在继续讨论应用人工智能机器学习做金融交易的的未来之前 请大家了解几件事
1.金融市场交易的策略有圣杯吗?? 答案是没有
因为金融市场的系统特性刚好跟线性非时变相反
简单的说就是分析完所有现在与历史资料 不保证未来一定获利
所以AI再强也不是无敌
2.普通散户或大学生研究生都能像Google一样做出超强的AI吗?
答案是几乎不可能
因为普通人根本没钱买那些电脑，就算电脑免费普通人也付不起电费
AlphaGo用的电脑很贵，耗电量也很贵(都是对普通上班族来说)
就算Google设备免费让你用算法也给你，你能自己写出AlphaGo的程式吗?
希望大家能了解的是，做AlphaGo 不是出一张嘴 门槛很高的
超强的AI基本上是大公司才有机会研发
降到普通人的标准
对散户来说学原po，测试python的机器学习套件就很难了
或者你有已经对台大林轩田老师的机器学习课程内容有初步了解了吗?
你已经弄到资料去实作机器学习得到一个所谓AI可以自动化交易了吗?
这样的要求只是很基础的门槛，就我所知绝大多数人都无法达成
3.AI可以完全替代人脑吗?? 目前应该还不可以
市面上看到的所有AI 都是弱人工智能 真正可以取代人是强人工智能
所以人类的交易高手短期内仍然不用担心被AI干掉
交易用AI目前的主要优势仍然在于24小时交易 策略多标的多也可执行
====学术讨论分割线=============================================
※ 引述《kuarcis ()》之铭言：
: 前阵子研究了几个python下的深度学习套件 跟大家分享一下心得
: 一方面让大家不要自己吓自己 人类还是有饭吃的
: 另一方面让大家知道未来的对手有怎样的能耐 所谓知己知彼
: 现在的AI到底可做到哪些事呢
: 过去的程式交易 或是可能很多人以为现在的AI交易
: 有很大一部分是用这样的流程在进行的
: 人类先想了一套交易策略:看见ABC指标出现 就可以买进/卖出
: ->把这个交易策略写成会完美遵守的程式
: ->程式根据未来市场中是否出现ABC指标 判断是否进行交易
这个可以看成 专家系统时代的人工智能
要由人类把所为知识变成电脑能懂的特征值
就像均线黄金交叉与死亡交叉 突破前N日高
人类再以此基础去做最佳化 M日慢线 N日快线
例:找出 (20日线 5日线) (120日线 40日线) 最大获利最低风险
: 现在的AI交易的流程其实只剩这样
: 人类把所有可能收集到 跟交易决策有关的资料喂给AI
: ->AI吃一吃之后吐出来决策 今天该买/该卖/该按兵不动
以AlphaGo的深度学习为例 可以自动找特征值 再自动最佳化
: 前面有人提到 AI其实是某种形式上的寻找最佳解 这件事情没错
: 不过 AI可以搜寻的最佳解范围 远比人类来的广 这是AI的第一个优点
: 这也是ALPHAGO会被棋手说不按理出牌的原因
本质上就是最佳化没错 只是AI的 特征值种类与参数组合可以很多
所以完全超出人类的想像
: AI的第二个优点是 只要给的资料 与市场足够相关
: 那的确有可能AI可以完全制霸市场 轻松当上抄底王 空军总司令
: 不存在资料类型(EX 政治事件 突发事件 等等)的限制
: 只要这些资料有办法转成特征码 AI就可以做分析
这也是技术瓶颈 弄的到完整筹码资料的人有几个(这是结构化资料)
而且还有非结构化资料 例:散户的心理状态
: AI第三个优点是 AI检讨自己的交易规则的速度非常快
: 人类可能要两三个月才发现自己的交易规则在市场上渐渐无效了
: 用AI产生决策的话 AI可能一周内就可以发现 然后靠训练改进
这个还好 就市场的时变特性追踪 时频分析已经很久了
: AI的第四个优点是 AI非常客观 不存在人为判读数据的误差
最原始的程式交易就是主打这个优点 交易时不受情绪影响
: 当然 现在的AI也有缺点
: 第一个缺点是 AI吃进去的资料 还是人类给的
: 实际上 只要有人类参与的部分 就是AI的弱点
: 这些资料可能出现时间误差 与市场相关度太低 造成训练上的噪声
: 降低训练效率跟准度
: (EX 把降雨机率也放进每日市况资料里 给AI作分析)
: (说不定有奇效....我晚点来试试看....)
57金钱爆有提过 台湾的酸雨指标对台股的影响 你可以试试
这是老问题 垃圾进垃圾出 要想办法判断是不是垃圾资料
: 第二个缺点是
: 训练出来的AI到底会不会产生有效率的决策
: 是没办法单纯的透过"YES"或"NO"做判断
: 需要作一些训练过程的数据分析
: 试想一下 若是今天有一台机器 每天会吐出来一张纸条
: 告诉你今天该用多少价位买进/卖出台积电
: 若是你真的要用这张纸条作交易 你会不会想要知道更多决策的依据
: 结果你一打开机器看 机器里面的电路 可能比蜘蛛网还乱
: 你愿意用多少资金跟着纸条作交易
: 实际上的状况是 AI训练过程产生的训练资讯
: 需要一些数学知识作分析 而分析结果也只是告诉你
: "这个AI可以充分利用数据做决策""这个AI无法充分利用数据做决策"
: 这种状况下 有多少人有信心把钱给AI操盘呢 0.0
黑盒子问题 不像学术研究 有文献探勘 假设 实验 结果讨论 结论
这个还好 可以透过资金管理分散下注解决
其实 我们该确定的是策略能不能赚钱而不是策略为什么赚钱
有多少人是真正了解 AlphaGo为什么下的赢人类?? 其实那不重要
我们只需要知道 AlphaGo真的赢了
: 第三个缺点是
: 没有人知道该多久让AI接收新的资讯重新训练
: 这件事情太常做 很浪费计算资源
: (一个AI可能需要训练长达一周才能上阵)
: 太少做 就可能会跟人类一样 抱着古代的资讯 拿明朝的剑斩清朝的官
一样是系统时变特性问题
: 第四个缺点是
: 市场的资料量有限 所以AI永远存在着
: "可能过度贴合某个资料状况"的风险
: 这件事无法避免 就跟人类一样
这也是老问题 就过度最佳化
: 我自己的想法是 人类的存在还是有必要的
: 只是人类的脚色可能会渐渐地变成资料分析的性质
: 投资决策会越来越与人类无关
在盘中的决策就确实与人类无关 我真的来不及分析那些资料
但在盘后检讨时 我觉得还是有关啦 毕竟程式终究是人写的
我必须知道 自己是用什么方式判断多空 目前不相信黑盒子
有结果我会去检验 测试
: 所有人类可以收集到的资料 AI也可以收集到
: AI观察得出来的资料关联 人类不见的看的出来
: 人类最大的功能会剩下"喂给AI有意义的资料"
未来有可能 Google就有在发展自己产生AI的AI 但不是现在
: 还有 线性代数真的很重要 假如你还是大学生 麻烦好好学一学
: 统治AI需要靠线性代数 0.0
线性代数 讯号与系统 高等讯号处理 机器学习 随机程序 机率统计
另外 领域知识也很重要
围棋AI 你要懂围棋
交易AI 你要懂交易
法律AI 你要懂法律
.
.
.
关于连续性与离散性决策
通常的技术指标回测都是 单口进出 属于离散性
搭配资金管理的回测是 最大100口 最小1口
如何逐渐加码到100口 或是 逐渐从100口减码到0
这样的议题就属于连续性吧