个人十几年前还在上班累积操作资金的时候, 有过台股市值最大公司的类data scientist
经历, 也是Oracle ERP的data architect, 并受过SAP Data Warehousing 模组的训练,
也就是之前上班十几年的工作都是靠data吃饭(全职操作后更是努力地玩data, 近几年赶
流行也尝试过AI). 对于不懂大数据或区块链的, 改天也附上我曾写过的扫盲文
近几年理财机器人或是人工智能(AI), 因为AlphaGo战胜棋王的宣传变得很夯, 不少人以
为面对类似的市场战局(抉择), 人工智能必定很有发挥的空间; 现实却残忍地告诉您, AI
团队努力了几年却宣告失败了, 改转进医疗相关领域, 可参考连结报导
zhuanlan.zhihu.com/p/31913355 (也有人说是假新闻)
简化地告诉您, 人工展现智慧前, 必须有一段机器学习的过程; 而这机器学习(ML)通常可
以这样定义：“透过从过往的资料和经验中学习并找到其运行规则。”然而正是这 [资料
] 和[经验] 侷限了一切!
黑天鹅的由来大家都知道吧? 话说古时候北半球的人, 一辈子根本没机会看过南半球的天
鹅有些是黑色的, 因此他的 [资料] 和[经验] 就侷限在天鹅只会有白色的, 所以我们拿
来训练机器的资料也只能会有白色的(没发生过的资料, 人类也无能更不可能预见出来),
当这种训练下来的人工智能机器, 后来遇到它没见过的状况(黑天鹅)时, 您还会认为它会
做出有智慧的反应吗? 哪怕它学习时用的算法是什么manifold regularization或是
TSVM都没三小路用
市场因为参与者众多, 组成分子又会汰旧换新(不管是被抬出场或真正死亡), 市场老师的
行为是一直在改变的, 对人工智能机器来说, 就是不断地用新出的黑天鹅(它的学习资料
库不存在这些资料), 去挑战它好不容易用算法搞出来的规则, 这只会让它不断地傻眼
而已. 围棋变量多但仍是有限解(虽穷举后的资料庞大), 人类可以用有限解的部分集合
(ex: 棋谱资料)去训练电脑, 让它能在限定时间内算出最佳可行解; 但交易市场属于无限
解... 很难办!
结论回到好的操作方法绝对不是单从市场实战经验导出来的, 也可以看做在历史资料(实
战经验)中找赚钱的行为或方法, 是有问题的. 继续重申