特征因子、能量因子、速率因子、时间、成交量之间的关系是非线性的，存在于全维空间之中。特征因子与时间、成交量之间分别存在一定的关系。能量因子也与时间、成交量之间存在一定的关系。而特征因子与能量因子之间又存在一定的关系。速率因子又与能量因子、特征因子存在一定的关系。这些关系构成了一个全维的空间。如果把它想像成一幅图，每两种变量下定义一条线，通过画出一整组的此种曲线，可以抓住所有初始值之下系统所有可能的行为。这组曲线类似于围绕平面盘旋的一种虚拟数学流体的流线。这个平面为系统的全维空间。全维空间绝不是一维或二维的，是三维以上的空间。
      整个非线性系统由大量子系统组成的，但是由于子系统之间的非线性相互作用，系统不再满足叠加原理，系统整体表现出来的现象也不再是个体行为的简单叠加，而是一种个体表现不出来的行为。从子系统层次到系统层次，不仅有量的积累，更主要的是发生了质的飞跃。
      价格的运动是更高层次的秩序，特征因子、能量因子、速率因子的变化不是能用肉眼观察进行判断的，一定要进行量化，用离散统计、数学建模的方法把握它们之间的变化。
      交易时，投资者面对的是价格运动的不确定性，各种不确定性状态出现的可能性不可测。因此，投资者需要综合考虑各种影响因素下所有可能出现的状况，这些状况就是多空双方在各种因子在不同的时间、能量条件下各种可能出现的状态下的可能作出的投资决策。
      投资不是单目标下的决策，而是多目标下的决策，它包括交易品种的选择，投资组合的建立，组合的资金分配，单品种的资金分配，止盈、止损等等。多目标决策问题是运筹学、系统工程、决策科学等交叉学科的活跃研究领域。对积理论运用多层次分析法建立了交易中的“多目标决策分析”体系。
      首先，将决策目标按层次进行分解。例如，我们将交易决策分为：准则1，投资组合；准则2，风险控制；准则3，各品种的入场时机；准则4，各品种的资金分配……一直到准则n，涵盖整个交易决策的所有方面。准则1又可分为：子准则1，组合数量；子准则2，组合的品种；子准则3，组合的资金分配……一直到子准则n，涵盖整个投资组合的所有方面。然后分别对单个子准则下特征因子、能量因子、速率因子进行抽样统计，得到各因子在不同的时间、能量序列下的状态集。以一定的规则分析各状态集下多空双方的资金分配策略，建立多个多空博弈决策矩阵。对矩阵进行线形规划，得到最优混合解。二次规划（多空对积）得到决策方案。分析完子准则下的决策方案后，以同样的方法分析准则下的决策方案。将非线性规划化解为无数个线形规划，最后得到最逼近决策目标的最优决策方案。
以两个例子说明这个过程。
       例一，单品种的资金分配说明子准则下的最优方案推导。
      1.用层次分析法进行目标分层。
       图二

      2.在交易对策问题中，只有多空双方参加竞争，并且各自的策略集合都是有限的，一方所得恰好是另一方所失。
      下面我们建立多空下三个元素——特征因子、能量因子、速率因子之间的多空对策博弈矩阵，分别分析不同特征因子、能量因子、加速度下的多空决策对弈情况，取得一个混和最优解。
设：特征因子的状态集为A={a1，a2，……，an}；
能量因子的状态集为B={b1，b2，……，bn}；
速率因子的状态集为C={c1，c2，……，cn}。
（注：特征因子、能量因子、速率因子分别为抽样统计的数据）
当特征因子为a1（资金分配系数）时：
多方相应的资金分配决策集合为D=（d1，d2，……，dm）
空方相应的资金分配决策集合为S=（s1，s2，……，sn）
则纯局势的集合为F={di，sj}  （i=1，…，m；j=1，…，n）
支付函数为dij=f（di，sj）
表一  特征因子为a1的情况下，多空对策博弈表
（举例说明，不代表真实计算）

则支付矩阵为：

      能量因子和速率因子可照此方法类推。
在矩阵对策中，支付矩阵列出了各种可能局势的支付情况，现在在每一个价格节点上进行对冲，此时确定的策略称为最优混合策略。用线性规划方法求解。
一般若D=（d1，d2，……，dm），S=（s1，s2，……，sn），支付矩阵F=(dij)mxn已知，那么对策G={D，S，F}的线性规划问题为：

       得到混合最优解X=（x1，…，xm），Y=（y1，…，yn）
       3.确定各决策元素对总目标的贡献。
       各决策元素相对于总目标的重要性信息可以用权重来表示，由于多目标决策问题是不确定性信息的，因此需要确定权重向量，我们可以采用特征根法。
设W=（w1，…，wn）T 是由n阶判断矩阵得到的权重向量。当A为一致性矩阵

[1] [2] 下一页