投资心理学-第13章
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
饪瓷先ト圆皇淮魏芎玫幕帷�
我在芝加哥期权交易所工作过25年，还从没看到过一次可以与之比拟的投资。因此，我告诉他这是一桩很不错的交易，并让该公司找出更多红利再投资计划，我还发现其他一些公司也有类似汁划，并且经纪行业也开始想参与到这些计划中。
我当时感到很惊讶：“他们是如何做到这些的？如果他们买进100万股，就只能再投资红利，这样的话，购买用去的股息就会使利润所剩无几”同时，他们还会冒很大的市场风险，然而我还是看到有些人在作这种交易，却不知他们是怎么做的，我收集了一些记录，与负责保证金的职员做了交谈，并在红利发放日之前观察了一些正在进行中的交易。慢慢地，一切变得清晰起来。然而，我自己并没有足够的资本来这么做。因此，我费了很大力气，才在证券买卖行业中找到一家不做这种交易，并且在我跟他们解释了这一做法后不会将之偷走的公司，那真是花了很长时间。
套利者必须要找到一家愿意透过现象看本质的公司，而那正是机会所隐藏的地方。律师们经常像阻挡在我们面前的一堵难以对付的墙，他们受雇于那些公共机构来进行调查，但现状一般都难以改变，如果出了什么差错，套利者们就会受到谴责。但如果事情被拖延，不管怎样法官们也还是可以得到钱的。不管出现什么意外，这些套利者都得不到其他回报，只能告诉你现在的这种作法行不通。他们不喜欢被逼着说出些什么，也不喜欢很快说出答案。这正是他们的魅力所在。另一方面，一旦你经过了那些过程，你也就成了现状的一部分，至少在很短的时间里是。
套利行为通常相对于时间是很敏感的：一旦某些机会被发现，竞争就会使利润降低，而且管制当局最后也会堵上这个原来没有注意到的漏洞。这个时间架构一般就被称作“窗口”。比如，一个有红利再投资汁划的公司可能会说：“我们只是为小投资者做这个计划。”套利者则认为，公司的意图并不是计划的法定部分。而公司一般又会通过立法机关或者改变它的计划去做出补救。不管是哪种情况，套利机会都会指向公司“意图”的经济情况的漏洞。套利者也从这些漏洞中赚到钱。
我提供给他们想法的那个机构几年后出现了一个叫做“基本设施”的问题。大公司都被分割成了一些处理各个专门业务的部门。在证券领域中，可能会有一部分人处理客户账目，另一部分人处理股票债权，还有一部分人处理私人财产交易等等。每个部门都有自已的利润目标．被称作“最低期望收益率”。最低期望收益率就是对各部门经理能够接受的、用来持有业务提案的最小回报的计算。
公司的首席执行官一般都会把管理权移交给各部门经理，但问题是经济和机会并不会关心公司的结构，但一些被公司认为是有效的措施却可能造成生意成本增加。因为让公司部门经理去偷看另一个经理的工作很是令人不齿，因此这种成本的增加尚未被很快意识到。
在一次具体的实际情形下，我给一家大经纪行介绍了一个策略，该策略可以在我拿走我应得部分后还能获得67％的回报率。然而，需要有三个部门来参与实现这个策略，这些部门中的每一个都有3O％的最低期望收益率。尽管策略实施后可以大大提高公司的总回报率，但没有一个部门愿意降低这一比率，因为这会削弱该部门的形象。经过了几乎两年的协商，回报率从67％下降到35％。精确地说有数千万美元的利润在被做为赌注。该公司从来不进行交易，而且就我所知，原来的几个经理都仍然在原来的部门工作。
一旦你超越了这些基本设施，并且得到了公司的信用，也还会有其他问题存在。别人会被激怒，因为你没有做一件正常的事情。他们总是被我要求做一些与其他客户做的有所不同的事情。我们坚持把注意力每分钟都集中在那些看似很小很不重要的程序上。
例如，如果有一笔交易在纽约股票交易所进行，我就可以协商一个固定的比如说150 美元的交割费用，而不管交易量的大小。我无法帮助客户与证券和交易委员会就其提出的销售额的 0。003％的费用达成协议。虽然这看上去只是一个小数目，但对于100万美元的交易来说，3333。33 美元是一笔不小的数目。
一家经纪行无法改变美国政府。它把这些费用转嫁给客户，并且这类费用一般也不会受到置疑。但是如果我的客户每年要做1000次此类100万美元的交易的话，上缴政府的费用就会超过300万美元，而且，机会的经济学并不关心自身与政策的不可调和性，即使这一政策是来自美国政府。但是如果我告诉客户倘若她是在多伦多而不是在美国交易的话，就可以省去这笔费用，并且能够合理地逃脱政府当局的盘问，还不会在国内搞得名声很坏，那么这个客户就会喜欢我。然而，必须处理此类交易的职员就绝对不会喜欢我了，我用他认为是很细小的东西扰乱了他一天的工作。如果我用省下的费用的10％插手他的工作的话，情况很快就会为众人所知。但是我把内幕向人们揭示得越多，优势也就会越快地离我而去。
最后，其他人也会知道我的所作所为并且会找到一种方法插手到分割利润中来。这就叫做逆向工程。一些公司让他们所有的部门都关注纽约金融界并揭示策略。我认为这个过程在经济系统中是价格发现的一个很关键的部分。套利者在某种程度上指出了对一些不能被忽略的或者由官僚机构埋下的误算和错误的认知，在很多情况下，它迫使一些公共机构去着眼于那些很可能被忽略的情形。
我仍然对证券公司和银行采取的防范措施感到很吃惊：他们仍然会遇上上亿美元的混乱状态。策略的认同过程是如此一丝不苟，以至于做那些交易的套利者都不愿去帮助他们的公司进行风险评估。套利者们总是会利用他们业务的特点以一个对手的角色紧张起来。交易商的诚实在其一生中的各个方面都应得到尊重，诚实差不多是大多数交易公司的最后一道防线。
总之，在套利中没有稳定性，因为所有的情形都总是在改变，漏洞被掩理，利润就会减少，另一方面，生命中的任何事情都在不停地改变，接受这个改变就是在经历一次重大的冒险。你也知道错误和误算是人类可能遇到的情形的一部分，我们就是这么学习和长大的。通过套利，你的使命就是去纠正那些无效的东西，而不管人们愿不愿让你这么做。通过纠正错误你也赚到了钱，你的工作就是把其他人的策略或理念一片一片地撕碎。如果你什么也没有发现，通常这也是事实，那么就转到另一个策略或理念上。你看事物的方式，和参考依据的架构决定了你对套利的看法。
套利者的成功决定于他/她付出的辛苦。套利是去除无效用性的工具。它使我并不仅仅是一个投机者。毕竟，人一生中只有两个地方能呆：在搏击场上或者站在原地、我更愿意在搏击场上。
编者的评论 本质上说来，大多数交易和投资行为是套利的一种形式：寻找市场中的无效用性。然而，雷？凯利的套利形式是套利的最完美的应用：在有限的时间段内，它几乎是印刷钞票的一个许可证。如果你真的想成为一个专业的交易商，那么我很赞成你继续寻找此类机会。
5。6 神经系统网络
我四处寻找着一个专家来为本书写关于神经系统网络这部分的内容。神经系统网络的一个问题是它们很复杂，一般都接近曲线拟合程度，并且仅是预测一个市场的价格明天是否会更高或更低就可能费掉你好大的功夫。并且还只有55％的准确率，这是很令人沮丧的一件事，特别是当我觉得用神经系统网络可以做得比这更多时。
最后，我碰巧在路易丝？门德尔松（Louis Mendelsohn） 的网页上发现了他并且对自己的所见印象非常深刻。他所写的文章（至少超过50篇）都全部在网页上列出。门德尔松远不止预测明天的价格，他实际上是以一些非常有用的方式使用了神经系统网络。因此，当他同意为本书写理念这部分章节时我非常高兴。他是一个在国际上被称颂的技术分析家、投资软件开发者和金融方面的作家。
路易丝？门德尔松：神经系统网络简介
跨市场分析和传统的单个市场技术分析的整合在2O世纪90年代及以后对有利润的交易来说是必需的。在今天，有限的单个市场聚焦必须让位于一种更广泛的分析架构，这种分析架构能够致力于当今金融市场的非线性相互依赖关系，1991 年，我首次撰写这个架构时，把它称作“协作市场分析” 。这个方法可以让交易商量度复杂的跨市场关系。评价多个相关市场对一个给定市场的同时冲击，以及度量存在于这些关系中的领先程度和落后程度。
神经系统网络是实现协作分析的一个很不错的工具，它们能用来合成迥然不同的数据并发现隐藏在背后的模式和市场间复杂的关系，神经系统网络是真实的，并且确实是有用的。事实上，它们在处理跨市场间大量数据方面能非常出色地工作，神经系统网络在金融领域中，由于其具有的量度微妙关系的能力和探察隐藏在无数相关的市场间的模式的能力而成为一个重要的数学工具。没有它，一个交易商怎么可能同时检查过去10年5个、10个或者15个相关市场的价格数据以辨明这些市场对某一特定市场的影响效果呢？
此外，通过对神经系统网络的使用，金融预测就变得可能，交易商在金融市场中就能够得到一个可以预期的，而不仅仅是回顾性的有利地位。任何人只要看一下价格图表就能够告诉你市场过去是在哪里，但真正的利润则在于正确地预测市场未来的方向！通过把神经系统网络应用到跨市场分析中，交易商就可以真正地预测金融市场，就像气象学家预测飓风可能会有的路径一样：预测永远不会100 ％正确，永远不可能。但是从在不确定的情形下做决定的立场看，它是迈向正确方向的主要一步。
要把跨市场分析包含进你的交易计划并不需要改变你的交易风格，或者停止使用工作得很有效的单个市场指标，跨市场分析可以用来增加存在的单个市场途径。
为了帮你识别单个市场分析和跨市场分析，请把你的一只手盖到一只眼睛上。突然间，你周围的视线就缩小了很多。并且你对整个环境的领悟能力也大大降低，这就是单个市场在今天的金融环境中的情形。现在把你的手移开，那么你周围的视线马上就恢复过来：这正是跨市场分析能做的：开阔你的视野。
1．神经系统网络启蒙
我想粗略地介绍一下什么是神经系统网络以及怎样把它们应用到金融市场中去。这里着重要讲的是神经系统网络应用于金融预测的范例、体系结构，以及对训练和测试制度的作用。
神经系统网络通过在神经元之间传输信息来“学会”解决问题。这些神经元都是神经系统网络中的基本处理单位，一个神经系统网络一般都包含几层神经元。由网络体系结构确定需要几层神经元、每层需要多少神经元、它们是怎么联系起来的、需要使用什么样的传递函数等等。存在着无数的学习范例，包括金融分析中很流行的两个。第一个流行的范例是周期性发生的向后传播网络，它通过带有事实的指令得到暂时的信息。第二个范例是向前供给向后传播网络，它通过向后传播误差来进行训练。在这些误差中，暂时的信息通过使用一张预先处理过的数据“快照”译码成输入的数据。典型的向后传播网络体系结构如图5…7所示。这个范例在这里用来解释网络体系结构。
向后传播网络由一个输入层、一个或以上的隐藏层和一个输出层组成。输入层含有与每个独立的输入变量相关的神经元；输出层对每个将要预测的相互依靠的变量都有配套的神经元；而隐藏层则含有把输入层和输出层连接起来的隐藏神经元。各层之间一般都是完全连接的，一层中的每个神经元都与邻近层的神经元相连。
与每个输入神经元相关联的值被向前输入到第一个隐藏层的相关神经元，然后乘上一个适当的权重，加总起来，经过一个传递函数产生一个输出。来自第一个隐藏层的输出接着就要么被向前送入第二个隐藏层，要么就直接被送入只有一个隐藏层的网络的输出层。输出层的输出结果就是该网络做出的预测。
隐藏层的神经元数是通过实验确定的，对任何一个类似股票或期货价格预测的非线性问题，网络至少需要有一个隐藏层．此外，传递函数应该是一个非线性的、可以不断微分的函数，比如 s 形的，允许网络执行非线性的统计模拟。图 5－8 介绍了一个隐藏神经元的例子。
输入数据选择和处理 神经系统网络建立在开发者对现实世界的输入和输出之间关系的理解的基础上。作出的决定必须与将要预测什么以及网络需要什么样的输入数据有关。“无用输入，无用输出”也同样适用于神经系统网络对金融市场的认识以及对各种工其的使用，比如寻找各相关市场间的关联的基本成分分析，对于正确地选择输入数据都是必需的，一旦输入数据被选出后，就必须进行加工。通过减小网络的输入，可以使认识变得更简单。两种被广泛使用的加工方法就是我们所知的“转化”和“统一化”：转化是通过对原始数据输入的操作，向网络产生一个单精度的输入，统一化则把输入的单精度数据转化，均匀分布，并把这些数据缩放以匹配输入神经元的范围。
在神经系统网络的许多应用中，转化包含着对输入数据的代数的和统计的操作：在金融预测应用中，有着各种各样的用来解释市场行为的技术指标，这些指标都可用作转换的工具。预处理后的输入可能会含有差别。比例，以及开盘、最高、最低、收盘、成交量及开盘利息原始数据的移动平均等。输入层中的每个神经元都代表着一个经过预处理后的输入。
既然对于某些特定的应用来说，肯定存在一些更好的转化和统一化方法，我们就可以自己探索各种各样的方法。一旦选定了网络体系结构，并且输入的数据经过选择和预处理后，就必须选择数据事实。
事实选择 事实是以一行相关的数字表示的，在这行数字里，第一个i数字与i网络输入相关，第j个数字与j网络输出相关。一堆相关的事实组合就叫做“事实集”。如果两个事实有完全相同的输入和输出值，那么就只能有一个事实被归到事实集中。一旦定义了这个事实集，在大多数金融应用中，它就会被分成一些相互排斥的训练和测试子集。
向后传播的网络以两个模式运作：一个是学习模式，网络使用来自训练集的事实，通过改变它们的权重来更改它的内在表达：另一个就是回忆模式．网络处理来自测试集的输入。并利用先前学会的表达产生相关的输出。应该把测试集对各种训练网络的相对表现用来决定哪个网络包含进金融应用中。
训练和测试 一旦事实被选定后、就在训练期间把它连续地引入网络。允许网络在模拟一个问题时采用内在表达的权重，这些权重一般都初始化为一些比较小的随机分配的权重。如果初始的权重被设置成相同的值．网络可能就永远无法学习了，因为误差的改变与权重值是成比例的。每次通过训练集时，网络都对每个输出层的输出计算实际输出与理论输出之间的误差大小，然后这些误差就通过网络一层
