本帖最後由 EntrepreneurOPs 於 2021-9-15 18:01 編輯
AI 不適用在交易的根本理由
延伸閱讀:
https://individual-trader.blogspot.com/2019/03/3-ai.htmlhttps://individual-trader.blogspot.com/2020/11/ai.html
前提聲明: 只侷限針對AI不適合應用於交易範圍, 做主觀的判斷與釐清; 但深信在很多的其他領域(ex: 商業智能business intelligence相關的多維度分析, 影像識別pattern recognition在醫療或保安的導入..等) 真的非常有用!!!
接下來會對人工智慧 AI 科普半天, 我要導引的結論就是 --> AI 不過是試圖透過資料去做最佳化(所謂的訓練)而已, 根據資料找規則就是典型的資料擬合(data fitting) !!! 既然我們已經知道開發交易策略時, 做參數最佳化有很多陷阱要注意, 最忌諱 curve / data fitting, 是一種要不得的行為, 而這本質就是做最佳化或資料擬合的所謂 AI 科技, 我們真的還要用它來開發交易策略嗎?
所謂人工智慧 AI 便是想讓機器去模擬人類的思考方式, 而人類的思考最常用到的是回歸與分類! 回歸是我們試圖找尋 X 與 Y 兩者的關係, 當我們有大量(假設是 m 個)各式的 X 值和 Y 值資料的時候(即 Xi 和 Yi 有 m 個), 透過觀察分析眾多的(X軸) Xi 資料和(Y軸) Yi 資料如下圖:
當損失函數最小時, 可以做出那條藍色預測線 Y = WX - H (其中 W 代表斜率, H 代表截距); 設每個紅點到藍色預測線的垂直距離(預測失敗的損失)是 ΔYi (實際紅點和預測藍點的差距), 則讓損失函數最小便可以看做 --> 怎樣去找到合適的 Wi 和 Hi 讓 ΔYi 的平方(因為有正負)最小, 這是邏輯上的理解, 損失函數的數學表達當然不止於此. 通常我們會使用梯度下降疊代法(Gradient Descent)去找到合適的Wi 和 Hi, Gradient Descent 的邏輯是利用測試估計值 Wn+1 和最佳值(讓損失函數最小的最佳解)的斜率關係(梯度)下降, 去次次逐漸逼近(疊代)出最佳值, 也就是當 Wn+1 約略等於 Wn 的時候, 我們想要的最佳解 Wi 就出現了
注意以上是只針對 Wi 的最佳化來解說(兩個維度比較好理解), 其實 Wi 和 Hi 是要同時進行最佳化的, 也就是線性回歸求解其實該是三個維度的! 然而我們真實世界要解決的問題很可能更複雜, 不會只是要看 X 和 Y 兩者的關係而已, 更可能想看的是多重變數的之間的關係, 也就是預測式等於 Y = W1X1 + W2X2 + ... + WnXn - H; 那就會變成超過三個維度, 是人類更難理解的多維度, 但反而更適合機器去幫我們做了, 機器找尋那些最佳解的過程被統稱為 [訓練]. 另外, 先前提過人類的思考最常用到的是回歸與分類, 分類的本質仍可視做為類似回歸, 比如上圖的線性回歸可以看成 --> 用藍色線把資料切分成兩大分類
啊! 不是啊! 你說了半天和我平常聽人家說的類神經網路 AI 差很多耶! 類神經網路 (ANNs, Artificial Neural Networks) 大多基於下圖的 M-P 模型 (McCulloch-Pitts model 代表一個神經元)去架構的
先前解釋過的多重變數回歸, 其複雜預測式 Y = W1X1 + W2X2 + ... + WnXn - H; 注意 M-P model左邊的輸入訊號部分, 不就是 W1X1 + W2X2 + ... + WnXn ? 在右邊的 ϴj (閾值) 就是預測式 Y 裡面的 H, 中間的 NETj (處理單元) 我把它看做找尋最佳解過程(訓練), 再右邊的 f (轉換函數或激活函數)最常用的是 Sigmoid, 也就是類似一種normalization(只映射至 之間). 看到了嗎? 其實和我先前講解回歸是一樣的!!! 無聊人士可以繼續抗辯, 你講的和我常看到的類神經網路圖不一樣耶 ? M-P model 只是一個神經元, 加多個神經元去多層串連在一起如下圖, 這是你習慣看的 ANNs 了吧?
EntrepreneurOPs 發表於 2021-9-15 06:34
AI 不適用在交易的根本理由
延伸閱讀:
謝謝分享。但大獎章基金絕對是個例外。
sec2100 發表於 2021-9-17 08:46
謝謝分享。但大獎章基金絕對是個例外。
哪來 [絕對] 之說 ? 西蒙斯從來沒公開過大獎章基金的方法, 是不是和AI相關外界也不清楚, 就算他自己說是AI, 更可能是個障眼法! 他還說過有些資料來自天體或宇宙的運行哩. 因此是不是個例外, 無法認定也無法否定, 除非他公布方法和細節
本帖最後由 EntrepreneurOPs 於 2021-9-28 14:25 編輯
孔子成《春秋》而亂臣賊子懼
開課或賣文老師受人質疑後, 總找一些似是而非的理由替自己合理化; 實在看不過去三觀被無故混淆, 即使最後仍是狗吠火車(沒能改變現狀什麼吧)? 想想還是該拿出道德勇氣來 [正衣冠], 我們該有孔子成《春秋》而亂臣賊子懼的氣概才是!
許多老師可能是為了招攬學生方便, 很會凸顯他的經驗老到(20年?), 按這種老師的邏輯, 像我這種全職的交易者, 豈不可以乘上3倍到60年經驗了? 殊不知沒用的方法就算搞了60年也是枉然, 否則老師在市場裡賺了20年早已盆滿缽滿, 竟然會欠收學費冒出來當大師? 另外, 教授 [操作] 的開課老師, 最常用來合理化自已的話術便是: 《一個好的教練，未必是一個好的球員》, 舊文 性質相近的事物才能被用來類比 早論證過 --> 一個好的操作教練，就該是個好的市場贏家無誤!!!
檢驗一個贏家的標準是甚麼? 獲利始終來自於 [市場], 這是最最最基本的吧? 不然這利潤部分來自於開課. 賣文.出書... 等, 必贏的人固然是這位盈利家 (盈家), 那必輸的 (交學費時) 不就是這位 [盈] 家的廣大學生了嗎? 所以你非要當學生不可的話, 應該向老師學習的是這 [必賺] 的 [教學] 系統, 而不是他想教的那 [未知] 的 [操作] 系統了! 不是嗎? 這樣說來, 那是否完全沒有贏家佛心來著, 願意分享出他的賺錢方法與心得? 機率雖低仍有可能的, 但通常是 [無償] 的, 你應該不會在他的分享園地看到任何想盈利的企圖, 因為他出發點是兼善天下, 想賺錢也只會往市場裡動腦, 不會把矛頭指向他想幫助的人(羊?); 真正善意夠大的贏家, 公開的文章與教學應該是免費的, 因為真的已經在市場上賺得夠多, 吸收場地費與行政費對他來說, 只是當善款捐出去而已!
真的這麼 [好為人師] 來賺學生錢的話, 該先想想老師這行業的祖師爺 --> 孔夫子說過的話:
君子疾夫舍曰『欲之』而必為之辭
翻譯: 君子痛恨那種不肯實話說自己想要那樣做, 而又一定要找出理由來為之辯解的作法
本帖最後由 EntrepreneurOPs 於 2021-10-8 15:13 編輯
觀念文章可自行去部落格裡找有興趣的主題, 其實交易相關的東西沒你想像地多, 都是執行力的問題而已, 但指的可不是那些需要違反人性的紀律, 煉心.. bla bla 因為長久來看, 根本都是沒用的狗屁!!! 是賺學費老師要推責任給你時的好藉口! 是你沒做到老師教給你的規則/紀律, 不是老師的方法不好ㄛ
或許去思考出如何能讓最終策略設計成具有 [不得不] 執行的效果 (故意不去執行, 心理反而會很不舒服), 可能會相對容易喔! 操作時的缺點很多時候是天性造成, 硬要去修正/改正不容易; 違反天性的事情短期或許可以勉強, 但長期你真的能做得到? 換個角度看, 自身的優點也是天性使然, 加強優點的效果比較容易事半功倍, 如果可以用大禹治水的疏導法來面對操作時的弱點, 達到優點的好處蓋過缺點的危害, 不用違反人性, 反而是順著人性, 不是相對容易得多了嗎?
EntrepreneurOPs 發表於 2021-10-8 14:47
觀念文章可自行去部落格裡找有興趣的主題, 其實交易相關的東西沒你想像地多, 都是執行力的問題而已, 但指的 ...
操作不好的人是命使然，要改變先天的命，只有一種方法，就是強迫自己去做命運不容許你做的事。例如，你的命中沒有執行力的優勢，你後天就要培養執行力的優勢，過程極為困難，但，你走在行天宮旁邊的街道，忘著江湖術士，如果能了解他們的命運，就超脫了。
本帖最後由 EntrepreneurOPs 於 2021-10-13 14:23 編輯
sec2100 發表於 2021-10-10 11:40
操作不好的人是命使然，要改變先天的命，只有一種方法，就是強迫自己去做命運不容許你做的事。例如，你的 ...
願意開始去做到連結文中兩件 [一定] 的事情, 很大機會可以像我一樣好命, 過程一點都不困難, 更無所謂超脫!
https://individual-trader.blogspot.com/2020/12/blog-post_21.html
本帖最後由 EntrepreneurOPs 於 2021-10-22 19:21 編輯
在我的非營利FB社團有成員提問如下:
https://1.bp.blogspot.com/-ZK4-_3YVcao/YXIPxedEZzI/AAAAAAABpPQ/tMx9Qca6Bsw1qo9sc1lx0Y7rdkTBL5gNACLcBGAsYHQ/w640-h358/q.png
1. 大多數的風險評估法立基於標的物的隨機走勢機率接近對數常態分配, 也就是大漲大跌的機率低, 接近中間值的小幅變動機率高; 其實這一前提假設就先錯了, 標的物(ex: 指數)隨機變動的機率分配 [要經過費雪轉換] 才會是對數常態分配, 沒轉換前根本不是. 因此很多論文, 軟體, 或是你所謂的 RoR 會有瑕疵常肇因於此
2. 相較於你提的RoR, 我們常用的評估法是VaR(Value at Risk), 期交所的保證金收取採用的也是這個方法, 是按照目前的市況(ex: 波動率..等), 去估出在某信賴水準下的每日可能的最大損失風險值, 然後更保守地向結算會員(ex: 期商)收取; 通常會應用到ARCH或GARCH模型去處理時間序列變數的波動性, SPAN（Standard Portfolio Analysis of Risk）也是VaR的一種.
目前流行的VaR風險值之方式有三種：A.變異數-共變異數法(Variance-Covariance Approach), B.歷史模擬法（Historical Simulation Approach), C.蒙地卡羅模擬法（Monte Carlo Simulation Approach）
3. A法不適合處理非線性資產, B法風險估計值的偏離和資料區間長短太相關, C法電腦軟硬體需求高到一般人準備不了(通常是大學裡的實驗室才有)
綜合以上都各有缺點, 我的實務操作很個人化地只採用 -> 能否接受各種情境模擬下的損益圖結果而已, 沒有開發特別的程式去評估, 太複雜又不切實際(我最喜歡蒙地卡羅模擬法)
另外"我也不喜歡做白工卻常常放棄幾倍收益"方面, 講的是為了保有手上既有的利潤, 過分主動提前去侷限風險(當然也侷限了獲利)而造成收益大減, 和是否有買賣信號無關
本帖最後由 EntrepreneurOPs 於 2021-10-30 05:17 編輯
期交所的夜盤歷史快滿4.5年了, 相信有交易的人也有了不少體悟
曾經在期交所夜盤正式開始前幾日, 寫過 5/15之後延長交易的應對之策, 經過數不清多少次夜盤錯誤動作的驗證之下, 完全符合記得有份報告說的: 單位時間下, 重評價次數愈多的商品, 愈難獲利!現在我更覺得 --- 除了盡量不參與夜盤外, 在VIX變大的時候, 也要同時拉大訊號的觸發區間, 以免市場的改變, 讓原有的條件生出過多的誤動作, 徒增無意義的調整!!!
P.S. 所說的不是過度交易或是調單ㄛ! 大家常講的陳腔濫調我反而少說! 就像我講的技術分析也和多數人不一樣! 這裡指的是商品報價! 分分秒秒的報價即每次競價的成交結果, 乃此商品最新的客觀重評價是也!!! 重評價次數最低的可能是房地產吧? 多數人因此獲利得莫名其妙, 自以為是房神了, 殊不知是重評價次數低(被迫做到持長)去幫助了他啊! 股票比期權相對容易獲利也是類似道理. 以被迫做到持長這觀點來看, 似乎又和過度交易產生關連了! 哈哈
EntrepreneurOPs 發表於 2021-10-30 05:15
期交所的夜盤歷史快滿4.5年了, 相信有交易的人也有了不少體悟
曾經在期交所夜盤正式開始前幾日, 寫過 5/15 ...
非常有道理。我績效最好的時候是在2003-2007年，當時沒有夜盤，沒有周選，全世界只有我在玩選擇權(自營家不愛用「玩」這個字)，且無需調整，心中有佛。當時中山北路二段還有開一家洋蔥牛排，那牛排吃起來格外香甜。
2008就不一樣了。