2020-10-10|閱讀時間 ‧ 約 8 分鐘

A.i人工智慧真的能預測股市嗎 1

A.i人工智慧真的能預測股市嗎 ? 我們不免俗再提到機器學習，前幾年機器學習,人工智慧這些名詞非常的夯，引領風潮，全世界都在瘋狂，因為AlphaGo 打敗了無數個圍棋高手，開始炒熱機器學習。有人也許好奇，AlphaGo的技術不就是人工神經網路嗎，他的概念由來已久，至少不是現在才橫空出世的新技術，那麼為何深度學習為何遲至今日還未發光發熱呢？我們在之前EP1 還有EP4 都講個類似的問題了。不知道的人可以去轉Podcast來聽聽。也可以翻翻我們前面的文章看看。

原因很簡單，數據資料收集的普及化（大數據）以及硬體的成長（GPU的開發）。要做好深度學習，就得訓練網路、調整網路，以影像辨識為例，過程中便可能需要輸入成千上萬，甚至數以百萬、千萬或上傳張圖像，不斷優化調整神經元的輸入權重，提高辨析圖像的精準度。但那怕是最簡單基本的神經網路，亦需採用大量運算資源，過往如果以CPU加上顯卡來推動此事，顯然力有未逮，當然顯現不出好成果，直至近年來GPU平行運算技術益發成熟精進，才使這項技術有爆發性的成長。[1]

其實人類想用數學,統計的概念來預測股市的運作早就不是新聞。我們在網站上也有放最基礎的統計模型，就是用單純的回歸來湊回歸曲線(淺談用線性迴歸預測股票價格)，

簡單來說呢，回歸是一種統計學上分析數據的方法，其目的在於找出一個最能夠代表觀測資料關係的函數，它所得出的結論是連續的。我們先不要拿股市資訊來舉例子，假如我們想找出年齡對應薪資的關係，在只有兩個變數的平面上，也就是二維空間，一個方向是年齡，另一邊是薪資。那資料取出來就會在這個二維空間上呈現許多點出來，那使用上述之統計方法就可以找出一條能夠代表資料的線，我們稱之為簡單線性回歸(Simple Linear Regression)。因為這個例子我們可能會直覺性認為年齡越大，薪資越多的機率很高，因此是正相關，斜率為正數的直線。如果今天的例子是股市預測那就不會是『線性』回歸，而是非線性回歸了，有興趣的朋友可以去翻翻書。

那關於機器學習可以用在預測股市上嗎?

國內外也挺多研究人員擁有此疑問[2],滿多學者用工程還有投資角度來回答這個問題。從工程師的角度，太多工程師不瞭解市場真實狀況，這將大大降低模型的真實性。從投資面的角度，因為不可預期的事件太多，這些事件都將增加模型預測不準確的風險。

就算如此，機器學習在金融股市預測的論文也絡繹不決，其中滿多篇論文提到[3][4]，機器學習中使用的指標(準確率)，其實並不足以直接拿來應用，就算工程師給你一個準確率自稱高達八成的模型，在股市這種高度變化的環境下，雖然可以給投資者一個判斷的參考，但終究並不是直接幫我們做決定的工具。

雖然這種技術在應用上風險很多，但我在找資料的時候也發現國內外越來越多公司,團體在使用這種技術創業。

Sigmoidal是英屬印度洋領土的一家機器學習的公司發表了一些經驗分享[5]，文章中裡面在分享機器學習的預測結果時，通常使用投資回報率，而不是預測的正確率，印證了我們上述在判斷機器學習模型時，不可以使用工程界的標準依據，應該要來看投資標準，像是投資報酬率,最大跌幅,夏普比率等等指標..

台科大教授徐演政在演講時發表其觀點[6]。融合多方面角度分析，這套系統是從資訊系統角度來分析股票市場，有別於傳統經濟角度的分析方式，以資金面、技術面、籌碼面、基本面等4大面為基本架構，利用AI技術來分析與挖掘（Data Mining）股票市場的內涵。

台灣倚天也有類似應用的產品[7]，其分析美股的資料，轉而給予投資者策略建議，從文章中發現他們會分析多因素風險模型（MFR），推測此公司、app也是會使用多種特徵進去，分析以及推薦其投資策略。

美商（i know first）的模型，放了15年的資料，進而得到一些signal，進而分析股市資訊。他們認為如何應用資訊不對等，就是精神所在，稍微懂一點點股市的人們會多看金融新聞或者看股市線圖，轉成機器學習之後，想當然爾就是把這些資訊丟進模型中學習，但是這麼簡單的話，大家都年賺千萬了，預測正確性常常令人認為不法使用，因此有些派系認為股市是隨機市場，無法預測，但是有另一派認為，股市是Chaos混亂市場，影響的因子極多，多到讓人以為是隨機[8]。

到這邊可以先得到二個論點

1. 想要正確預測股市，需要龐大的資料量，不太可能只單靠某些單純的資訊就準確預測，需要的指標範疇相當廣泛，思考的越多，教給機器越多，越有機會成功。

2. 模型判斷指標，不能看傳統的工程指標(準確率)，要去投資指標。

3. 以目前已知的知識及技術，金融科技終究只是輔助，風險還是存在，跑出來的數據還是只能參考，最後還需由人類判斷其結果。

Reference: