在过去3年，常常有人好奇，我引入中文推特的「动态博弈」理论究竟是如何产生的，是不是我自己拍脑袋想出来的 推特搜索「动态博弈」可以看到很多我的行情🧵推演，庄家剧本的串联讲解，对于逻辑性较强的读者有很高的增幅作用。 正好最近行情比较无聊，定力比较差的朋友很容易被市场忽悠得晕头乱转，胡乱操作并最终亏欠 借此机会，我准备跟我的理工科读者普及一下这块的知识，帮助大家更好地理解背后的原理。 ============================== 你在和ChatGPT畅聊人生问题的时候，也应该了解一些背后的原理，比如大语言模型的attention机制中的Q/K/V向量 「动态博弈」，核心关键词当然是“动态”两个字，是来自「线性动态系统」（Linear Dynamical Systems）这一经典理论基础，我们今天围绕这个原始的理论，讲3⃣个概念。 线性动力学系统，也被称为线性高斯状态空间模型，是一种概率图模型。 📔我先说一嘴「概率」，啰嗦两小段： 如果学过量子力学，你就知道，时间t这个参数其实在大部分情况下是不存在的，世间万物并不是以一个固定的状态产生，每一种东西都是由「概率波」叠加形成。 在部分概率波叠加的时候，含时薛定谔方程中的时间参数t会被约去，有的时候不会。参数t如果被约去了，那就变成了Stationary State，「时间」就会失去意义（后面会讲）。 「概率」这样东西，在全世界的数据中当然是大量使用的，自然也包含金融数据。 比如你持有的山寨币，随着比特币的价格变化，山寨币的价格也会发生对应的变化； 中东打仗，如果大家倾向于BTC避险，那BTC因为散户相信的故事会涨，涨的概率是🅰️；如果BTC被庄家控盘的过程中现在要满足控盘需要，不想让它现在涨，跌的概率是🅱️； 这当然也是概率的2种运用，🅰️和🅱️都有概率，该怎么判断呢？ 🕎这里就需要提到第二个概念（2/3），卡尔曼滤波 Linear Dynamical Systems 通常由两个线性方程描述，而卡尔曼滤波就是基于这两个方程进行递归计算，「状态转移方程」和「观测方程」 大家还记得我在讲「动态博弈」的时候，经常对黑子说一段话： 「动态博弈」的精髓是： 根据手上观察及掌握到的所有信息，进行多因子建模，对未来「一小段时间」即将发生的事情进行预测 这也正对应「线性动态系统」中的「状态转移方程」 xₜ = A xₜ₋₁ + B uₜ + wₜ 🔢接下来，是第3个概念（3/3） 老粉应该还记得我讲过很多次的一个概念——多因子模型，对吧？记得特别清楚，我是在一个傍晚跟大家开space讲的多因子，事后我还特地上传了一个评估模型到我的Github上。 「动态博弈」的「多因子模型」，其实就是「线性动态系统」中的「状态转移方程」中的A，A是状态转移矩阵，由很多代表权重的数字组成。 相信很多散户朋友，总是对“量化”系统，各种“量化”带有技术的滤镜， 恕我直言，到处宣传量化这件事的，99%都是骗子。 市面上的很多量化系统，都是采用傅立叶变换和卡尔曼滤波进行市场数据的降噪处理的，你完全可以用从我这里学到的这个基础知识来考考他们。 很有趣，对不对？ 为什么要降噪？为什么要用卡尔曼滤波？ ▌特朗普的儿子说要对伊朗报复， 这是不是噪音？ ▌那个🦅 KOL 说，大家跟我买入，别怕！哎呀妈呀，怎么以太坊画门了呀！又亏了！ 这是不是噪音？ 比特币价格上下起伏5%，你的心就乱跳3天，长此以往，根本静不下来心，当然不可能做好交易。 卡尔曼滤波的核心优势是什么呢？ 作为一种递推滤波器，它不需要存储全部历史数据，每收到一个新的市场观测值，就能立即更新当前状态的估计。 这难道不牛逼？ 听起来是不是就有点像“裸K”战法？确实有一点点像。 但我更看重的是，它能有效过滤掉金融市场中频繁出现的随机波动，捕捉更平稳的价格趋势；当因子的有效性随市场环境变化时，利用卡尔曼滤波对多因子的暴露度进行动态校准，可以提高交易策略的稳定性。 现在你明白了吧，「动态博弈」就是靠【数学】，而不是【玄学】 最后布置给大家一个小作业，图中为什么把两边的高斯分布，通过卡尔曼滤波可以实现更准确，为什么两边是高斯分布呢？ 好好想10秒，前面讲过的哟 ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ͏ ==================== 对，我在2月24号给大家讲过一个重要概念： 世界是对数的 而「对数高斯分布」，就是「对数正态分布」，广泛用于描述右偏数据。 知识都是环环相扣的