股指期货，英文简称SPIF，全称是股票价格指数期货，也可称为股价指数期货、期指，是指以股价指数为标的物的标准化期货合约，双方约定在未来的某个特定日期，可以按照事先确定的股价指数的大小，进行标的指数的买卖，到期后通过现金结算差价来进行交割。作为期货交易的一种类型，股指期货交易与普通商品期货交易具有基本相同的特征和流程。 股指期货是期货的一种，期货可以大致分为两大类，商品期货与金融期货。
                              本人公众号：小娅财经
股指期货交易规则是指在股指期货交易中应当遵循的规则。其详细交易规则如下：
1
交易时间较股市开盘早15分钟，收盘晚15分钟，投资者可利用期指管理风险。
2
涨跌停板幅度为10%，取消熔断，与股票市场保持一致。
3
最低交易保证金的收取标准为12%，假设沪深300指数为2300点，保证金比率为12%则交易一手需要保证金2300*300*12%=82800(元)，费率调整后则需要69000元，每手降低了13800元。
4
交割日定在每月第三个周五，可规避股市月末波动。
5
遇涨跌停板，按“平仓优先、时间优先”原则进行撮合成交。
6
每日交易结束后，将披露活跃合约前20名结算会员的成交量和持仓量。
7
单个非套保交易账户的持仓限额为100手，
8
出现极端行情时，中金所可谨慎使用强制减仓制度控制风险。
9
自然人也可以参与套期保值。
10
规则为期权等其他创新品种预留了空间。
                                         本人公众号：小娅财经
我开通了WX公众平台【小娅财经】，免费给大家讲解市场，解读盘口，预测行情以及个股。具体的每日操作策略，我将只在VX上发布，需要的投资者可以：VX直接搜索：13211664255

权重衰减== L2正则化?
神经网络是很好的函数逼近器和特征提取器，但有时它们的权值过于专门化而导致过度拟合。这就是正则化概念出现的地方，我们将讨论这一概念，以及被错误地认为相同的两种主要权重正则化技术之间的细微差异。
1943年，沃伦·麦卡洛克(Warren McCulloch)和沃尔特·皮茨(Walter Pitts)首次提出了神经网络，但它并不受欢迎，因为它们需要大量的数据和计算能力，而这在当时是不可行的。但随着上述约束条件的可行性，以及参数初始化和更好的激活函数等其他训练进步，它们再次开始在各种竞争中占据主导地位，并在各种人类辅助技术中找到了应用。
介绍
今天，神经网络已经成为许多著名应用的主干，如自动驾驶汽车、谷歌翻译、面部识别系统等，并应用于几乎所有人类进化中使用的技术。
神经网络非常擅长于逼近线性或非线性函数，在从输入数据中提取特征时也非常出色。这种能力使他们在计算机视觉领域或语言建模的大范围任务中执行奇迹。但是我们都听过这句名言:
“能力越大，责任越大”。
这句话也适用于无所不能的神经网络。它们强大的函数逼近功能有时会导致它们对数据集过度拟合，因为它们逼近了一个函数，这个函数在它所训练的数据上表现得非常好，但在测试一个它从未见过的数据时却惨败。更有技术性的是，神经网络学习的权重更专门于给定的数据，而不能学习的特征，可以推广。
为了解决过拟合问题，我们采用了一种叫做正则化的技术来降低模型的复杂性和约束权重，从而迫使神经网络学习可归纳的特征。
正则化
正则化可以定义为我们对训练算法所做的任何改变，以减少泛化误差，而不是训练误差。有许多正则化策略。有的对模型进行了额外的约束，如对参数值进行约束;有的对目标函数进行了额外的约束，可以认为是对参数值进行了间接约束或软约束。如果我们小心地使用这些技术，就可以提高测试集的性能。
在深度学习环境中，大多数正则化技术都是基于正则化估计器的。在对估计值进行正则化的同时，我们必须进行权衡，选择偏差增大、方差减小的模型。一个有效的调节者是一个能使交易获利的人，在不过度增加偏差的同时显著地减少偏差。
在实践中使用的主要正则化技术有:
L2 RegularizationL1 RegularizationData AugmentationDropoutEarly Stopping在这篇文章中，我们主要关注L2正则化，并讨论是否可以将L2正则化和权重衰减看作是同一枚硬币的两面。
L2正则化
让我们考虑一下，交叉熵代价函数的定义如下所示。
Figure 1.Cross-Entropy loss function
为了将L2正则化应用于任何具有交叉熵损失的网络，我们将正则化项添加到代价函数中，其中的正则化项如图2所示。
Figure 2.L2 norm or Euclidean Norm
在图2λ是正则化参数,直接与正则化应用的数量成正比。如果λ= 0,然后不应用正则化,当λ= 1网络应用最大的正则化。
λ是hyper-parameter这意味着它不是训练期间学到的,而是由用户手动调整或使用一些hyperparameter调优技术如随机搜索。
现在让我们把这些放在一起，形成L2正则化的最终方程，应用于图3所示的交叉熵损失函数。
Figure 3.Final L2 Regularized Cost Function
上面的例子展示了L2正则化应用于交叉熵损失函数，但这个概念可以推广到所有可用的成本函数。图4给出了L2正则化更一般的公式，其中Co为非正则化代价函数，C为正则化代价函数，并加入正则化项。
Figure 4.General Form of L2 Regularization for any cost function
注:我们在对网络进行正则化时没有考虑网络的偏置，原因如下:
与权重相比，偏置通常需要更少的数据来精确匹配。每个权重指定了两个变量如何相互作用(w和x)，因此要很好地拟合权重，就需要在各种条件下观察两个变量，而每个偏置只控制一个变量(b)。因此，我们没有引入太多的方差，留下偏置非正则化。使偏置正则化会引入大量的欠拟合。为什么L2正则化有效?
让我们试着理解基于代价函数梯度的L2正则化的工作原理。
如果对图4i所示的方程求偏导数或梯度。C/w和C/b是关于网络中所有的权重和偏差的。
求偏导得到:
Figure 5.The gradient of the cost function with respect to weights and biases.
我们可以使用反向传播算法计算C0/w和C0/b在上述方程中提到的项。
偏差参数将不变的部分推导不应用正则化项,而重量参数将包含额外的((λ/ n) * w)正则化项。
因此，偏差和权重的学习规则为:
Figure 6.Gradient Descent Learning Rule for Bias Parameter
Figure 7.Gradient Descent Learning Rule for Weight Parameter
上面的权重方程类似于通常的梯度下降学习规则,除了现在我们首先重新调节权重w(1(η*λ)/ n)。
这一术语是L2正则化经常被称为权重衰减的原因，因为它使权重更小。因此，您可以看到为什么正则化工作，它使网络的权重更小。权值的小意味着如果我们在这里和那里改变一些随机输入，网络行为不会有太大的改变，这反过来又使正则化网络难以学习数据中的局部噪声。这迫使网络只学习那些经常在训练集中出现的特征。
简单地从成本函数优化的角度来考虑L2正则化，当我们在成本函数中加入正则化项时，实际上是增加了成本函数的成本。因此，如果权重变大，它也会使成本上升，而训练算法会通过惩罚权重来降低权重，迫使它们取更小的值，从而使网络正规化。
L2正则化和权重衰减是一样的吗?
L2正则化和权值衰减不是一回事，但可以通过基于学习率的权值衰减因子的重新参数化使SGD等效。困惑吗?让我给你详细解释一下。
权重衰变方程给出下面λ是衰减系数。
Figure 8: Weight Decay in Neural Networks
L2正则化可被证明为SGD情况下的权值衰减，证明如下:
让我们首先考虑下图9所示的L2正则化方程。我们的目标是重新参数化它，使其等价于图8中给出的权重衰减方程。
Figure 9.L2 Regularization in Neural Networks
首先，我们求出L2正则化代价函数关于参数w的偏导数(梯度)，如图10所示。
Figure 10. Partial Derivative of Loss Function C with respect to w
Note:Both the Notations in the figure means the same thing.
在得到代价函数偏导数的结果(图10)后，我们将结果代入梯度下降学习规则中，如图11所示。代入后，我们打开括号，重新排列这些项，使其等价于权重衰减方程(图8)，并有一定的假设。
Figure 11. Substituting the Gradient of Cost Function in the Gradient Descent Rule and Rearranging terms.
你可以注意到,最后重新安排L2正规化的唯一区别方程(图11)和权重(图8)是α衰变方程(学习速率)乘以λ(正则化项)。
Figure 12.Condition of Equivalence of L2 Regularization and Weight Decay
后替换λλ′,L2正规化方程reparametrized和现在相当于体重衰变方程(图8),如图13所示。
Figure 13.Reparametrized L2 Regularization equation
从上面的证明，你必须理解为什么L2正则化被认为等同于SGD情况下的权值衰减，但它不是其他优化算法的情况，如Adam, AdaGrad等是基于自适应梯度。特别地，当与自适应梯度相结合时，L2正则化导致具有较大历史参数和/或梯度振幅的权重被正则化的程度小于使用权值衰减时的情况。与SGD相比，当使用L2正则化时，这会导致adam表现不佳。另一方面，重量衰减在SGD和Adam上的表现是一样的。
一个令人震惊的结果是，具有动量的SGD优于Adam等自适应梯度方法，因为常用的深度学习库实现了L2正则化，而不是原始的权值衰减。因此，在使用L2正则化对SGD有益的任务中，Adam的结果要比使用动量的SGD差。
结论
因此，我们得出结论，尽管权重衰减和L2正则化在某些条件下可能达到等价，但仍然是略有不同的概念，应该区别对待，否则会导致无法解释的性能下降或其他实际问题。
作者：Divyanshu Mishra

反转形态的解释
出现反转形态，意味着可能出现趋势的变化，但不意味着一定会出现逆转。
第一种反转信号（单支蜡烛）
锤子线和上吊线
特征
这两种线的明显特征是：下影线较长（一般至少为实体的2倍长），商营销极短甚至没有，实体较小且接近顶端的位置。
区别
问：既然有相同的特征，那么靠什么来区分这两种线呢？

答：依靠两种“蜡烛”在趋势中的位置。
如果出现在下降趋势中，那么就是下降趋势即将结束的信号，叫做“锤子线”，意思是市场正用锤子砸向底部；如果出现在上升趋势中，叫做“上吊线”，因为它的形状像吊在绞刑架上的死人，表明之前的时常运动也许已经结束。
含义
在看涨的锤子线和看跌的上吊线的情况下，下影线越长、上影线越短、实体越小（也就是锤子线、上吊线的特征越明显），这类“蜡烛”就越有意义。
虽然锤子线、上吊线对颜色没有要求，但是如果锤子线是红色的，则其看涨的意义则更坚挺几分；如果上吊线是红色的，则其看跌的意义则更疲软一点。
解释：如果锤子线是红色的，（开盘价和收盘价都接近最高价，且收盘价更高，最低价又很低），意味着当天价格先急剧下降，后来居上并超过开盘价，（不要忘记锤子线处于下降的趋势）这本身就有点看涨的意思。
解释：如果上吊线是绿色的，（收盘价没有超过开盘价），意味着当天的收盘价格还是无力向上返回到开盘前的水平，（不要忘记上吊线处于上升的趋势）这有一点看跌的意思。
特别注意
另外，上吊线出现时，一定要等待其他看跌信号灯证实！

因为上吊线是在上升的趋势中，上吊线的出现说明上升的冲劲不那么足了，给了空头很大的机会。如果次日开盘价的向下缺口较大，那很有可能上吊线构成市场顶部。如果次日是绿色蜡烛并且次日收盘价低于上吊线的收盘价，那么也可以看做是上吊线成立的佐证。
第二种反转信号（组合蜡烛）
吞没形态（抱线形态）
前面介绍的锤子线和上吊线都是一支“蜡烛”，而吞没形态（抱线形态）是多支“蜡烛”组成的形态。
看涨吞没形态
市场本来处于下降的趋势中，但是后来出现了一根坚挺的红色实体，这根红色的实体将它前面那支绿色的实体抱在怀里了，或者说是把它吞没了。这种情形说明市场上买进的压力已经压倒了卖出压力。
看跌吞没形态
市场原本正向着更高的价位趋升，但是一个红色的实体被后面一个绿色实体吞没，构成了顶部反转的信号。


判别标准
1、在吞没形态前，市场必须处于清晰可辨的上升或者下降趋势中，哪怕这个趋势只是短期的。

2、吞没形态必须由两支“蜡烛”组成。其中第二支“蜡烛”的实体必须覆盖第一支“蜡烛”的实体（但不一定需要吞没前者的上下影线）。

3、吞没形态的第二个实体必须与第一个实体颜色相反。有一个例外情况是：第一支“蜡烛”的实体必须非常的小，小得几乎构成了一根十字线，这样，如果在长期的下降趋势后，一个小小的红色实体被一个巨大的红色实体所吞没，那么也可能构成底部反转形态；反之，在上升趋势中，一个小小的绿色实体被一个巨大的绿色实体所吞没，那么也可能构成顶部反转形态。
其他参考要素
如果吞没形态具有以下特征，那么它们构成的重要反转信号的可能性大大增强。
1、在吞没形态汇总，第一天的实体非常小，而第二天的实体非常大。

（这种情况可能说明缘由趋势的驱动力正在消退，而新趋势的潜在力量正在壮大。）
2、吞没形态出现在超长期或者非常几句的市场运动后。

（如果存在超长期的上升趋势，则增加了以下这种可能性潜在的卖家已经入市买进，持有多头。在这种情况下，市场可能缺少足够的新的多头头寸的供应，无力继续推动市场上升。如果存在非常急剧的市场运动，则市场可能已经朝一个方向走的太远，容易遭受获利平仓头寸的打击。）
3、在吞没形态中，第二个实体伴有超额的交易量。

（这种情形可能属于胀爆现象。）
4、在吞没形态中，第二天的实体向前吞没的实体不止一个。
乌云盖顶形态（乌云线形态）

条件
一般出现在上升趋势之后，在有些情况下也可能出现在水平调整区间的顶部。
形状
第一天是一根坚挺的红色实体；第二天的开市价超过了第一天的最高价（也就是说第二天实体上端超过了第一天的上影线的顶端），但是市场却收市在接近当日最低价的水平，并且收市价明显地向下扎进到第一天的红色实体内部，（最好是可以到达红色实体中点，但可以灵活掌握）。
其他参考性因素
1、在乌云盖顶形态中，第二天绿色实体向下穿进第一天的红色实体的程度越深，则该形态构成顶部反转的可能性越大。

（绿色实体越向下穿进红色实体，越靠近上文提到的吞没形态。）
2、乌云盖顶形态发生在一个超长期的上升趋势中，第一天是一根坚挺的秃头秃脚红色实体，第二天是一根长长的秃头秃脚绿色实体。
3、在乌云盖顶形态中，如果第二个实体开市价高于某个重要的阻挡水平，但是市场未能成功地坚守住，那么可能证明牛方已经无力控制市场了。
4、如果第二天开市时市场交易量非常大，那么这里就可能发生胀爆现象。
乌云盖顶与看跌吞没的区别
乌云盖顶：绿色实体仅仅覆盖了前一日红色实体的一部分。

看跌吞没：绿色实体完全覆盖了前一日的红色实体。
除此之外，乌云盖顶还额外要求，绿色实体的上端超过前一日红色上影线。
刺进形态（斩回线形态）
这是与乌云盖顶形态相反的一种形态，是底部反转信号。
条件
出现在下跌的市场中
形状
第一支“蜡烛”具有绿色实体，第二支“蜡烛”具有长长的红色实体。且第二天市场开市价曾急剧地下跌至前一个绿色蜡烛线的最低价之下，但是不久市场又将价格推升回来，形成了一根相对较长的红色实体，并且收市价已经向上超越了前一天的绿色实体的中点。


注意
理想的刺透形态中，红色实体必须向上穿透前一个绿色实体的中点以上。

（你可能注意到乌云盖顶形态没有对穿透中点做强制要求，而这里强调穿透中点则是处于谨慎性考虑。因为乌云盖顶是看涨形态，若看跌形态判断失误，后果是少赚钱；刺透形态是看跌形态，若看涨形态判断失误，后果是多赔钱。显然后者的风险只是更大的，因此需要更加谨慎。）
在看涨吞没形态以后，或者在看涨的刺透形态以后，如果跟着出现了一个长长的绿色蜡烛线，并且它的收市价低于上述两种形态的最低点，则说明下降趋势已经卷土重来。
其他参考性因素
与乌云盖顶的参考性因素大体相似，但方向相反。
待入线形态、切入线形态、插入线形态
因为在看涨形态中我们要更加谨慎，所以判断也需更加细致，将形状近似的价格形态分为三种情况：待入线形态、切入线形态、插入线形态。



这三种形态的区别在于：红色实体上端与前一日绿色实体下端的位置关系。
另一种反转形态——星线
由于篇幅所限，本部分内容再下一篇文章中介绍，欢迎到主页中查看。
参考书籍及引用来源
《日本蜡烛图技术》丁圣元译