FSSNT 成长记录

开发模型是一件很累计算机也很累人的工作，所以我期待着人工智能早日实现。这样，我们就可以把无数个模型交给计算机去完成。但是这样也有个弊端，计算机永远也体会不到当我们开发出一个成功模型时，那惊喜、兴奋甚至感觉不可思议的心情。我觉得如果计算机也有感情的话，它一定会为我们的模型所疯狂和折服。2007年6月份，大盘指数走势预测模型的开发就这样无声地走向了成功，我们甚至没有一些心理准备。因为开发模型理论上所需要的时间是很长的，即使我们现在得到的模型仅仅是一个局部次优的模型，但是它的预报能力已经让我们惊叹不已...

国际原油市场是一个非常复杂的系统，它由多年前单纯的消耗品转变成为了一种金融衍生品。毫无疑问，对于一个储量有限并且需要长期消耗的物品来说，升值是必然现象。所以众多的投机基金与投行将原油定向为保值或投机产品。可是这样的行为导致了原油生产商、加工商随时会蒙受损失的可能，风险随着资金的注入而增加。

中国石油化工集团（中石化）与我们公司所签立购买的国际原油价格预测系统也正是在这样的大环境下完成的。对于全国最大的石油炼制、加工的集团企业来说，原油价格的浮动对其业务影响不言而喻。中国自1996年起自产原油无法满足国内石油需求，我国成为原油净进口国。2003年我国进口原油达8000多万吨历史新高，接近我国原油产量的50%。随后的时间里，我国进口原油数量不断增加，那么对于肩负着80%进口原油任务的中石化来说，每桶原油价格浮动1美元都将会带来数百亿美金的流失。

公司的主要产品是基于复杂适应理论（CAS）的TSMiner_ED®分析预测终端，说来这款终端的来由也是十分有趣的事。

TSMiner_ED®是公司技术核心部分即复杂适应系统建模平台，也是目前公司预测业务的承载、运行平台。理论上普通计算机只要配置足够好，可以支持TSMiner_ED®庞大的计算量都是可以运行的。然而由于普通操作系统占用CPU资源过大，经常在运行中会导致一些意外问题。

一般情况下，普通股民对大盘指数并不是特别关心，因为他们没有意识到大盘指数对我们购买个股有什么重要意义。而更多的专业技术人员则非常关注大盘的走势。这些专业人士一般也有足够多的兴趣对大盘指数走势进行预测，每个人都有自己的一套预测方法。一些人倾向于对基本面的分析，也有人喜欢技术分析。但往往这些分析方法的实际应用效果有限，大家也只是把这些分析结果作为决策时的一些参考意见，很少有人会利用分析结果直接投资。很多机构和财团可能需要有诸如数量化分析模型之类的来指导自己的投资。随着人们认识的提高和实践的经验，多年...

任何事物都有自己存在的空间，就像是一个寄生虫一样，它必须找到自己的载体，否则它就不能生存。人不能例外，市场同样也不例外。不过相对于人生活在三维空间中来说，市场所在的空间就比较复杂，只能保证，市场存在于属于自己的空间中，这个空间存在边界，同样存在奇点。就像孙悟空跳不出如来的手掌一样，市场永远不会跳出自己所在的空间。然后是时间，所有市场行为包括人本身的行为的发生都需要时间，而且我们假设时间是不可逆的。一切不可逆过程都带有方向性，可以称之为流。例如时间流，信息流等等。我们常说流动，说明流是依赖于时间不断...

人创造了市场却不知道市场到底是如何运行的。我想可能的原因是人本身也处在这个自己创造的市场里面。人在特定的假设下可以控制自己的行为，但是没有人能够控制所有人的行为。所以当市场出现的时候就意味着它依赖于人的行为而存在，但却又不是某个个体所能左右的。好在我们有假设的能力，经济系统理论上来说应该是一个复杂系统，但是还是有很多理论都把对经济系统的解释置于太多的假设。可是任何理论当我们追溯到这个源头的假设的时候，我想可能多多少少会出一些问题。所以，无论是市场是可预测的，还是不可预测的，都是某种假设前提下的预...

我就像是中国的股市一样，还处在成长期。不过我现在却要对大盘指数进行研究，利用公司的平台开发大盘指数模型。对我来说是个挑战，对大盘来说也会多多少少有些压力。因为没有一样事物愿意被人知道自己的未来。所有研发工作都是围绕着公司的软件平台TSMiner-CMP复杂适应系统自组织建模平台展开。这个软件平台的原理比较复杂，使用了复杂适应系统（CAS）理论、非线性动力学理论、混沌理论等等。正是因为公司有这样先进理论下的软件平台，所以才会很顺利地展开各项研发工作。关于公司理论部分的阐述，例如复杂混沌分形之类的，...

大概是07年5月份，也就是我基本完成支持向量机的研发以后，便开始对上证180指数进行全面研究。其实之前公司已经有一个关于180指数的模型，而且一直在投入使用。公司在之前的模型上花了很多时间和精力，不过涉及到模型本身的特殊性，公司决定在之前模型的基础上开发新的模型。到这里，我想我应该解释清楚的的事情是比较多的，诸如什么是模型，具体如何建立模型等等。如果不能很好地把这些问题解释清楚，我想我们的工作是不能被人们认可的。如果不能被人们认可，我们所做的工作就体现不出它应有的价值。首先想说的是模型，但是关于...

对于很多分类问题，例如最简单的，一个平面上的两类不同的点，如何将它用一条直线分开？在平面上我们可能无法实现，但是如果通过某种映射，将这些点映射到其它空间（比如说球面上等），我们有可能在另外一个空间中很容易找到这样一条所谓的“分隔线”，将这些点分开。SVM基本上就是这样的原理，但是SVM本身比较复杂，因为它不仅仅是应用于平面内点的分类问题。SVM的一般做法是：将所有待分类的点映射到“高维空间”，然后在高维空间中找到一个能将这些点分开的“超...

最早看到关于SVM的介绍是这样的：简而言之它是个起源与神经网络有点像的东西，目前主要将其应用于分类问题。也就是说，如果我们有一堆已经分好类的东西，可是分类的依据我们并不知道，当我们接受到新的东西的时候，SVM可以预测新的数据要分到哪一类中去。听起来好像很神奇，因为分类的依据我们并不知道。但是SVM绝不仅仅是“分类器”这么简单，因为它本身的理论已经非常完善。关于数学知识和数学应用方面，存在两类问题：一类是理论本身发展已经很完善，而且在理论上也证明了它在应用方面的价值，可是却...