|
人工智能与机器学习并不是一个新鲜的东西，早在数十年前随着计算器问世，人们对于机器是否能够模拟人类一样思考解决各种问题便有诸多研究，如发展已久的类神经网络到现在更进化的深度学习等等，已在不同领域都有各种深入的讨论与应用。相关研究发展虽然已经有数十年历史，但拜近几年信息相关硬件进步与网络之蓬勃发展之赐，相关领域最重要的一块拼图＂大数据＂才终于能够更有效地与人工智能（算法）做结合，达到前所未有的成就。有人说＂为期之道＂（操作期货）如同＂围棋之道＂，做交易的人看围棋十诀，多半会心有戚戚焉，深感下围棋与做交易的相似性竟如此之高，如果人工智能已经在围棋上战胜人类，或许在交易上也将掀起另一波狂潮。
如同人工智能与机器学习的发展一样，量化交易其实也不是一个新鲜事，同样拜信息硬件成本下降与网络普及所赐，量化交易已经从法人的专利，发展到现在一个大学生在家里也能够利用自己的计算机透过自行研发的模型做出各种自动化买卖的行为。然而也可能因为工具的制约，多数人虽然已经在运作所谓的＂量化交易＂，但在思考架构上却仍旧停留在石器时代一般，跟着工具所提供的简单流程（回测／优化…等等）发展模型，距离所谓的人工智能与算法交易仍有一些差距。 通常一个传统的技术分析与量化交易框架大致上都有两个分层：资金管理层与（商品+策略）层 在这样的框架里，策略研发者透过研究与观察，以自身经验搭配技术分析／商品特性（历史数据）为主轴，希冀藉由程序交易运算平台所提供的回测与优化工具找到最稳健的策略与参数。这样的策略设计理念多半来自于一个信念 – ＂历史总是重复发生＂，并透过各种资金管理或投资组合理论来控制整体风险。一般而言，如此的架构设计，主要是将我们自身的直觉与经验作法由手动的步骤透过计算器所提供的工具转化成量化与自动化的步骤。而我们今天要讨论的机器学习架构其实只是人工智能里的一个分支，经过数十年的开枝散叶及分门别派，机器学习目前在各领域都有很深的讨论与应用。不过万变不离其宗，机器学习最大的宗旨就是让机器学会人类思考的方式与识别事物的方法，甚至是透过优良的逻辑思维比人类更快找到人类尚未发现的知识（深度学习），不过碍于篇幅，这篇文章也仅能点到机器学习里不及百分之一的内容。
如上所述，机器学习的流派很多，这里我们只先简单地讨论一个机器学习里的简单架构，以方便我们把量化交易与机器学习做接轨，但这不是唯一的作法，这里只是抛砖引玉率先提供一个精简的架构。
Learning = Representation + Evaluation + Optimization
在《学了统计、算法，如何正确应用机器学习？》这篇文章里，我们可以看到一个很清楚的分类，在此节录其中一段话：＂李航老师在 《统计机器学习》 中指出：机器学习 = 模型 + 策略 + 算法。其实机器学习可以表示为：Learning = Representation + Evaluation + Optimization。我们就可以将这样的表示和李航老师的说法对应起来。机器学习主要是由三部分组成，即：表示（模型）、评价（策略）和优化（算法）。＂，更详细的内容请各位自行上网搜寻。 1. Representation : 表示、数据采集、模型建立、策略网络 这一层主要的工作在大数据的收集，模型的建立（特征工程），角色相对于传统量化交易分层中的＂策略＂，但在这里使用＂策略＂并不算是一个好的说法，一个完整的策略其实包含：买卖讯号、停利、停损…等等的＂动作＂。在机器学习中，这一层的角色比较偏向中性，因此用＂感知器、温度计、状态＂来描述他可能比使用策略这个名词更加贴近。原则上这一层（大数据）越大越好，规模决定了整体的强度。 2. Evaluation：评价函数、价值网络 这一层主要的工作在于透过评价函数针对第一层已建立好的模型进行＂评价、评分、判断优劣＂，原则上这一层的特性也是偏向中性，透过这一层我们可以为整个大数据与模型建立可以互相比较或应用的标准。 3. Optimization：优化、AI 算法（人工智能的核心） 第一层与第二层所输出的信息将会透过这一层来做处理与应用，这一层所说的＂优化＂与传统量化交易中策略层指的优化或优化不一定是同一件事情，这一层主要的概念是一种＂算法＂，也就是我们该如何来＂解决问题＂的方法，我们会在这一层透过各种设计来更贴近我们想解决的问题。
透过这样的分层，我们就可以让计算器模拟人类思考，进行我们所想要解决的问题。甚至改良传统的量化交易。例如下面的例子，传统量化交易的模型设计步骤： 1. 建立均线买卖模型，MA(X)，如果收盘价站上 MA(X) 则买进，反之则卖出。 2. 透过优化（由程序交易平台提供），令 X=1~100，评价指标 Net Profit，寻找近 N 年最佳参数，例如 X=10。 3. 然后将 MA(10) 模型挂入资金管理算法（一般只有亏损 XX% 之后下架）
如 何 将 这 样 的 架 构 修 改 成 机 器 学 习呢？
应用 1： 让模型拥有自动调整参数的功能（高相关性模型） 1. 建立模型 MA(1) ~ MA(100) 2. 建立评价函数 Net Profit（或其他如 Profit Factor、Draw Down、Sharpe Ratio、SQN…等） 3. 建立 AI 算法：根据评价结果，排序第一名者可分配到资金，每次交易后均重新评价。当市场特性或活性持续转变，机器学习系统可自动根据评价结果进行参数调整预测或切换。
应用 2： 自动识别市场最适合的行情模式（低相关性模型） 1. 建立高差异型模型，并套用在数十个品种上：趋势型态策略、区间盘整型态策略、多头型策略、空头型策略、当冲型策略、高乱度型（逆势）策略。 2. 建立评价函数（或其他如 Profit Factor、Draw Down、SQN…等） 3. 建立 AI 算法，并根据评价结果给予相应配资： >> 算法 1：评价前五名可以均分（或按照设计比例）可用配资。 >> 算法 2：根据评价结果，1 分者可以分配 1% 资金曝险，2 分者 2%...依此类推，交易中动态评分。
机器算法与传统量化交易最大的优点与区别在于，当可参考的模型库（大数据）越大，资金越有机会往高效率的位置分配，在思考上亦有更大的弹性与应用。以应用 2 为例，在交易中随时透过评价函数自我校正，＂资金曝险＂随时进行动态地运算与修正，不仅更贴近市场活性变化，困扰传统量化交易的加码、减码、停损、策略上架下架…等问题，亦不需要另行设计便可直接拥有，而模型只需要专注在判断状态，更没有传统量化模型过度优化的问题。
总结 以上仅为一些简单的传统量化交易转换为机器学习架构套用，事实上透过不同经验所建构出的模型，与不同操盘手所设计的 AI 算法，机器学习尚有更多无限可能，甚至透过深度学习让计算器自动建模都是非常有趣的话题，当然这不是用小篇幅即能够继续探讨的，提供本团队机器学习系统 DaVinci 的基本架构给各位参考。 基本架构 |
|
|
