AI 都已經打敗棋王還能畫畫、回答問題，那能靠人工智慧預測股市嗎？｜專家論點【史塔克實驗室】
自從 2016 年，AlphaGo 打敗了無數個圍棋高手，機器學習、人工智慧的議題開始在這世界上延燒。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？
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。但哪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]
很好，那問題來了，人工智慧這麼強大，2016 年就下圍棋打趴各路好手，2021 年陸續推出許多應用，像是人工智慧繪圖的 Midjourney、DALL·E 2，可以自己生產文章也可以回答人類疑問的 ChatGPT。
人工智慧、大數據、機器學習創造出這些應用之後，我們就會進一步思考以及產生美好的想像，機器真的能夠學習東西嗎？他是萬能的嗎？那他能不能夠幫助我賺錢？人工智慧真的能預測股市嗎？
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，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 (https://sigmoidal.io/) 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https://iknowfirst.com/
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：
- 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。
- 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。
- 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。
之後會再陸續跟大家分享機器學習及投資相關的話題。 如果大家喜歡我的內容，可以用一杯咖啡的金額贊助讓我更有動力創作。
? 斗內連結：http://bit.ly/3u71zAH
? 如果想看我更多東西，可以踏入傳送門進入我的領域: https://portaly.cc/starklab2020
裡面有我的podcast節目、程式線上課程、產業分析文章、程式實作分享文章，歡迎來參觀！
Reference:
- Machine Learning For Stock Price Prediction Using Regression
(https://www.quantinsti.com/blog/machine-learning-trading-predict-stock-prices-regression/) - Can Machine Learning Techniques Be Used To Predict Stock Prices?
(https://www.researchgate.net/post/Can_Machine_Learning_Techniques_Be_Used_To_Predict_Stock_Prices) - 2017’s Deep Learning Papers on Investing
https://itnext.io/2017s-deep-learning-papers-on-investing-7489e8f59487 - Deep Learning for Event-Driven Stock Prediction
https://www.ijcai.org/Proceedings/15/Papers/329.pdf - Machine Learning for Trading – Topic Overview
https://sigmoidal.io/machine-learning-for-trading/ - 台科大教授徐演政的股票預測系統今年期貨大賺1600點
https://www.ithome.com.tw/node/13851 - 股市中的AlphaGo！國內推出第一款美股AI智慧分析師APP
https://www.ettoday.net/news/20171102/1044271.htm - Machine Learning Trading, Stock Market, and Chaos
https://iknowfirst.com/rsar-machine-learning-trading-stock-market-and-chaos
瀏覽 2,203 次
