是混沌的，实在难以以目前的知识进行描述。二，宏观时空有序（及模式的存在性）。因此本文只在纯技术分析框架内讨论系统化交易，而系统化又包含主观系统化和程序化系统化（至于区别我将在后面加以讨论）。

一、系统化交易的本质（或者基于的假设）

现代科学逐渐向相对性迈进，渐离绝对性，是基于公理化定义（假设）的自洽逻辑体系而已。每个理论都是从自身角度从一侧面去诠释这个世界，他们之间可以冲突，但是没有对错，因为都是盲人摸象，窥见上帝身后的一点点秘密而已。对于交易我持同样的看法。系统化交易亦是如是。而下面就是我所理解的系统化交易的假设（或者可以引申为本质）：

历史和未来市场存在一种模式，并且依据该模式作为交易依据，所得的胜率（概率）和收益率（随机变量）计算得到的期望值为正值（也就是我们可以获取正的收益回报）。（此文暂不讨论资金管理和风险对冲）

二、寻找模式的关键

我觉得关键在于弄清以下几个概念。

1.周期

对于周期我的理解它是一种特殊的采样方式，即等时间间隔采样。与之对应的有等价格间距采样，特殊价格点位采样，特殊形态点采样等等。他们都有各自的特点，但是具有共同的目的，可以概括为：

1）降噪：市场中信息纷乱繁杂，我们要提取自己认为有用的信息以抗击各种干扰，有助于得出正确的结论。

2）对应不同的行情：交易方式无非两方面。一个是趋势跟踪另一个是逆趋势跟踪。解决方案有二，一是事前识别行情隶属于哪种行情并采用对应的策略。二是将二者统一，即市场中没有逆趋势行情，只有大行情和小行情之分，于是我们就需要采样来应对，例如日线对应大行情，分钟线处理日内小行情。

3）通过多周期可以精确定位入场点，提高胜率。

例如，单单以15分钟5根均线上穿20根均线为入场点，那么胜率会很低，并且受噪声影响严重。若果此时，基于大周期上涨时小周期只做多的思想做如下改动，胜率可能就会变高，期望值也可能变大，方法就是只有在30分钟 5根k线均值大与20根k线均值并且满足15分钟条件时做多。

2.指标（算法的特例）

关于指标需要重要的东西要理解的是：

1）指标的作用（系统化中的概率思维描述）

待处理的数据包含了各种信息，每个指标都是从某一个方面侧面去描述某一信息或是某些信息作用价格之后产生的必要条件（注意不是充分条件，更不是充要条件）。以双均线交叉为例，上交叉是行情上涨带来的必然结果，但是上交差并不一定导致行情进一步上涨，这是就要引入概率思维，只要10次上穿有6次成功预示了后续行情是上涨的，并且10次综合结果是盈利的。那么这个指标就成功描述一种可盈利的模式。这就是我所理解的指标或是算法的作用，帮助寻找出一种可以配合胜率得到期望值（收益率）为正的一种模式。

2)理解各个指标的具体意义

以均线为例可以从三个角度去看：

a.基本含义：n个数值的平均值。

b.从几何角度：n个数值和对应每个值为一的列向量的内积。

c.从时间序列分析角度：当前降噪值等于前n个值的迭代输出。

3. 泛化能力（普适性）

在系统化交易中我们假设了历史和未来市场存在一种模式，可是未来我们并不知道，那么我们仅仅是通过历史寻找模式，并以此去赌未来么？当然不是，这里就需要理解泛化性（普适性）的意义。泛化能力就是通过样本内数据学习得到的模式对样本外数据的适应能力，也就是基于历史数据得到的模型有多大的可信度可以用于未来数据（即未来实盘交易中）。

三、如何检测模型的泛化能力（普适性）

模型具有泛化能力和普适性是我们敢于将通过历史数据得到的模型用于未来实盘交易中的前提。所以我们必须要保证模型具有普适性，并且尽可能的增强她的普适性。那么如何检测普适性呢？

1、检测模型在同品种同周期递推回测（这个主要针对含有资金管理的模型的回测）中适应的递推周期数量（越大越好）。

2、检测适应的品种数量和不同周期的数量（同样是越大越好）。

3、计算该模型单手回测的收益与该周期数据的折线路程长度的比值。

这里面有个问题就是普适性和高利润是不可兼得的。以日线收盘价类模型为例，一年中的折线路程长度是该年中该类模型可获得的最大利润。而模型的单手回测利润等于这个最大或是接近这个总长度导致的必然是拟合，而丧失普适性。这也可能是为什么市场上炒单新星总有，但是寿星罕见的一个重要原因之一。炒单新星在获取高额利润的同时过度拟合了所交易数据曲线，而丧失普适性，以致于在未来难以通过以往的经验继续获取高额收益。

四、用人工智能自动寻找模式，这个市面上吹捧的方法真的那么神么?

这些东西(人工智能算法)的作用仅仅是锦上添花，而不是雪中送炭，倘若直接使用诸如svm，lstm等算法基于历史数据训练去寻找模式，无异于缘木求鱼，水中捞月。

人工智能算法和其他数学算法，或者物理公式模型，应重在理解其思想，而不是直接当做工具简单粗暴地使用。他们只是教会了我们如何抽象出模式，如何去描述出模式，仅此而已，无他。例如混沌（水文）中的hurst指数给我们如何去度量指定区间的趋势性（混乱程度）指出了一条思路。

五、系统化与程序化的区别

程序化是系统化的子集。人脑综合了二值（多值）逻辑，模糊逻辑，概率逻辑等多种逻辑，而计算机是基于经典数理逻辑中的二值逻辑，在能力上与人脑还是相去甚远的。我们利用计算机程序化交易并不能替代所有技术分析方法，但是我们可以利用他严格的执行力和快速暴力的运算能力。

顺便说一下，虽然存在尚不能通过计算机描述的东西，但是也不能过分去神话一个被叫做盘感的东西。如何这个东西可以带来盈利我认为它必然可以划归到系统化范畴。那么盘感就是定义了一种难以描述的模式，并且通过了大脑的快速历史回测和泛化，而产生交易信号的一种方式而已。

如果，大脑真的不是三维空间的产物，它连通着某个维度，某个世界可获取特殊信息（未来信息），那么请原谅我的无知。

六、系统化和程序化只是简单的机械式执行，并无技术含量么？

这里面要理解是，这个简单是形式本身的简单，但是形之上的思想内涵是复杂，是以高度的抽象性包络市场。因为人脑对事物的认知过程是，由少到多，再由多到少的过程，以致到达所谓的大巧不工，大致若愚的境界。是一种对市场深刻理解的完美提炼。

最后总结一下，在市场面前我们每一个人都是牛顿口中的在知识海洋边上捡贝壳的孩童，应对市场怀敬畏之心。而“判天地以吾法，析万物以我道”是我从事系统化交易的原因（我喜欢，我选择，仅此而已），对此我不神化，也请莫丑化。