人工智慧( AI )的崛起

最近人工智慧與機器學習新聞不斷躍上版面

「機器在未來 n 年內將取代人類 80% 工作」

「人工智慧技術大突破，未來將走入商用領域」

這股熱潮從去年 AlphaGo 戰勝南韓棋王開始

今年初 AlphaGo 更化名為大師( Master )

默默在網路上幹掉一堆高手，取得 60 連勝戰績

於是很多人在思考，機器學習( Machine Learning )

是否能夠取代人工交易？ 

 

繼續看下去...

 

(贊助商連結...)

 

 

程式交易的普及

從最早的主觀交易，到計量交易

進而透過程式語言自動下單，俗稱程式交易

然而曾幾何時，程式交易已經不再稀奇

畢竟程式交易還需要人工方式開發策略

是否機器可以自行尋找市場規則

然後就像 AlphaGo 一樣到全球各個市場廝殺？

甚至連續獲利 60 天？我想這是最近大家都想問的問題

的確，即使目前計量交易的觀念越來越普及

大家都還是在尋找交易的聖盃

想當然爾大家都沒找到，而出現 AlphaGo 後

看似粉厲害的人工智慧似乎又為芸芸眾生帶來一線曙光

 

什麼是智能交易？

其實某種程度來說

智能交易就是一種最佳化( optimization )的過程

你可能會說

『最佳化很容易阿，做計量交易本來就在做這些事』

只是，機器學習的最佳化

會比你人工寫演算法的過程更厲害

這是因為機器學習理論的背後

已經有無數個專家學者開發出好的數學模型

控制各種參數的調節與選擇

簡單的說，在有限的資訊底下，做出最好的預測

不管是分類( Classification )、分群( Clustering )

或是找出關聯性規則( Association )

機器學習演算法都可包辦。

 

 

決策樹( Decision Tree )

決策樹是一種機器學習常用的方法

屬於監督式學習( Supervised Learning )的一種

所謂的監督式學習，是我們告訴機器

怎樣的特徵要歸為那一類

例如圖片上有一堆水果讓電腦判斷是蘋果還是橘子

我們於是先告訴電腦某些特徵

例如紅色是蘋果，橘色是橘子

未來電腦就會根據顏色做出判斷

這是俗稱的分類( Classification )問題

而這樣的過程，可以用樹的概念去表示，稱為決策樹

決策樹的組成在於一連串的判斷條件

從根點開始做決策

往左走 or 往右走不斷產生分支形成樹狀結構

走到最後的葉子便是分類出來的結果

 

根據訊號來做交易策略

我們用個簡單交易策略來說明

假設想要開發一個隔日沖策略

也就是收盤前建立部位，隔日開盤出清部位

換句話說，就是預測明天開盤是漲還是跌？

傳統上我們的做法是

先決定要根據哪些條件(訊號)來做交易

 

舉例來說

也許交易邏輯是今天紅 K (收盤>開盤)我便在尾盤做多

今天黑 K (收盤<開盤)，在尾盤做空，然後隔日平倉。

於是我們開始回測

然後肯定有非常大的機會你會發現效果不好

於是再改策略，可能是紅黑 K 要大於 1%

我才要執行買賣，或著是要伴隨著放量

如量要放大到前一日的 30 %以上，我才執行交易

總而言之，有各種千變萬化的訊號可當作條件去考慮

只要我們時間夠多

我們便可一個一個發想去回測

直到研發出你認為可以上線的策略

 

 

 

 

Try & Error

可想而知，光是一個隔日沖的策略

可考慮的訊號就有成千上萬個

這等於是在茫茫大海中撈針

撈到了還要回測驗證看績效是否夠好？

然後不斷的重複這樣的過程

就像當初愛迪生發明燈泡時

用 Try & Error 方法驗證過上千種燈絲

非常的費時費工

然而，機器學習演算法或許幫我們快速完成這些事

 

以決策樹來說

我們只需把可能有用到的參考指標放進去

也就是 Training Data

舉例來說，紅 K 黑 K 便是一個

你也可以放入每日的量、每日的 20 MA

每日的 60 MA、或是每日的 MACD、KD 等技術分析指標

當然也不局限於日的周期，任何時間週期

只要是過去的資料，皆可拿來對齊欄位後給機器學看看

 

然後，一個鍵按下去(現在很多機器學習的免費套件)

透過你選用的機器學習演算法，馬上做好分類

在什麼樣的條件下，有多少可能明天會開高

有多少可能明天會開低，那些參數是無效的

那些參數使用的效果是顯著的

馬上產生決策樹的樹狀結構

換句話說，一個樹狀圖，就是一個策略！

 

系統性的交易

嚴守紀律，財富就離你不遠了！

 

如果覺得這篇文章有幫助，先按個讚哦！

 

 

本文由 幣圖誌 - 牧清華 授權轉載，

原文於此

未經授權，請勿轉載！