如何組合多種交易算法？

是否可以結合不同的算法來提高交易性能？特別是，我讀到社交媒體情緒跟踪、數字信號處理和神經網路都可以用於交易算法。

是否有可能創建一個結合這三個領域的元素的交易算法，或者這些方法是否相互排斥，因為它們彼此不兼容？如果你承諾一個，你可以使用另一個嗎？

是的。首先，如果您將預測的輸出標準化以使它們具有相同的單位（例如，回報或事件/條件發生的機率），那麼進行起來會容易得多。完成此操作後，有 3 種通用方法：

1. 信號加權：然後你需要為你的因素定義一個加權方案。Richard Grinold 在他的論文“信號加權”中對這個問題給出了一個答案。請注意，有很多方法可以對信號進行加權（優化、元模型、預測池、貝氏模型平均、基於樣本外性能的加權等）。“信號加權”的普遍問題最近引起了重要的研究，在我看來這是一個沒有共識的難題。
2. 熵池：除了稱重信號，您還可以使用熵池集成信號。在這裡，您將為每個信號分配可信度分數並開發新的後驗分佈。熵池將以一種對您的預測施加最少虛假結構的方式混合信號。Atillio Meucci 有一篇關於如何做到這一點的論文。
3. 使用這些獨立信號作為預測變數建構模型。您可以嘗試 PCA、回歸、層次模型或集成技術。您也不必確保信號採用相同的單位，儘管這有助於您的直覺。自然，您必須通過一些建模程序並考慮共線性、非平穩性等。

引用自：https://quant.stackexchange.com/questions/2332