個人十幾年前還在上班累積操作資金的時候, 有過台股市值最大公司的類data scientist
經歷, 也是Oracle ERP的data architect, 並受過SAP Data Warehousing 模組的訓練,
也就是之前上班十幾年的工作都是靠data吃飯(全職操作後更是努力地玩data, 近幾年趕
流行也嘗試過AI). 對於不懂大數據或區塊鏈的, 改天也附上我曾寫過的掃盲文
近幾年理財機器人或是人工智慧(AI), 因為AlphaGo戰勝棋王的宣傳變得很夯, 不少人以
為面對類似的市場戰局(抉擇), 人工智慧必定很有發揮的空間; 現實卻殘忍地告訴您, AI
團隊努力了幾年卻宣告失敗了, 改轉進醫療相關領域, 可參考連結報導
zhuanlan.zhihu.com/p/31913355 (也有人說是假新聞)
簡化地告訴您, 人工展現智慧前, 必須有一段機器學習的過程; 而這機器學習(ML)通常可
以這樣定義：「透過從過往的資料和經驗中學習並找到其運行規則。」然而正是這 [資料
] 和[經驗] 侷限了一切!
黑天鵝的由來大家都知道吧? 話說古時候北半球的人, 一輩子根本沒機會看過南半球的天
鵝有些是黑色的, 因此他的 [資料] 和[經驗] 就侷限在天鵝只會有白色的, 所以我們拿
來訓練機器的資料也只能會有白色的(沒發生過的資料, 人類也無能更不可能預見出來),
當這種訓練下來的人工智慧機器, 後來遇到它沒見過的狀況(黑天鵝)時, 您還會認為它會
做出有智慧的反應嗎? 哪怕它學習時用的演算法是什麼manifold regularization或是
TSVM都沒三小路用
市場因為參與者眾多, 組成分子又會汰舊換新(不管是被抬出場或真正死亡), 市場老師的
行為是一直在改變的, 對人工智慧機器來說, 就是不斷地用新出的黑天鵝(它的學習資料
庫不存在這些資料), 去挑戰它好不容易用演算法搞出來的規則, 這只會讓它不斷地傻眼
而已. 圍棋變數多但仍是有限解(雖窮舉後的資料龐大), 人類可以用有限解的部分集合
(ex: 棋譜資料)去訓練電腦, 讓它能在限定時間內算出最佳可行解; 但交易市場屬於無限
解... 很難辦!
結論回到好的操作方法絕對不是單從市場實戰經驗導出來的, 也可以看做在歷史資料(實
戰經驗)中找賺錢的行為或方法, 是有問題的. 繼續重申