程序化交易模型的参数优化方法
程序化交易的书籍在市面上层出不穷，大多数打算进行程序化交易的朋友都会去阅读一两本或者更多。我敢肯定通过阅读大家会发现，这些书里面每一本都会提到交易模型的参数优化的问题。这是由于现代的计算机处理技术发展的同时也带来了一些困惑，程序化交易可以说是建立在计算机和通讯技术的基础之上的一种交易手段，如果没有这些基础设施，那么程序化交易也就不能存在。正是有了可以高速运行的CPU才使我们可以对参数进行优化。光凭技术手段并不足以解决所有交易的问题，这就是为什么说交易是一门艺术之所在，而我们使用机械的交易方法是为了尽可能的避免人为的判断和情绪对交易的不良影响，在我们没有形成自己的一套交易体系之前通过机械的方法来进行交易无疑可以少走很多弯路，把时间和金钱留给我们用来积累更多的经验，让我们首先确保在市场中生存，再去追求如何使交易变成艺术。因此作为一个力求以科学和规律的方法解决交易的问题的人，我试图通过本文来解决大家在程序化交易中参数优化这个矛盾的问题。
什么是参数优化
在这里首先我们介绍一下什么是参数优化，以便一些刚刚接触程序化交易的朋友阅读本文，已经了解这方面知识的朋友可以掠过本段。
对于一些模型来说会有一些参数，这些参数设置的主要含义可能是为模型提供一个周期，举个例子来说象n日均线上穿N日均线（n为短周期均线参数，N为长周期均线参数，一般短周期的移动平均要比长周期的变化要快，所以我们通过这两个不同周期的均线来制定交易计划），n和N参数的意义就是指定周期，一般来说参数的意义都与时间有关系（周期），但也有其他的用途。参数优化实际上就是利用计算机的处理能力对参数的各个值进行一次测试，找到盈利最大的那次值，如上面函数的n和N，
我们利用系统的参数优化功能就可以把n（1～10），N（10～30）都测试一遍，找到最好的那个值。
参数优化的基本矛盾
参数优化的基本矛盾在于，我们选取出的最优的参数数值只是在我们历史数据上成立的，就是说我们是往回看用这个或这组参数能够获得最大的收益，但行情的发展却是无法完全预料的，我们可以找到历史上表现最好的参数，但是这个参数未必在未来是最好的。因为每种系统设置参数的用意不同，更有甚者可能历史上最好的参数在未来可能就是一组很糟糕的参数。比如一个参数的设置刚好让你抓住了一波大行情，在参数优化取到这样的值时很有可能对未来没有任何帮助。当然有些参数优化是由于减少了平均的亏损率使你的系统的效果更好，这种参数优化可能对未来会有一定意义，但也不是绝对的，因为行情的发展有其不可预知的一方面。
所以参数优化的基本矛盾在于历史统计结果和行情未来发展之间的矛盾。我写本文的主要目的就是为了在这样的问题面前，我们该如何处理，如何辩证的看待参数优化带来的利与弊，更重要的是提供一个方法让大家面对参数优化的时候知道该怎么办。
统计研究
为了研究这个问题，首先我对我自己使用的一个很成熟的模型的各个参数值进行了测试，并把一些关键的数据如收益率，交易次数进行了统计。首先介绍一下我的交易系统，我的交易系统是属于趋势跟随型的一个交易系统，跟所有趋势跟随型的交易系统有着同样的特点。就是趋势形成的时候进入头寸，当权益回吐一定程度的时候认为是是趋势结束了轧平头寸，胜率不高，但在趋势市中能够赚钱来弥补在盘整震荡市中
必然要赔的钱。这个系统只有一个参数，其设置的目的是为了给系统中所使用的计算公式和技术指标提供周期。
这里需要提到的一点是，很多人说模型最好不要设置参数，做好了模型应该把参数固定在模型内部不再改变，我对这个观点持有不同的看法，我认为市场总是在变化的，而我们使用模型就是为了抓住这种变化中的规律，当然这种规律也是会变的，我给我自己的模型留有一个参数就是为了调节这种变化，比如使用均线系统，这几年因为这个品种总是大起大落，那么我们使用短一点的周期就可以了。因为行情变化的总是比均线走的快，不会总触发平仓或者开仓条件，但是过了几年发现这个品种不是那么活跃了，那么我们就应该调整参数把周期调长一些，以适应市场。而不是以一刀切的观点认为没有参数就不再面对参数优化的问题了。这个观点之所以错误，是他看到了参数优化的矛盾，而没有意识到我们做交易的最根本目的是什么。我们做交易最根本的目的是在于获取利润，而不是逃避仅仅一个参数优化的问题。不过这里还需要提醒的是，参数固然要设置，但是不能设置过多，设置最多两个足矣，自己必须搞清楚设置这个参数的意义是什么。参数设置过多一方面代表的是你的交易思想的不成熟，因为成熟的交易思想是抓住市场中本质的东西，而本质的东西并不需要太多的变量来对其进行描述；另一方面，过多的参数等于说给程序更大的灵活性，以适应更多情况的行情，但你在选择参数的时候会面对更大的困惑，因为多参数的模型经优化后的一组参数值很有可能是让你灵活的系统最符合历史行情的情况，这就是所谓的“参数拟合”。
下面我提供一个通过统计我的模型参数从1到120各个值的时候，盈利和交易次数的图表。为了保持数据来源的一致性，这里我们将这些值都在豆粕主力，2003年9月19日到2008年9月19日这段时间进行测试.
首先我们对参数与交易次数的结果进行研究，我们发现随着参数的增大，交易次数在不断的减小，而且在参数还比较小的时候交易次数减少的幅度比较大，而参数变得很大的时候如50以上的时候交易次数减小的幅度就变得很小了。这个统计结果有点像数学中的反比例函数Y=C/X，C为常数。
我们可以通过回归分析计算出你的交易系统的这条关系曲线，但是其实没有多大的必要。这里主要说说为什么会形成这样形状的一条曲线。首先我们使用的系统是趋势跟随型的系统，我们设定的参数的含义是周期的长短，当我们选取的参数较小的时候，系统中使用的周期（如移动平均）较短，所以系统也较为灵敏产生的信号也就多，当参数较大的时候，系统中使用的周期较长，所以系统所产生的信号也少。当系统在周期较短比较敏感的时候，每调增一些周期所降低的交易次数，要大于在周期较长的时候。这就是为什么这条曲线是这样的原因。
之所以我做了参数与交易次数关系统计，一方面是因为这是我们选取系统的一个参照，因为交易次数多所带来的交易费用也就多，有些人的性格希望系统能多提供一些信号，有些人希望系统的信号不要太多；另一方面我发现绝大多数参数为时间周期的趋势跟随系统的交易次数与参数之间的关系都符合这样的一个规律，所以大家以后在对自己系统进行研究的时候就不用统计交易次数了，节省了大家的时间。大家只用知道这种以时间周期为参数的趋势跟随系统的交易次数会随着参数增加而减小，而且在参数比较小的时候减少幅度大，参数比较大的时候减少幅度小，当你在在考虑选取交易次数大的参数还是交易次数小的参数的时候就只用比较这两个参数的大小就知道他们交
易次数上的变化了。
我们发现，参数值使模型能够盈利的情况大多集中在一段连续的参数范围内，如我的这个系统的在3～14之间，82～95之间，最优的参数是11。我们管这些能
够使模型盈利并且连续的参数值所构成的一段区间叫做参数有效域，对于豆粕过去5年的数据来说我们模型的参数有效域是3～14，82～95。一般来说总是会有一段连续的参数构成有效域，这是由于有效的系统是必须能够抓住某个特定市场的本质特性，而这个特性是一个比较稳定的状态，不是经常发生变化的。而如果出现参数设为3能盈利，4就是亏损，5又能盈利，6就得亏损……这样的情况，要么说明市场不稳定，要么就更加可能是你的系统有问题。
我们定义了参数有效域了之后，下面就要来解决最重要的问题，如何选择参数，如何对待最优化的参数。通过我上面的统计我们发现11是这个系统在豆粕过去5年中最优的参数，那么，现在的问题就是11这个最优的参数我们到底可不可以用呢？
我们观察发现11是在我们的参数有效域中的，这说明如果我们选择11作为我们的参数，虽然以后11可能不是能够使我们获得最大收益的参数，但是至少它肯定还是会落到参数有效域中间的。因为参数有效域代表的是这个系统是如何抓住某一个特定市场的特性的，而市场的特性变动是需要很长的时间，相对稳定的，所以对于一个模型的参数有效域来说也是相对稳定的，不会说今年我们模型测试的参数有效域是10～20，明年就会变成20～30了，即使变动，其变化幅度也不会很大，可能象今年参数有效域是10～20，明年可能是9～19。参数有效域代表的是这个模型对这个市场盈利概率的分布的把握，跟这个市场的本身属性有关，它只会随着市场本身属性的变动而变动。所以这就是说参数有效域中的参数是这个市场的普遍特性的代表。
所以我们可以选取11为参数，因为即使其不能在以后是最优的参数，这个是我们决定不了的问题，但11在参数有效域中的事实也证明其还是一个能够抓住这个市场规律能够带来利润的参数。我们选取11可以即享受它成为未来最优参数的很大可能性，又不至于因为设置个别参数可能导致的系统亏损的情况，因为我们知道在这个区
间中的参数值大部分都可以抓住市场的主要脉搏，而市场要变化是很漫长的过程，我们有充足的时间去反应这个变化，当然这是在你意识到程序化交易并不是一劳永逸的时候。
假如说上面我们测试的结果最优的参数值不是11而是23的话，那么我们就不能选取这个值，可以把这个值作为一个偶然，刚好参数为某个值的时候使系统抓住了几次行情，而不具有普遍意义。对于这种不在参数有效域中的最优化的结果，我们坚决不能选取。另外在有效域边界的最优化结果也不能选取，如上面有效域是3～14，如果14是最优值，我们也尽可能的不选择它，因为参数值抓住市场规律的过程也是逐渐增加到达最佳再慢慢减小到亏损的过程，在有效域两边的盈利状况应该小于在中间的那些参数值。如果出现了在参数有效值边界的最优参数，很有可能也是因为刚好抓住了过去的几次大行情，在选用的时候除非你确定知道它的意义，否则还是选择次优的在参数有效值中间的那些参数比较可靠。
总结
以上就是我根据实践和研究发现的关于参数优化的以及该如何处理参数优化普遍性与偶然矛盾的方法，还有很多问题有待于进一步研究和推敲，欢迎有想法的朋友来跟我切磋交流，或者指正本文中的不足之处。总结一下本文，参数优化并不是一无是处，正确的用好参数优化可以给你带来额外的收益，并且可以让你更加了解市场的本质把握市场本质的变化。在趋势跟随型模型中如果参数代表的是周期长短，那么参数与交易次数的关系为反比例关系，即参数值增大交易次数减少，并且在参数较小的时候，参数变化所引起的交易次数变化幅度要比参数较大时候要大。我们在决定是否选取最优参数之前，先应该确定参数有效域，哪些连续在一起的参数都能够盈利，有效域才是代表的是市场的本质特性的标志。之后我们再看最优的那个参数是否在有效域中，如果不
在那么应该果断舍弃，如果在有效域的边界，那么根据情况考虑，如果在有效域中那么可以选用。
既要通过参数优化改进模型，又要防止对参数优化过度拟合 A参数高原与参数孤岛 参数优化中一个重要的原则就是要争取参数高原而不是参数孤岛。所谓参数高原，是指存在着一个较宽的参数范围，模型在这个参数范围内都能取得较好的效果，一般会以高原的中心形成近似正态分布状。而所谓参数孤岛，是指只有在参数值处于某个很小的范围内时，模型才有较好表现，而当参数偏离该值时，模型的表现便会显著变差。 假设某交易模型内有两个参数，分别为参数1和参数2，当对两个参数进行遍历测试后，得到一张三维的绩效图。好的参数分布应当是参数高原示意图，即使当参数的设置有所偏移，模型的获利绩效依然能够得到保证。这样的参数因稳定性强，可以使得模型在未来实战中遇到各类行情时，具有较强的因应能力。但如果遍历参数后的绩效结果如参数孤岛示意图，当参数发生小的偏移时，模型的获利绩效就发生较大变动，那么这样的参数因适应性能差，往往难以应对实际交易中变化多端的市场环境。 一般来说，如果附近参数系统的性能远差于最优参数的性能，那么这个最优参数有可能是一个过度拟和的结果，在数学上可以认为是奇点解，而不是所要寻找的极大值解。从数学角度来说，奇点是不稳定的，在未来的不确定行情中，一旦市场特征发生变化，最优参数可
能会变为最差参数。 过度拟合与选取的样本有关系，如果选取的样本不能代表市场总体特征，只是为了使测试结果达到正的期望值而去调整参数，这种做法无疑是自欺欺人，所得到的参数值是过度拟合的无效参数值。例如，通过分析参数过度拟合，交易模型分别在数值35和63出现了收益率突增现象，如果模型中的相应指标选用35和63做参数，则模型的收益看上去很完美，但实际上却是典型的参数孤岛效应。 过度拟合与参数优化的主要矛盾在于，模型参数优化得到的最优参数只是建立在已经发生过的历史数据样本上，而未来的行情是动态变化的，与历史行情相比既有相似性，也有变异性。模型设计者可以找到模型在历史上表现最好的参数，但是这个参数在未来模型实际应用中未必表现最好，更有甚者历史上表现最好的模型参数，在未来模型实战中可能是表现很糟糕的参数，甚至带来大幅亏损。比如，筛选出了一个能抓住历史上一波大行情的一个参数，但设置这样参数值的模型，并不意味着模型在未来实战中也能有如此好的表现，这个历史上较佳的参数值可能在未来模型的应用中没有起到任何帮助。 此外，参数高原与参数孤岛往往还与交易次数存在较大关系。如果模型的交易次数较少，往往能找到一个合适的参数点，使得模型在这几次交易中都盈利，这种参数优化后的模型获利体现出较强的偶然性。如果模型的交易次数较多，模型获利的偶然性就会下降，更多地体现出获利的必然性和规律性，也就会存在一个参数高原。而这种参
xxxx实验论文报告 系（院）：统计与数学学院 专业：经济学 班级：经基10-1 学号： 20100500xx 姓名： xxx 课程名称：数学建模 实验时间： xxxxxx 指导教师： xx老师 云南财经大学教务处制
用lingo求解人力资源的优化配置问题 摘要 随着中国企业的发展，缺乏科学合理的布局和人力资源配置管理是目前不少小型企业进一步发展的主要障碍。针对这一情况，本文关注企业人力资源配置与企业的最大利润之间的关系，在企业的人力资源配置方面，就如何更有效的提升人力资源配置的效率与企业的利益，本文进行了一些初步的建模研究。 对于该人力资源配置问题，要求如何合理地分配现有的技术力量，使公司每天的直接受益最大，同时人员的分配要满足一定的结构约束条件。在此情况下，通过建立模型，用lingo程序求解有约束的线性规划问题。针对不同的客户要求，首先进行模型假设，然后建立具体的模型进行求解。求解出来的结果再进行灵敏度分析，从而进一步确定当目标函数的利润系数和约束右端项发生小的变化时，最优基和最优解、最优值如何变化。 最后，根据模型假设，联系实际情况，对该模型进行一定的优化改进处理，从而达到更适合现实人员配置情况的目的，进而使该模型在现实中得到推广。 [关键词]：（人力资源模型利润最大lingo 灵敏度最优解)
一、问题重述 “PE公司”是一家从事电力工程技术的中美合资公司，现有41个专业技术人员，其结构和相应的工资水平分布如表1所示。 表1 公司的人员结构及工资情况 工作在现场完成；另外两项是工程设计，分别在C和D地，主要工作在办公室完成。由于4个项目来源于不同的客户，并且工作的难易程度不一，因此，各项目的合同对有关技术人员的收费标准不同，具体情况如表2所示。 表2 不同项目和各种人员的收费标准 为了保证工程质量，各项目中必须保证专业人员结构符合客户的要求，具体情况如表3。 表3 各项目对专业技术人员结构的要求 （1）表中“1～3”表示“大于等于1，小于等于3”，其它有“～”符号的表示相同的意义。 （2）项目D，由于技术要求较高，人员配备必须是助理工程师以上，技术员不能参加。 （3）高级工程师相对稀缺，而且是保证质量的关键，因此，各项目客户对高级工程师的配备有不少于一定数目的限制。各项目对其他专业人员也有不同的限制或要求。 （4）各项目客户对总人数都有限制。 （5）由于C、D两项目是在办公室完成，所以每人每天有50元的管理费开支。 （6）由于收费是按照人工计算的，而且4个项目总共同时最多需要的人数是10＋16＋11＋18＝55，多于公司现有的人数41。因此需要解决的问题是：如何合理地分配现有的技术力量，使公司每天的直接受益最大？写出相应的论证报告。
周伟谈程序化交易秘诀：纪律是我的赚钱法宝Post By：2010-12-7 16:45:00 操盘风格：程序化交易；稳定盈利 事迹简介： 浙江平湖人，现居上海，近不惑之年，1993年进入中国股票市场，1998年开始从事个人期货交易，几经起伏，也曾爆过仓，目前以程序化交易为主。2008年9月1日至2009年8月31日，在中国金融投资“潜龙出渊”期货实盘大赛中，用严格的程序化交易实现623.86%的收益，以稳定的资金增长,可控的资金回撤摘得”潜龙出渊”年度综合总冠军和A组累计收益率冠军。在第2届蓝海密剑大赛中，周伟收益率为119%,赢利金额为2902944.98元，位列全部选手盈利额第二。市场是系统交易者的朋友，盘整或者无趋势时候患难与共，而当行情灿烂时刻，资金的增长是市场给予的丰厚回报。 经典摘录： 一套完整成功的程序化交易系统应该包括进出的时机、风险控制和资金管理 我的交易系统与海龟交易法则有较大类似，比如价格突破 系统化交易会失去暴利的机会，每年50%-100%的收益 一般来说收益跟风险还是成正比的。比赛帐户基本上单笔风险控制在2.5%左右 想要在期货上赚钱，必须遵守纪律，其次坚决止损，再次多学习 按照系统来做，可以克服恐惧和贪婪 程序化交易成功的秘诀应该将实战和理论结合起来，再加上学习国外新方法 性格偏内向、静心之人适合做程序化交易 访谈实录： 和讯网：各位网友大家好，欢迎收看和讯访谈。蓝海密剑2009—2010实盘精英晋级赛在9月顺利闭幕，这中间涌现出了很多风格各异的期货高手，他们拼杀在无形的期货战场上，练就了一身的硬功。今天我们就请到了一位期货实盘精英周伟先生，周先生您好！ 周伟：你好，大家好！ 和讯网：我们知道周先生1998年就开始从事期货交易，盈利依靠自动化交易系统，不考虑基本面，而是根据系统的提示进行交易。在这次大赛中，您用了11个月的时间，把240万的资金做到了460万，请问您对这样的成绩满意吗？ 周伟：应该差不多，不算特别满意，因为比赛中有好多选手收益率都比较惊人，我这个应该说勉强及格吧。
切削参数优化模型的建立 1.1 优化变量确定 在数控切削加工中，切削速度c v 、进给量f 和切削深度sp a 称为切削用量三 要素[11]。这三要素是主要的优化变量，但由于切削深度对刀具耐磨度的影响较切削速度和进给量要小，而且在车削加工时，切削深度可根据工件余量和具体的加工要求来确定,本文视为已知量，不进行优化。因此，优化变量主要为切削速度v c 和进给量f 。 1.2 优化目标函数 本文主要从高效(加工时间短)、低碳(碳排放少)两大方面对加工过程进行优化，优化目标为时间和碳排放。 1.2.1 切削加工过程时间函数 一个工序加工过程的加工工时包括切削时间、换刀时间、工序辅助时间。最短加工工时的切削用量可实现最高的生产效率(高效)。加工过程时间函数的数学模型可表示为[13] ot t T m t ct t m t P T +?+= （1） sp V sp V m fa d L nfa L c 01000v t π?=?= （2） 泰勒广义刀具的耐用度计算公式为[14] z sp T a C T y c x f v = （3） 式中，m t 是工序切削时间，ct t 是换刀一次所用时间，ot t 是除换刀外其他辅助时间，T 是刀具寿命，W L 是加工长度，Δ是加工余量，n 是主轴转速，0d 是工件直径，c v 是切削速度，f 是进给量，sp a 是切削深度，T C 是与切削条件有关的常数，x,y,z 是刀具寿命系数，则加工过程时间函数为 ot T z sp y x c w ct sp c w P t C a f v L d t fa v L T +?+?=---10001000d 11100ππ （4） 1.2.2 切削加工过程碳排放函数 切削加工过程的碳排放主要包括加工过程消耗原材料引起的碳排放m C 、消耗电能引起的碳排放e C 、加工过程中所用辅助物料（如刀具使用产生的碳排放t C 和切削液使用产生的碳排放C C ）以及由加工过程产生切屑的后期处理引起的碳排放S C ，如图1所示，
第一章模型建立 回归模型： 条件： 1.数据 2.假设的模型 结果： 用模型对数据学习，预测新数据 一元线性回归模型（最小二乘法） 它通过最小化误差的平方和寻找数据的最佳函数匹配 我们以最简单的一元线性模型来解释最小二乘法。什么是一元线性模型呢？监督学习中，如果预测的变量是离散的，我们称其为分类（如决策树，支持向量机等），如果预测的变量是连续的，我们称其为回归 假设从总体中获取了n组观察值（X1，Y1），（X2，Y2），…，（Xn，Yn）平方损失函数
逻辑回归模型 将线性回归中的一次模型变成逻辑回归函数，即sigmoid函数。 或者： 其他的思路和想法与线性回归一样，所以说逻辑回归的模型是一个非线性模型，但是它本质上又是一个线性回归模型 损失函数（误差函数）为： softmax回归 它是逻辑回归的扩展 从分类的角度来说，逻辑回归只能将东西分成两类（0,1），softmax可以分成多类 逻辑回归中，模型函数（系统函数）为： Softmax回归中，模型函数（系统函数）为：
神经网络模型 神经元 首先来一个三输入单输出的神经元，输入输出都是二进制（0,1）。举例来说：X1表示天气是否好 X2表示交通是否好 X3表示是否有女朋友陪你 Y表示你是否去电影院看电影 要让这个神经元工作起来，需要引入权重，w1,w2,w3。这样就有了： （1） W1表示”天气是否好”对你做决定的重要程度 W2表示”交通是否好”对你做决定的重要程度 W3表示”是否有女朋友陪你”对你做决定的重要程度 Threshold越低表示你越想去看电影，风雨无阻你都想去。Threshold越高表示你越不想去看电影，天气再好也白搭。Threshold适中表示你去不去电影院要看情况，看心情。 神经网络 现在扩展一下：
《期货交易软件之文华一键通交易系统操作指南附图(追价下单、超价下单、止损止盈、条件单) 》中国最著名博客女王干群精美作品编号2016061601 中国最著名博客女王干群精美作品编号2016061601 《期货交易软件之文华一键通交易系统操作指南附图(追价下单、超价下单、止损止盈、条件单) 》 期货交易软件之文华一键通交易系统操作指南附图(追价下单、超价下单、止损止盈、条件单) 一、如何下单 方法：点击“买卖”按钮可以下单。 二、如何指定价格下单 方法：在价格输入框输入价格，下单按钮会自动显示您输入的价格，然后点击“买入”或者“卖出”即可。 三、如何撤单 方法：如需撤掉挂单，只要双击挂单列表中的挂单即可。也可选择挂单合约后点击撤单按钮实现撤单 四、如何平仓 方法一：鼠标点击持仓，光标焦点会根据持仓方向落在“买
卖”按钮上，点击“买卖”按钮即可平仓。同时可以调节数量和价格微调按钮，对平仓手数和平仓价格进行设置 方法二：鼠标点击持仓，点击“平仓”按钮进行平仓。 方法三：双击持仓，实现快速平仓。 五、如何设置默认下单手数 方法：点击一键通交易软件中“数量”后面的“…”即可针对合约设置默认的下单手数 六、如何使用追价下单？ 追价下单启动后，系统会自动撤单然后自动按照最新报价重新发出委托，直到完全成交。 方法：将一键通交易界面右上角的“追价下单”勾选即可。可以点击“追价下单” 后面的“…设置触发条件、追价范围和追价机制。 追价触发条件：以时间为条件，即下单后N秒钟没有成交就触发追价下单。 手动开仓、平仓追价范围：系统可以对手动下单设置追价范围，如果价格变化超过设置的追价范围，就停止追价。 追价机制：即对追价触发自动发出委托的委托价格进行设置。
科技大学 题目：选课策略数学模型 班级： 姓名： 学号：
摘要 本问题要求我们为了解决学生最优选课问题，本文利用0-1规划模型先找出目标函数，再列出约束条件，分三步得出对最终问题逐层分析化多目标规划为单目标规划，从而建立模型，模型建立之后，运用LINGO软件求解，得到最优解，满足同学选修课程的数量少，又能获得的学分多。 特点：根据以上分析，特将模型分成以下几种情况，（1）考虑获得最多的学分，而不考虑所选修的课程的多少；（2）考虑课程最少的情况下，使得到的学分最多；（3）同时考虑学分最多和选修科目最少，并且所占比例三七分。在不同的情况下建立不同的模型，最终计算出结果。 关键词0-1规划选修课要求多目标规划 模型一：同时要求课程最少而且获得的学分最多，并按3:7的重要性建立模型。 模型二：要求选修课的课程最少，学分忽略；约束条件只有，每人至少学习2门数学，3门运筹学，2 门计算机，和先修课的要求建立模型一。 模型三：要求科目最少的情况下，获得的学分尽可能最多，只是目标函数变了，约束条件没变。 一．问题的重述 某学校规定，运筹学专业的学生毕业时必须至少学过两门数学课，三门运筹学课,两门计
算机。这些课程的编号，名称，学分，所属类别和选修课的要求如表所示。那么，毕业时最少可以学习这些课程中的哪些课程。 如果某个学生即希望选修课程的数量最少，又希望所获得的学分最多，他可以选修哪些课程？ 二．模型的假设及符号说明 1．模型假设 1)学生只要选修就能通过； 2）每个学生都必须遵守规定；
2. 符号说明 1)xi:表示选修的课程（xi=0表示不选，xi=1表示选i=1,2,3,4,5,6,7,8,9）； 三．问题分析 对于问题一，在忽略所获得学分的高低，只考虑课程最少，分析题目，有先修课要求，和最少科目限制，建立模型一，计算求出结果； 对于问题二，在模型一的条件下，考虑分数最高，把模型一的结果当做约束条件，建立模型二，计算求出结果； 对于问题三，同时考虑两者，所占权重比一样,建立模型三； 四．模型的建立及求解 模型一 目标函数： min=0.7*(x1+x2+x3+x4+x5+x6+x7+x8+x9)-0.3*(5*x1+4*x2+4*x3+3*x4+4*x5+3*x6+2*x7+2* x8+3*x9) 约束条件： x1+x2+x3+x4+x5>=2; x3+x5+x6+x8+x9>=3;
如何解决在程序化交易中参数优化的问题程序化交易的书籍在市面上层出不穷，大多数打算进行程序化交易的朋友都会去阅读一两本或者更多。我敢肯定通过阅读大家会发现，这些书里面每一本都会提到交易模型的参数优化的问题。这是由于现代的计算机处理技术发展的同时也带来了一些困惑，程序化交易可以说是建立在计算机和通讯技术的基础之上的一种交易手段，如果没有这些基础设施，那么程序化交易也就不能存在。正是有了可以高速运行的CPU才使我们可以对参数进行优化。光凭技术手段并不足以解决所有交易的问题，这就是为什么说交易是一门艺术之所在，而我们使用机械的交易方法是为了尽可能的避免人为的判断和情绪对交易的不良影响，在我们没有形成自己的一套交易体系之前通过机械的方法来进行交易无疑可以少走很多弯路，把时间和金钱留给我们用来积累更多的经验，让我们首先确保在市场中生存，再去追求如何使交易变成艺术。因此作为一个力求以科学和规律的方法解决交易的问题的人，我试图通过本文来解决大家在程序化交易中参数优化这个矛盾的问题。 什么是参数优化 在这里首先我们介绍一下什么是参数优化，以便一些刚刚接触程序化交易的朋友阅读本文，已经了解这方面知识的朋友可以掠过本段。 对于一些模型来说会有一些参数，这些参数设置的主要含义可能是为模型提供一个周期，举个例子来说象n日均线上穿N日均线（n为短周期均线参数，N为长周期均线参数，一般短周期的移动平均要比长周期的变化要快，所以我们通过这两个不同周期的均线来制定交易计划），n和N参数的意义就是指定周期，一般来说参数的意义都与时间有关系（周期），但也有其他的用途。参数优化实际上就是利用计算机的处理能
优化模型在生活中的应用 人类生活在丰富多彩、变化万千的现实世界里，无时无刻不在运用智慧和力量去认识、利用、改造这个世界，从而不断地创造出日新月异、五彩缤纷的物质文明和精神文明。而在我们认识、利用和改造世界时我们往往离不开数学方法，数学建模则是利用数学方法解决实际问题的一种实践。通过抽象,简化、假设、引进变量等处理过程后，将实际问题用数学方式表达，建立起数学模型，然后运用先进的数学方法及计算机技术进行求解。 人们生活是离不开数学的，衣食住行等各个方面都需要数学，倘若能在这些实际问题中建立各种各样的比较典型的数学模型，在遇到生活中的这些琐碎小事时，就能更高效、更正确地进行处理了。 必须说明的是，建立数学模型需要用系统的某种特征的本质的数学表达式（或是用数学术语）对部分现实世界的描述即用数学式子（如函数，图形，代数方程，微分方程，积分方程，差分方程等）来描述所研究的客观对象或系统在某一方面的存在规律。 优化模型是生活过程中必须用到的的数学模型，其建立目的就是为了得到最大化的工作效益以及减少投资等一系列最优条件。一般来说，我们在生活中经常应用这种模型，却没有将其抽象出来，明文对其进行规定。 1.模型类型说明举例 在姜启源先生等人主编的《数学模型》一书中提到过这样一个例子： “一饲养场每天投入4元资金用于饲料、设备、人力，估计可使一头80公斤重的生猪每天增加2公斤．目前生猪出售的市场价格为每公斤8元，但是预测每天会降低0．1元，问该场应该什么时候出售这样的生猪。” 在上述描述中，我们将设计到的特征，用数值明确地表示出来，通过构建数学式子便可很快的计算出最佳的出售时机。建模解答过程如下： 模型假设每天投入4元资金使生猪体重每天增加常数r(=2公斤)；生猪出售的市场价格每天降低常数g(=0．1元)． 模型建立给出以下记号：t ～时间(天)．w ～生猪体重(公斤)；~p 单价 (元／公斤)；R-出售的收入(元)；C-t 天投入的资金(元)；Q-纯利润(元)． 按照假设，)1.0(8),2(80=-==+=g gt p r rt w ．又知道t C pw R 4,==，再考虑到纯利润应扣掉以当前价格(8元／公斤)出售80公斤生猪的收入，有808?--=C R Q ，得到目标函数(纯利润)为 其中1.0,2==g r ．求)0(≥t 使)(t Q 最大．
出版社资源优化配置的数学模型 摘要 本文通过对出版社提供的调查问卷等数据进行分析，建立相应的数学模型，以增加强势产品支持力度等为原则对出版社的书号资源进行优化配置。 首先我们对所提供的问卷调查数据进行了分析，分别给出了该出版社各门学科所出版的书籍在所有书籍中所占的比率、调查数据中各学科书籍在所有书籍中的比例、该出版社在调查者心目中的排名情况、每年新书、旧书的比率、调查者获得教材的方式和被访者对该出版社与其他出版社主观评价平均得分的比较等，对该出版社目前在市场中的地位，市场状况等基本情况有一个基本的了解。 为了使出版社06年的效益最大化，本文主要考虑以下三个方面。 一、如何对效益进行量化 二、强势产品的确定 三、如何体现对强势产品的支持 本文在确定效益的量化标准后，在书号总量，人力资源量，申请成功率，强势产品优先等约束条件下运用线性规划使效益达到最大。 效益的量化方面，我们利用历年各学科书籍销量与价格均值计算出该学科的收入，再除以其总的书号数得到各学科历年每个书号的平均价值，通过灰色预测模型GM(1，1)预测2006年各分社每个书号的平均价值。这样以各分社书号分配量为变量，可以得到效益最大化的目标函数。 强势产品的确定方面，我们考虑了该社各学科在市场中的占有率，以及各学科书目在整个市场的比例两个因素。通过累计重要度法，确定两个指标的权数，计算出各学科的重要度。然后以重要度对个学科排序，确定重要度高者工作能力满足率(即分配书号数/最大工作能力)亦高的约束条件。最后通过SPSS的聚类分析功能将学科进行分类，给出各学科强势水平的等级。 线性规划的约束条件有以下几项:书号总数一定；得到书号数不能大于最大工作能力；为保持工作连续性和对各分社计划一定程度上的认可，出版社在分配书号时至少保证分给各分社申请数量的一半；申请成功率变化不超过历年均值的 三倍标准差；重要度高者书号工作能力满足率亦高。 在上述约束下由线性规划得到出版社06年书号的最优分配。分配方案为：计算机类68，经管类42，数学类120，英语类102，两课类55，机械能源类36，化学、化工类18，地理、地质类30，环境类29。最优方案下的最大效益为0.2142579E+08。 数据分析发现历年各分社每一课程书号所占比例基本保持稳定，因此我们以此为依据再对各分社的书号进行分配。 关键字：灰色预测模型累计重要度法线性规划
商品期货交易策略的数学模型 摘要 商品期货交易在当前中国的经济体系中占据着很重要的作用，投资者都希望从大量的期货交易中获取一定的利润，但是期货交易作为一种投机行为，交易者置身其中往往要承担很大的风险，本文研究了商品期货交易中的一些问题，给出了获取较大收益的交易方式。 问题一：我们首先利用SPSS中的模型预测方法给出了橡胶期货交易各项指标在9月3号这天随时间推移的波动图，又给出了利用Matlab软件作出的成交价与各个指标的相关性图表。分析所作的图得出的结论是商品期货的成交价与B1价、S1价具有显著相关性，与成交量、持仓增减、B1量、S1量也具有相关性而与总量不具有相关性。最后利用SPSS软件双变量相关分析进一步确认其相关性指标。为了对橡胶期货价格的这些变化特征进行分类，我们作出了成交价19天的波动图，并以持仓量为例分析其他指标的变化特征，将七项指标分成了上涨和周期波动两类。 问题二：本文采用了回归分析的方法建立价格波动预测模型。首先介绍回归分析的基本原理与内容，叙述了回归分析中用到的最小二乘法，之后在第一问的基础上建立回归分析的数学模型，得出函数关系，算得价格的波动趋势并与实际数据对比，再分析模型中的残差数据，验证所建立的回归模型合理性。 问题三：为建立收益最大化的交易模型，本题我们分析价格的波动数据后，借助移动平均线的理论方法，再分析价格的“高位”与“低位”，得出买点卖点。建立交易模型后，利用MATLAB 软件分析出合适的交易时机，并画出图形，利用所给数据根据建立的模型计算收益。 关键词：期货交易波动 SPSS软件回归分析
我国商品期货交易的品种迅速增加，吸引了大量交易者的参与，如何从商品期货的交易中获取相对稳定的收益成为交易者非常关注的问题。商品期货交易实行T+0的交易规则，所开的“多单或空单”可以马上平仓，从而完成一次交易，这样就吸引了大量的投机资金进行商品期货的日内高频交易。某种商品价格在低位时开“多单”，当价格高于开“多单”的价格时平仓，或者，价格在高位时开“空单”，当价格低于开“空单”的价格时平仓，差价部分扣除手续费后就是交易者的盈利；反之则是亏损。 现在题中给出了2012年9月相关商品期货交易的成交数据，让你以所给数据为基础，建立数学模型解决下面的问题： 1、通过数据分析，寻找价格的波动和哪些指标（仅限于表中列出的数据，如持仓量、成交 量等指标）有关，并对橡胶期货价格的波动方式进行简单的分类。（提示：这里的波动方式是指在某一时间段内（简称周期）价格的涨跌、持仓量的增减、成交量的增减等指标的变化特征。周期的选取可以短到几秒钟，长到几十分钟甚至是以天为单位，具体时长通过数据分析确定，较优的周期应该是有利于交易者获取最大的盈利）。 2、在实时交易时，交易者往往是根据交易所提供的实时数据，对价格的后期走势做出预测 来决定是开“多单”还是开“空单”。请在第1问的基础上建立合理的橡胶价格波动预测模型； 3、橡胶期货交易的手续费是20元/手，保证金为交易额的10%，设初始资金为100万。请 利用前面已经得到的相关结果，建立交易模型，使交易者的收益最大； 4、试分析确定合理的评价指标体系，用以评价你的交易模型的优劣。（这一问为选做） 2.模型假设与符号说明 2.1模型的假设 1.由于题中所给指标外的其他因素对期货价格波动影响较小，可以忽略，认为价格的波动只受所给指标影响。 2.假设所给的19天的数据能准确反映期货交易中出现的各种变化特征情况。 3.假设不考虑交易模型中交易者的主观因素。 2.2符号说明 B1价指的是买1价、B1量是指买1量、S1价指卖1价、S1量指卖1量。在问题二的回归分析中，x1指成交量，x2指总量，x3指属性,x4指b1价，x5指s1价,x6指b1量，x7指s1量。
第1章 优化设计 Chapter 1 Optimization Design 1-1 优化设计 1-1-1 最优化 (optimize, optimization ) 所谓最优化，通俗地说就是在一定条件下，在所有可能的计划、设计、安排中找出最好的一个来。换句话说，也就是在一定的条件下，人们如何以最好的方式来做一件事情。(Optimization deals with how to do things in the best possible manner) 结论的唯一性是最优化的特点，即公认最好。(It is the best of all possibilities) 最优化的思想体现在自然科学、工程技术及社会活动的各个领域，最优化的方法在这些领域也得到了广泛地应用。(P1) 1-1-2 最优化方法 (Arithmetic ) 要从所有可能的方案中找出最优的一个，用“试”（try ）的办法是不可行的，需要采用一定的数学手段。二十世纪五十年代以前，用于解决最优化问题的数学方法仅限于古典的微分和变分(differential and variation)。数学规划法在五十年代末被首次用于解决最优化问题，并成为现代优化方法的理论基础。线性规划和非线性规划是数学规划的主要内容，它还包括整数规划、动态规划、二次规划等等。(Linear programming or Nonlinear programming, Integer, Dynamic, Quadratic ) 数学规划法与电子计算机的密切结合,改变了最优化方法多有理论研究价值,而少有实际应用的局面,使得解决工程中的优化问题成为可能。因此,我们现在所说的最优化方法，实际上包括了最优化理论和计算机程序二方面的内容。(Optimization theory plus computer program) 1-1-3 优化设计 下面以一个简单的问题为例来说明传统设计与优化设计这二个不同的设计过程。 例1-1 设计一个体积为5cm 3的薄板包装箱，其中一边的长度不小于4m 。要求使薄板耗 材最少，试确定包装箱的尺寸参数，即长a ，宽b 和高h 。 分析 包装箱的表面积s 与它的长a ，宽b 和高h 尺寸有关。因此，耗板最少的问题可以转化为表面积最小问题，故取表面积s 为设计目标。 传统设计方法: 首先固定包装箱一边的长度如)(4m a =。要满足包装箱体积为3 5m 的设计要求，则有以下多种设计方案: 如果包装箱的长度a 再取)(4m a >的其他值，则包装箱的宽度和高度还会有很多其他结果… 。 最后，从上面众多的可行方案中选择出包装箱表面积最小的方案来，这就是相对最好的设计方案。但由于不可能列出所有可能的设计方案，最终方案就不一定是最优的。 机械产品的传统设计通常需要经过：提出课题、调查分析、技术设计、结构设计、绘图
软件定价策略与模型设 计 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】
ERP软件定价策略与模型设计 ERP软件定价策略与模型设计 ERP软件定价(价格)的高低是ERP厂商整体竞争力强弱的一个重要指针，也是影响客户购买行为的重要因素。客户购买某一ERP软件，总是面临不同的ERP厂商﹑不同渠道的多种选择，ERP软件价格往往成了除软件功能﹑售后服务态度、实施水平等因素外，客户选择首要考虑的因素。而目前国内ERP软件市场，价格的高低不齐，不仅给客户带来许多顾虑，也搞乱了ERP市场。本文将对ERP软件的价格特性与定价策略加以分析，并用模糊数学的方法将ERP软件的价格从定量的角度加以探讨。一﹑ERP软件价格的特性 ERP软件价格形成过程符合商品经济一般规律的要求，是价值规律﹑供求规律等的具体表现，其特性主要表现为以下五点： 1．同一ERP软件而言，它没有一个固定的价格，它的价格随着时间、地点和客观条件的改变而改变； 2． ERP软件的价值多维性可能导致ERP软件价格偏离信息作为商品的价值，在某一特定时间、地点，它的交易价格存在于用不同的方法估算所得到的价格群中； 3． ERP软件使用价值的时效性，使得ERP软件的价值起伏波动，其价格也就随之大起大落；4．复杂劳动折算成简单劳动的系数在一定程度上影响ERP软件的价格； 5． ERP软件产量越多，单位产品所包含的ERP软件的价格越低。 二﹑ERP软件定价方法与策略 ERP软件的定价问题在理论界与实践界主要有四种基本的理论： 1. 垄断价格论由于ERP软件的生产具有唯一性、独创性及非重复性，并存在产权保护的法律，形成了ERP软件的垄断性。价格的大小取决于ERP厂商的垄断性（主要是ERP软件在行业方面的适应性）、客户的需求程度和支付能力。 2. 价值价格论 ERP软件设计与实现客户需求的物化形成其价值，个别劳动时间决定其价值量，价值进一步决定它的价格。 3．效用价格论 ERP软件的设计是为了解决企业在运作过程存在问题的实际需要，而客户使用时所能产生的实际效用，才是ERP软件价格形成的依据. 4. 供求价格论 ERP软件的价格决定因素是其供需关系，正是ERP软件厂商与客户在软件市场上相互制约，决定ERP软件的价格。 这四种理论分别从不同方面考虑ERP软件的因素，在一般情况下，客户对ERP软件使用所产生的预期利润额度，是ERP软件理论价格的上限；ERP厂商对ERP软件的设计与实现成本的额度，是ERP 软件理论价格的下限。考虑到影响ERP软件的主要因素如成本﹑市场对产品的需求情况、同行业竞争态势﹑可替代产品的价格等等，相应的定价方法有： 1. 成本加成定价法 将在ERP软件设计过程中所消耗的成本汇总，再加上规定的成本利润来确定ERP软件的价格。其成本往往包括硬软成本两部分，硬成本指房租、计算机和通讯设备等固定资产消耗及相关材料消耗支出；软成本指员工成本的消耗。其计算公式为： ERP软件的价格=成本+成本×成本利润率+税金 2. 成本差价定价法 为ERP软件定价必须把ERP软件的类型与价格政策的要求结合起来，以某种同类型的ERP软件为现行标准，通过成本和质量的比较来确定可行的价格。即，在同类ERP软件中，以某一ERP软件为标准品，计算其原料成本，并根据合理成本加税﹑利润来计算价格。其公式为：
阶段涨幅：（CLOSE-REF(CLOSE,N）/REF(CLOSE,N); 再创新高：HIGH=HHV(HIGH,N); 放量上攻：CLOSE/REF(CLOSE,5)> &&VOL>MA(VOL,5)*3; 窄幅整理：(HHV(CLOSE,20)-LLV(CLOSE,20))/CLOSE,; 均线多头排列:MA(CLOSE,5)>MA(CLOSE,10) && MA(CLOSE,10)>MA(CLOSE,20);前期高点及其位置:HHV(HIGH,20) HHVBARS(HIGH,20); 60天前到40天前的最高价格: REF(HHV(HIGH,20),40) 动态平均EMA(X,N) SMA(X,N,M) SMA(CLOSE,VOL) 点到面转化 COUNT SUM HHV LLV 面到点转化 CROSS 线性回归 SLOPE(CLOSE,10)/REF(CLOSE,10)>; 之字转向 PEAK TROUGH PEAKBARS TROUGHBARS 大阳线 LOW=OPEN &&CLOSE=HIGH&&CLOSE/OPEN>; 穿头破脚 C/O> &&OPEN
MA普通金叉 CROSS(MA(CLOSE,5),MA(CLOSE,10)) && MA(CLOSE,5)>MA(CLOSE,10) && MA(CLOSE,10)>MA(CLOSE,20) 3条均线多头排列持续3天CC:= MA(CLOSE,5)>MA(CLOSE,30) && MA(CLOSE,10)>MA(CLOSE,30); EVERY(CC,3)=1 ; 均线死叉 CROSS(MA(CLOSE,10),(CLOSE,5)); 当日成交量放大2倍的金叉 CROSS(MA(CLOSE,5),MA(CLOSE,10)) && VOL/REV(VOL,1)>2 KDJ指标RSV:=(CLOSE-LLV(LOW,N1))/(HHV(HIGH,N1)-LLV(LOW,N1))*100; K:=SMA(RSV,N2,1); D:=SMA(K,N3,1); 综合判断条件 CROSS(K,D)&&D ; RSI指标N1[ N2[ := REF(CLOSE,1); RSI1:SMA(MAX(CLOSE-LC,0),N1,1)/SMA(ABS(CLOSE-LC),N1,1)*100; RSI2:SMA(MAX(CLOSE-LC,0),N2,1)/SMA(ABS(CLOSE-LC),N2,1)*100; WR指标N[ 综合判断条件 CROSS(WR,80) CROSS(WR,20) MACD指标L1[ L2[ L3[ DEA:EMA(DIFF,L1); MACD:2*(DIFF-DEA),COLORSTICK;
人力资源的优化配置模型 摘要 本文通过合理假设，在考虑到公司的人员结构，工资情况，以及所接项目要求的因素下，把公司合理安排技术人员、人力资源问题转化为线形规划中的目标函数与约束条件问题，建立模型。从而使人力资源得到合理的配置，使公司每天得到最大的直接收益。 从公司一方的利益出发，得到了使公司获得最大利益的目标函数，并考虑到公司以及各项目对总人数的限制，得到总的约束条件。用数学软件lingo与lindo求出了人员分配的最优解，再得出的最优解的基础上随机取值与其比较，用matlab对数据进行处理及计算。分析与比较之后得出最优的人员分配如下：A项目高级工程师1人，工程师6人，助理工程师2人，技术员1人；B项目高级工程师5人，工程师3人，助理工程师5人，技术员、3人；C项目高级工程师2人，工程师6人，助理工程师2人，技术员1人；D项目高级工程师1人，工程师2人，助理工程师1人，技术员0人。公司达到的最大收益为27090.00元每天。 关键词：（线性规划目标函数约束条件 lingo lindo matlab 最优解人力资源）
一问题重述 “PE公司”是一家从事电力工程技术的中美合资公司，现有41个专业技术人员，其结构和相应的工资水平分布如表（一） 表（一） 目前，公司承接四个工程项目，其中两项是现场施工监理，分别在A地和B地，主要工作在现场完成;另外两项是工程设计，分别在C地和D地，主要工作在办公室完成。由于四个项目来源于不同客户，并且工作的难易程度不一，因此，各项目的合同对有关技术人员的收费标准不同，具体情况如表（二） 表（二） 为了保证工程质量，各项目中必须保证专业人员结构符合客户要求，具体情况如表（三）
国海良时期货 文华财经 程序化交易系统 使用说明书
程序化交易是一种在计算机和网络技术的支持下，瞬间完成你预先设置好的组合交易指令的一种交易手段。您可以将您的交易思路，通过文华提供的函数、语法及编辑平台，编写成交易模型，实现自动开仓、自动止损、自动止赢。程序化交易在投资实战中不仅可以提高下单速度，而且可以帮助投资者在交易过程中避免受到情绪波动的影响，实现理性投资。 Mytrader2009的程序化交易功能在Webstock2008的基础上增加了追踪止损功能、在全自动状态下系统默认按照最后的信号方向执行，解决了交易指令消失不做任何处理的问题、使用算法交易确保下单成交、并且升级了效果测试和参数优化的功能，使程序化交易又前进了一步，让投资更加的轻松和快乐。 启动程序化交易进行自动交易 打开交易软件，输入账号和密码 启动自动交易模型，选择模型后点击加载或新建模型。
使用算法交易 可以选择是否启用“追价下单”“分批下单”“超价下单” 追价下单： 如果下单没有成交，可以设置追价下单，单子在几秒钟之内没有成交，系统会自动撤单并按市场最新价追价下单，直至预设手数全部成交（也可设置追价范围，防范风险）。（模型触发、价格价格条件单、画线条件单都可以支持追价下单）
分批下单： 如果下单手数过大，启动分批下单，系统会根据默认的分批下单手数，将总手数分批下单超价下单：在市价基础上调整[ ]最小变动价位，以提高成交几率。 算法交易参数的设置 点击图中程序化交易窗口的红色方框可以对算法交易功能进行设置 在下图中对算法交易参数进行设置
“程序化交易自动下单”的其他设置说明： “按市价下单，下单手数” ：模型每次下单的数量 “只进行多头交易”：选择此项设置后，模型自动过滤掉卖开和买平的交易指令，只进行多头交易。 “只进行空头交易”：选择此项设置后，模型自动过滤掉买开和卖平的交易指令，只进行空头交易。 “双向交易”：选择此项设置后，模型可以发出买开、卖平、卖开和买平指令，进行双向交易。 “下单方式”：可以选择全自动（不需要确认）、半自动（需要确认）或者只显示信号。 “信号确认”：可以设置信号出现后几秒钟发出委托。 在全自动状态下，系统默认使用“程序化交易按最后信号方向执行”来解决指令反复的问题，设置如下图：
基于遗传算法的参数优化估算模型 【摘要】支持向量机中参数的设置是模型是否精确和稳定的关键。固定的参数设置往往不能满足优化模型的要求，同时使得学习算法过于死板，不能体现出来算法的智能化优点，因此利用遗传算法（Genetic Algorithm，简称GA）对估算模型的参数进行优化，使得估算模型灵活、智能，更加符合实际工程建模的需求。 【关键词】遗传算法；参数优化；估算模型 1.引言 随着支持向量机估算模型在工程应用的不断深入。研究发现，支持向量机算法(包括LS-SVM算法)存在着一些本身不可避免的缺陷，最为突出的是参数的选取和优化问题，以往在参数选取方面，一般依靠专家系统或者设定初始值盲目搜寻等等，在实际应用必然会影响模型的精准度，造成一定影响。如何选取合理的参数成为支持向量机算法应用过程中应用中关注的问题，同时也是目前应用研究的重点。而常用的交叉验证试算的方法，不仅耗时，且搜索目的不清，使得资源浪费，耗时耗力。不能有效的对参数进行优化。 针对参选取的问题，本文使用GA算法对模型中的参数设置进行优化。 2.遗传算法 2.1 遗传算法的实施过程 遗传算法的实施过程中包括了编码、产生群体、计算适应度、复制、交换、变异等操作。图1详细的描述了遗传算法的流程。 其中，变量GEN是当前进化代数；N是群体规模；M是算法执行的最大次数。 遗传算法在参数寻优过程中，基于生物遗传学的基本原理，模拟自然界生物种群的“物竞天则，适者生存”的自然规律。把自变量看作生物体，把它转化成由基因构成的染色体（个体），把寻优的目标函数定义为适应度，未知函数视为生存环境，通过基因操作（如复制、交换和变异等），最终求出全局最优解。 2.2 GA算法的基本步骤 遗传算法操作的实施过程就是对群体的个体按照自然进化原则（适应度评估）施加一定的操作，从而实现模型中数据的优胜劣汰，使得进化过程趋于完美。从优化搜索角度出发，遗传算法可使问题的解，一代一代地进行优化，并逼近最优解。 通常采用的遗传算法的工作流程和结果形式有Goldberg提出的，常用的GA 算法基本步骤如下： ①选择编码策略，把参数集合X和域转换为位串结构空间S。常用的编码方法有二进制编码和浮点数编码。 ②定义合适的适应度函数，保证适应度函数非负。 ③确定遗传策略，包括选择群体大小，选择、交叉、变异方法，以及确定交叉概率、变异概率等其它参数。 ④随机初始化生成群体N，常用的群体规模：N＝20～200。 ⑤计算群体中个体位串解码后的适应值。 ⑥按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体。 ⑦判断群体性能是否满足某一个指标，或者以完成预订迭代次数，若满足则
1.什么是程序化交易？ 程序化交易是交易员根据自己的交易思想，借助市场技术指标，将进场条件和离场条件定量化，形成交易模型。再将交易模型编写成计算机程序，当价格的变化满足预设条件时，由计算机自动激发买入或卖出信号。 2.程序化交易相对于一般交易有哪些特点，其主要解决哪些问题？ 凡是交易决策和交易执行过程中的一切环节是程序化的，机械的就是程序化交易。一般来说，程序化交易是指利用计算机语言将人的交易策略和思想编辑成交易模型，当交易模型中设定的买卖条件被满足后，由计算机程序自动发送下单指令完成交易。 程序化交易并不是和计算机必然联系的，它指的是一种交易的决策和执行方式，与它相对应的是主观交易。即使交易决策是基本面分析，交易执行是人工手动下单，但整个流程都是程序化的，那么也属于程序化交易或系统化交易。具体的程序化交易如何进行，取决于投资者自身交易策略的需要。 程序化交易的特点和优势：首先是“死的”不是“活的”。这种客观的，机械的交易决策和执行方式排除了人在交易中的非理性的感情因素，解决了交易中的纪律性问题。这也是程序化交易取得成功的关键。其次是可以做到“心中有底”，而不是交易中人们时常感觉的“没底”。程序化交易的策略具有可验证性，由于交易策略是定量的，因此每一种策略在使用前都可以运用科学方法对其进行历史或实盘的效果测试，做到在正式投入使用前定量地掌握该交易策略的收益、风险对应的概率。不理想的话就重新设计直到认同。
每一个市场参与者都有自己的交易策略，和自己的交易纪律性。让交易策略或计划更科学，更符合客观实际；让充分准备的计划被严格的执行，就是程序化交易主要解决的问题。 3.假设一种程序化交易方式被众多投资者竞相使用，会不会带来程序失效？作为程序化交易的设计者，应如何避免这一类问题？ 这要看具体的交易策略。按交易策略可以分为高频交易，趋势性交易，统计套利交易等若干种，他们都采用的是程序化交易的方式。其中一些持仓时间周期短的策略如短期套利交易会出现用的人越多越不利的问题。而人多对趋势交易则没有影响。 如果是短周期交易者的话不能避免这一类问题，只能力争在竞争中取胜。这就需要提高自己交易模型的科学性和自己的交易科技，也就是计算机技术支撑。 4.华西期货从什么时候开始尝试程序化交易，资金量有多大？是不是国内所有的商品期货品种都可以利用程序化交易？在哪种市场环境下，程序化交易的作用可以发挥到最大？ 华西期货从2008年8月开始引入程序化交易。现在，程序化交易客户的交易量占华西期货总交易量的60%。 所有期货品种以及股票都可以进行程序化交易，它是一种交易方式。至于有些品种是否适合某些交易策略则要具体分析。