在繼續討論應用人工智慧機器學習做金融交易的的未來之前 請大家了解幾件事
1.金融市場交易的策略有聖杯嗎?? 答案是沒有
因為金融市場的系統特性剛好跟線性非時變相反
簡單的說就是分析完所有現在與歷史資料 不保證未來一定獲利
所以AI再強也不是無敵
2.普通散戶或大學生研究生都能像Google一樣做出超強的AI嗎?
答案是幾乎不可能
因為普通人根本沒錢買那些電腦，就算電腦免費普通人也付不起電費
AlphaGo用的電腦很貴，耗電量也很貴(都是對普通上班族來說)
就算Google設備免費讓你用演算法也給你，你能自己寫出AlphaGo的程式嗎?
希望大家能了解的是，做AlphaGo 不是出一張嘴 門檻很高的
超強的AI基本上是大公司才有機會研發
降到普通人的標準
對散戶來說學原po，測試python的機器學習套件就很難了
或者你有已經對台大林軒田老師的機器學習課程內容有初步了解了嗎?
你已經弄到資料去實作機器學習得到一個所謂AI可以自動化交易了嗎?
這樣的要求只是很基礎的門檻，就我所知絕大多數人都無法達成
3.AI可以完全替代人腦嗎?? 目前應該還不可以
市面上看到的所有AI 都是弱人工智慧 真正可以取代人是強人工智慧
所以人類的交易高手短期內仍然不用擔心被AI幹掉
交易用AI目前的主要優勢仍然在於24小時交易 策略多標的多也可執行
====學術討論分割線=============================================
※ 引述《kuarcis ()》之銘言：
: 前陣子研究了幾個python下的深度學習套件 跟大家分享一下心得
: 一方面讓大家不要自己嚇自己 人類還是有飯吃的
: 另一方面讓大家知道未來的對手有怎樣的能耐 所謂知己知彼
: 現在的AI到底可做到哪些事呢
: 過去的程式交易 或是可能很多人以為現在的AI交易
: 有很大一部分是用這樣的流程在進行的
: 人類先想了一套交易策略:看見ABC指標出現 就可以買進/賣出
: ->把這個交易策略寫成會完美遵守的程式
: ->程式根據未來市場中是否出現ABC指標 判斷是否進行交易
這個可以看成 專家系統時代的人工智慧
要由人類把所為知識變成電腦能懂的特徵值
就像均線黃金交叉與死亡交叉 突破前N日高
人類再以此基礎去做最佳化 M日慢線 N日快線
例:找出 (20日線 5日線) (120日線 40日線) 最大獲利最低風險
: 現在的AI交易的流程其實只剩這樣
: 人類把所有可能收集到 跟交易決策有關的資料餵給AI
: ->AI吃一吃之後吐出來決策 今天該買/該賣/該按兵不動
以AlphaGo的深度學習為例 可以自動找特徵值 再自動最佳化
: 前面有人提到 AI其實是某種形式上的尋找最佳解 這件事情沒錯
: 不過 AI可以搜尋的最佳解範圍 遠比人類來的廣 這是AI的第一個優點
: 這也是ALPHAGO會被棋手說不按理出牌的原因
本質上就是最佳化沒錯 只是AI的 特徵值種類與參數組合可以很多
所以完全超出人類的想像
: AI的第二個優點是 只要給的資料 與市場足夠相關
: 那的確有可能AI可以完全制霸市場 輕鬆當上抄底王 空軍總司令
: 不存在資料類型(EX 政治事件 突發事件 等等)的限制
: 只要這些資料有辦法轉成特徵碼 AI就可以做分析
這也是技術瓶頸 弄的到完整籌碼資料的人有幾個(這是結構化資料)
而且還有非結構化資料 例:散戶的心理狀態
: AI第三個優點是 AI檢討自己的交易規則的速度非常快
: 人類可能要兩三個月才發現自己的交易規則在市場上漸漸無效了
: 用AI產生決策的話 AI可能一周內就可以發現 然後靠訓練改進
這個還好 就市場的時變特性追蹤 時頻分析已經很久了
: AI的第四個優點是 AI非常客觀 不存在人為判讀數據的誤差
最原始的程式交易就是主打這個優點 交易時不受情緒影響
: 當然 現在的AI也有缺點
: 第一個缺點是 AI吃進去的資料 還是人類給的
: 實際上 只要有人類參與的部分 就是AI的弱點
: 這些資料可能出現時間誤差 與市場相關度太低 造成訓練上的雜訊
: 降低訓練效率跟準度
: (EX 把降雨機率也放進每日市況資料裡 給AI作分析)
: (說不定有奇效....我晚點來試試看....)
57金錢爆有提過 台灣的酸雨指標對台股的影響 你可以試試
這是老問題 垃圾進垃圾出 要想辦法判斷是不是垃圾資料
: 第二個缺點是
: 訓練出來的AI到底會不會產生有效率的決策
: 是沒辦法單純的透過"YES"或"NO"做判斷
: 需要作一些訓練過程的數據分析
: 試想一下 若是今天有一台機器 每天會吐出來一張紙條
: 告訴你今天該用多少價位買進/賣出台積電
: 若是你真的要用這張紙條作交易 你會不會想要知道更多決策的依據
: 結果你一打開機器看 機器裡面的電路 可能比蜘蛛網還亂
: 你願意用多少資金跟著紙條作交易
: 實際上的狀況是 AI訓練過程產生的訓練資訊
: 需要一些數學知識作分析 而分析結果也只是告訴你
: "這個AI可以充分利用數據做決策""這個AI無法充分利用數據做決策"
: 這種狀況下 有多少人有信心把錢給AI操盤呢 0.0
黑盒子問題 不像學術研究 有文獻探勘 假設 實驗 結果討論 結論
這個還好 可以透過資金管理分散下注解決
其實 我們該確定的是策略能不能賺錢而不是策略為甚麼賺錢
有多少人是真正了解 AlphaGo為甚麼下的贏人類?? 其實那不重要
我們只需要知道 AlphaGo真的贏了
: 第三個缺點是
: 沒有人知道該多久讓AI接收新的資訊重新訓練
: 這件事情太常做 很浪費計算資源
: (一個AI可能需要訓練長達一周才能上陣)
: 太少做 就可能會跟人類一樣 抱著古代的資訊 拿明朝的劍斬清朝的官
一樣是系統時變特性問題
: 第四個缺點是
: 市場的資料量有限 所以AI永遠存在著
: "可能過度貼合某個資料狀況"的風險
: 這件事無法避免 就跟人類一樣
這也是老問題 就過度最佳化
: 我自己的想法是 人類的存在還是有必要的
: 只是人類的腳色可能會漸漸地變成資料分析的性質
: 投資決策會越來越與人類無關
在盤中的決策就確實與人類無關 我真的來不及分析那些資料
但在盤後檢討時 我覺得還是有關啦 畢竟程式終究是人寫的
我必須知道 自己是用甚麼方式判斷多空 目前不相信黑盒子
有結果我會去檢驗 測試
: 所有人類可以收集到的資料 AI也可以收集到
: AI觀察得出來的資料關聯 人類不見的看的出來
: 人類最大的功能會剩下"餵給AI有意義的資料"
未來有可能 Google就有在發展自己產生AI的AI 但不是現在
: 還有 線性代數真的很重要 假如你還是大學生 麻煩好好學一學
: 統治AI需要靠線性代數 0.0
線性代數 訊號與系統 高等訊號處理 機器學習 隨機程序 機率統計
另外 領域知識也很重要
圍棋AI 你要懂圍棋
交易AI 你要懂交易
法律AI 你要懂法律
.
.
.
關於連續性與離散性決策
通常的技術指標回測都是 單口進出 屬於離散性
搭配資金管理的回測是 最大100口 最小1口
如何逐漸加碼到100口 或是 逐漸從100口減碼到0
這樣的議題就屬於連續性吧