1、K线不管用的原因,放弃了这种无效的工具,或许投资效益会更好。(好的投资人从来不画K线)
信息论的基本原理:
如果只有一个人知道某一个有用的技术指标,而其他人都不知道,那么这唯一的一个人就能赚钱,如果这个技术指标早已经是所有人都知道的,那么它的作用早已反映在股市的波动中了,再用它就不灵了。
因此,从信息论出发,我们就知道那些已知的技术指标,比如K线
,都不能帮助炒股的人挣钱。
2、在未来,散户除了买指数基金,没有更好的交易方式,因为你不可能比得过那些既有资源又有技术的大型对冲基金。
这种特别管用的信号在早期股市上是存在的,在今天几乎已经找不到了,因为容易找的早被人找光了。对于那些影响力不是很大的技术指标(信号),可能还存在,但这不是散户可以找到的,甚至不是绝大多数专业人士可以找到的,因为它们本身太复杂,而且作用也不是很明显,因此很难找到。即便找到了,由于单个信号实在对股价预测的影响太小,基本上没有用。如果能找到一大堆,或许组合起来管用,但这是一个非常非常难的机器学习问题,不要说一般公司做不到,就连Google和微软这样的公司也未必做得到。事实上,全世界可能只有著名的对冲基金文艺复兴公司敢说它找到了很多有用的信号,而且能够组合得很好。
3、压缩原理:找出那些重复出现的字符串,然后用更短的符号代替,达到缩短字符串的目的。
信息论就是通信的理论,也是一种方法论。
信息论最基本的思想
:对于一个你一无所知的黑盒子,要想了解里面的状态,就需要信息。用比较专业一点的话讲,叫做消除不确定性
。
1、计算机的智能是如何产生的?它在机理上其实和人类的智能没有半点关系。事实上,今天的计算机只是在那些能够利用数据消除不确定性的问题上,比人类聪明。 2、比如下围棋,对计算机来说,就是在最多361个点位选择一个地方落子,是一个361选1的问题。 3、而对于语音识别,不过是在几十个发音相似的单词(词组)中选一个匹配,人脸识别呢,则是在几百万人中选一个匹配。 4、至于今日头条的推荐,也是从若干篇新闻中匹配一些你感兴趣的。这些难题的答案其实都是从信息论中来的。上个世纪70—80年代,作为信息论专家(当时美国大学里信息论课程教科书的作者),贾里尼克和他的同事们提出了数据驱动的解决人工智能问题的方法,并且在识别语音、翻译语言等领域获得了成功。 5、到了互联网普及之后,出现了数据的大爆炸,而且原来各个不同领域的数据可以关联起来了,这就产生了我们所说的大数据。大数据加上摩尔定律,引发了今天人工智能的突破,也导致了大家思维方式的改变。在此之前,人类曾经试图让计算机模拟人的逻辑思维方式解决智能问题,但事实证明这完全是走错了路。 6、在今天,Facebook敢于将不成熟的想法上线让大家使用,特斯拉公司敢于在汽车这种对安全性要求极高的产品中采用不成熟的技术,背后的原因在于它们能够快速地收集到数据,测试产品的好坏,然后在用户尚未受到很多负面影响之前,决定是保留还是关闭所提供的功能。这种做法看似冒险,但其实,大量的数据比个别设计者的经验更保险。———————————————— 版权声明:本文为CSDN博主「#公众号:iOS逆向」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。原文链接:https://blog.csdn.net/z929118967/article/details/86613492
在这里插入图片描述
1、信息熵代表了一个黑盒子中的不确定性,或者说,要搞清楚这个黑盒子的秘密所需要的信息。(例子:怎么用鼓点准确传达消息?
让鼓多说一些话
) 2、在利用信息时,要考虑信息可能带有噪音,因此利用信息的相关性进行交叉验证是必要的
。