Re: [心得] AI時代來臨,技術分析真的已經沒用了
※ 引述《nicefl2001 (@keissendo)》之銘言:
: ※ 引述《nicefl2001 (@keissendo)》之銘言:
: : 透過 AI的深度與機器學習能力,
: : 使其能夠自動適應市場條件,不斷更新、優化交易策略、進行再平衡。
: : AI在投資組合管理方面也展現出卓越的能力,
: : 通過精准地管理和適當地調整投資組合,實現最佳的多元化和風險控制。
: : 目前華爾街許多大型投資機構、對沖基金、法人投行都已經全面導入AI Fintech
: : 演算法程式交易
當年NASA首次登陸月球,所使用的電腦相較現在的手機根本像玩具,
也就是說我們帶手機穿越到當年,等於是帶一台超級電腦,
但這時代的手機應該比較像是掌上型遊戲機的樣子。
無意冒犯,但您真的理解通篇堆砌的那些詞藻,其真正的意義?
: 這邊提到的AI演算法量化交易,
: 和大家過去所認知的 "自動化程式交易" 是不一樣的概念
: AI演算法量化交易 (Quantitative and Algorithmic Trading,簡稱 QAT)
: 主要是華爾街如美林、高盛、大小摩等那幫大型機構投行
: 以及中大型像黑石、橋水、文藝復興等對沖基金所使用
: AI QAT演算法量化交易,依賴於複雜的數學或統計學模型,
: 結合類似 Bloomberg Terminal 的雲端大數據來進行大資料分析。
Quantitative也就是金融量化分析,
本身是基於統計學的結果來分析投資標的,
得力於如今電腦硬體效能飛速進展,
一般人也能在一般的PC/NB上做相關分析。
有興趣的請去圖書館找以python/R 實作的書來了解。
至於Algorithmic Trading也就是演算法交易,
顧名思義就是以程式交易來實作交易的動作,
而為了分析實時交易的大量tick,
已設計好的程式來做出實時的推理/分析等等,
這類程式內容就是演算法,這跟有無AI無關,
反倒是和硬體飛速發展和強力軟體的取得越來越容易(特別是Unix這類的自由軟體),
任何人只要有心都能下載python/R來做上述的QAT分析。
再次強調,這是得力於硬體效能快速發展和強力軟體容易取得,
因此幾乎人人都有機會學習QAT。
: 其核心在於通過模型去挖掘歷史資料中的規律,並基於這些規律做出投資決策。
: 透過Machine/Deep Learning使得QAT具有更強的資料處理能力和策略優化空間。
這東西在python和R上面目前有名的如tenser flow,
已經很容易取得了,而所謂的深度學習其基本程式理論,
依樣能在圖書館找到,去看一下該基礎理論程式碼如現今流行的類神經網路,
比較能真的了解機器學習的優缺點在哪裡,不會有AI恐慌,
至少在投資的領域,這是個變數很大很大的專門領域。
而當前的AI只能算是弱人工智能,也就是無法泛用不像人腦。
以建築為例,AI可以輕易地做出很漂亮的建築物外觀設計,
但AI目前無法做的是符合法規的精準設計。
至於目前我們所知的所謂華爾街大公司的AI優化策略之類的,
可以想像他能針對盤中的海量資訊,以既定的演算法做出快速的量化分析,
但不表示AI就很強,如同NASA當年首登月球的電腦以現今標準來看很弱,
但卻做到了這時代登陸月球的其他國家如中國/印度得用超級電腦才能做的事情。
: 能隨市場變化進行投資組合調整與再平衡
: 另一種一般人以為的"AI"則是傳統的自動化程式交易
: 使用類似 Multichart/TradeStation/MT5這類下單交易軟體
: 來按照使用者寫好的策略進行自動下單交易
: 不同於 AI QAT 能夠通過機器學習等技術自我優化策略,
: 可以不斷地從歷史資料中學習並調整策略,
: 以提高交易的盈利性和風險控制能力。
: 而傳統程式交易的策略優化與調整
: 則需要使用者手動進行,
: 軟體本身不具備自我學習和調整的能力。
軟體的能力取決於設計者,如先前一再強調的NASA首登月球,
有些交易平台使用類似Eazy Language 的交易script語法,
的確無法寫機器學習的演算法,
但針對實時大量數據做量化分析的演算法已經夠了。
至於以下的這些本來就是程式交易的強項,
在ChatGPT出現前就存在很久了,
有興趣的請找"快閃交易"一書。
: 近年來,AI QAT在華爾街已經被大量用來取代傳統交易員的許多問題,
: 並最大限度地減少人類情緒干擾。
: 1. 你會害怕追高被套牢,或者在面對股票下跌時感到焦慮,
: 你會因為這些情緒而猶豫不決,不知道何時進場或退場。
: 但AI不會
: 2. 當持股開始下跌時,你可能會感到緊張和焦慮,不知道該繼續等解套,
: 還是該果斷止損。但AI不會
: 3. 當你因為缺乏耐心而太早賣出股票,之後看著股價漲上去卻不敢追,
: 或是因為太貪心而錯過了出場時間,最後抱上抱下,
: 紙上富貴一場,甚至從賺錢抱到變賠錢,但AI不會
: 4. 面對海量的新聞、經濟數據和消息,你可能會感到迷茫和不知所措,
: 不知道這些資訊是真是假,但AI能透過語言模型、大數據和演算法分析
: 利用這些短線消息和市場情緒,來收割那些炒短線的散戶籌碼
: 5. 過去能賺錢的策略,並不代表在未來也能持續穩定獲利,
: 你的策略需要自己手動調整,但AI (QAT) 會自動進行最佳化
: 剩下的體力、精神狀態、資控風控、紀律、耐心、策略執行力
: 交易成本、交易速度等等的就更別說了....
像第五點完全和AI無關,因為所謂的AI也是一種演算法。
: 軟體程式交易和AI演算法量化交易,真的是不同等級的東西
: 不要拿來相提並論
或者說取決於演算法的內容。
--
Kent記得曾經請求師父教他密法,師父雖然答應,但是師父要求他在日常生活上要先作到
心性和行為合一,師父說當一個人內在心性和外在行為合一時,修行才能入門,否則心、
行各自為政,一個人就成了雙頭馬車,最後一定分裂,修行自然不成,最終落入魔道。
心中的秘密使得Kent成了雙頭馬車,他記得師父很慎重的比著那個曼達囉,若有所指的告
訴他說:「有朝一日,你能在方圓之中取得圓融的話,修行對你才有意義。」
https://i.imgur.com/fqrVMBD.jpg
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 220.132.128.144 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Stock/M.1714911663.A.3C1.html
推
05/05 20:30,
1周前
, 1F
05/05 20:30, 1F
→
05/05 20:30,
1周前
, 2F
05/05 20:30, 2F
→
05/05 20:30,
1周前
, 3F
05/05 20:30, 3F
→
05/05 20:30,
1周前
, 4F
05/05 20:30, 4F
→
05/05 20:30,
1周前
, 5F
05/05 20:30, 5F
→
05/05 20:30,
1周前
, 6F
05/05 20:30, 6F
→
05/05 20:30,
1周前
, 7F
05/05 20:30, 7F
推
05/05 20:33,
1周前
, 8F
05/05 20:33, 8F
推
05/05 20:34,
1周前
, 9F
05/05 20:34, 9F
訓練AI程式做深度學習來執行進出場動作-->不難,
躺著賺-->比較難。
推
05/05 20:34,
1周前
, 10F
05/05 20:34, 10F
推
05/05 20:37,
1周前
, 11F
05/05 20:37, 11F
所謂的模型論網路上找一下就有,
簡單說就像是做一台機器,給他同樣的input就會有一樣的output,
他不是字面上的意義,表現方式反而比較像是數學函數的運作方式(input/output)。
舉簡單例子,假設"K穿越日K之MA20(月線)就進場,反向穿越則出場",
這就是個簡單的交易"模型",能依盤勢做出有意義的反應。
而將該模型寫成電腦可執行的程式,就是演算法。
目前廣泛使用的影像辨識如車牌辨識,
則是以類神經網路的演算法,做大量的圖片學習後,
在符合誤差率的標準下,會產生一組特定的常數設定。
以tensor flow來說會產生一個打包好的檔案,該檔案就是可使用的模型。
該檔案的內容請想像成,
就是反覆調整 f(x)=aX^n +bX^(n-1)...+miu(白雜訊)中的常數a/b/...miu。
※ 編輯: magelinus (220.132.128.144 臺灣), 05/05/2024 20:42:04
※ 編輯: magelinus (220.132.128.144 臺灣), 05/05/2024 20:56:33
推
05/05 21:19,
1周前
, 12F
05/05 21:19, 12F
→
05/05 21:29,
1周前
, 13F
05/05 21:29, 13F
→
05/05 21:32,
1周前
, 14F
05/05 21:32, 14F
→
05/05 21:32,
1周前
, 15F
05/05 21:32, 15F
推
05/05 21:40,
1周前
, 16F
05/05 21:40, 16F
推
05/05 21:41,
1周前
, 17F
05/05 21:41, 17F
推
05/05 21:43,
1周前
, 18F
05/05 21:43, 18F
→
05/05 21:43,
1周前
, 19F
05/05 21:43, 19F
→
05/05 22:21,
1周前
, 20F
05/05 22:21, 20F
→
05/05 22:23,
1周前
, 21F
05/05 22:23, 21F
→
05/05 22:28,
1周前
, 22F
05/05 22:28, 22F
→
05/05 22:28,
1周前
, 23F
05/05 22:28, 23F
→
05/05 22:30,
1周前
, 24F
05/05 22:30, 24F
推
05/05 22:30,
1周前
, 25F
05/05 22:30, 25F
→
05/05 22:30,
1周前
, 26F
05/05 22:30, 26F
→
05/05 22:30,
1周前
, 27F
05/05 22:30, 27F
→
05/05 22:33,
1周前
, 28F
05/05 22:33, 28F
推
05/05 23:55,
1周前
, 29F
05/05 23:55, 29F
→
05/05 23:56,
1周前
, 30F
05/05 23:56, 30F
→
05/05 23:57,
1周前
, 31F
05/05 23:57, 31F
→
05/05 23:58,
1周前
, 32F
05/05 23:58, 32F
→
05/05 23:59,
1周前
, 33F
05/05 23:59, 33F
→
05/06 00:00,
1周前
, 34F
05/06 00:00, 34F
→
05/06 00:02,
1周前
, 35F
05/06 00:02, 35F
→
05/06 00:03,
1周前
, 36F
05/06 00:03, 36F
→
05/06 00:04,
1周前
, 37F
05/06 00:04, 37F
→
05/06 00:05,
1周前
, 38F
05/06 00:05, 38F
→
05/06 00:05,
1周前
, 39F
05/06 00:05, 39F
→
05/06 00:06,
1周前
, 40F
05/06 00:06, 40F
→
05/06 00:07,
1周前
, 41F
05/06 00:07, 41F
→
05/06 00:09,
1周前
, 42F
05/06 00:09, 42F
→
05/06 00:09,
1周前
, 43F
05/06 00:09, 43F
→
05/06 00:10,
1周前
, 44F
05/06 00:10, 44F
→
05/06 00:10,
1周前
, 45F
05/06 00:10, 45F
→
05/06 00:12,
1周前
, 46F
05/06 00:12, 46F
→
05/06 00:14,
1周前
, 47F
05/06 00:14, 47F
→
05/06 00:14,
1周前
, 48F
05/06 00:14, 48F
→
05/06 00:15,
1周前
, 49F
05/06 00:15, 49F
→
05/06 00:16,
1周前
, 50F
05/06 00:16, 50F
推
05/06 00:24,
1周前
, 51F
05/06 00:24, 51F
推
05/06 01:17,
1周前
, 52F
05/06 01:17, 52F
→
05/06 01:17,
1周前
, 53F
05/06 01:17, 53F
→
05/06 01:17,
1周前
, 54F
05/06 01:17, 54F
推
05/06 02:42,
1周前
, 55F
05/06 02:42, 55F
→
05/06 02:42,
1周前
, 56F
05/06 02:42, 56F
→
05/06 02:42,
1周前
, 57F
05/06 02:42, 57F
推
05/06 02:51,
1周前
, 58F
05/06 02:51, 58F
→
05/06 07:36,
1周前
, 59F
05/06 07:36, 59F
推
05/06 09:53,
1周前
, 60F
05/06 09:53, 60F
→
05/06 09:53,
1周前
, 61F
05/06 09:53, 61F
→
05/06 10:03,
1周前
, 62F
05/06 10:03, 62F
→
05/06 10:04,
1周前
, 63F
05/06 10:04, 63F
→
05/06 10:05,
1周前
, 64F
05/06 10:05, 64F
→
05/06 10:05,
1周前
, 65F
05/06 10:05, 65F
推
05/06 10:16,
1周前
, 66F
05/06 10:16, 66F
討論串 (同標題文章)
Stock 近期熱門文章
PTT職涯區 即時熱門文章