以類神經(neural network)預測加權指數漲跌幅

playhigh

playhigh 發表於 17-10-11 23:25
h大：
我是想用：今天開盤的預估成交量，和前一天收盤後的成交量 ...

h大，我是做metaheuristic的，GA和PSO都做過。但我很少講做metaheuristic或machine learning或AI，都說做「最佳化」或「最佳解」。因為易懂，也避免過多不切實際的想像。
想離題聊聊，是我雖然想做預測，但我【暗暗地】卻認為可能實無法預測的。也許是random walk...
因此，我對準確率的標準很低，51%，比飛鏢、骰子、猴子高明1%，就可以有個方向。
我是預測漲跌幅，幅度不準沒關係，漲跌有幾分準，就滿足了...
幅度，可視為漲跌的強度或可能...，如果也能有幾分準。就能當工具了。

shunyulu

莊家不只靠期貨在賺錢.

hchsieh

playhigh 發表於 17-10-11 23:58
h大，我是做metaheuristic的，GA和PSO都做過。但我很少講做metaheuristic或machine learning或AI，都說做 ...

我以前是實作過GA，不過這些AI的演算法並不是我的專業領域只是以前在學校時，指導老師是做這方面的，也有同學論文是做ai在期貨預測方面的應用
所以有瞭解一些
出社會後自己有興趣，就把GA拿來實作，不過我不是應用在交易

不管是做最佳化或是metaheuristic
我認為在金融交易上的應用就是要找出交易的Pattern
即然是pattern，我覺得pattern的機率就不能太低，至少要有70%左右
(印象中以前我同學論文的準確率是67%、68%附近，好像還有再提昇)
不然這麼大費周章卻只有5x%接近丟銅板的機率，我會認為失去應用上的意義
這只是我個人的想法啦
實務上，一個30~50%勝率的策略，配合良好的資金控管，也是有人在用
畢竟交易並不是只看勝率的，這點很重要喔

ncygrvgp

看到關於AI的討論也忍不住進來看了,
先不管AI這一塊, 我認為光靠成交量這個資料就己經太粗糙了.
可能是我不了解您這樣使用背後的意義是什麼吧.
我是覺得假設開巿後第一個小時成交量為X, 第二小時的成交量是X?還是2X? 還是X/2?,第三小時 成交量是X?還是2X? 還是X/2? 也許是能夠估算出一個大概, 但如果估算出來的區間比較大的話,是不是就沒有太大意義了? 再用這個不大有意義的估算量去 給AI學習, 感覺會出來一個OVER FITTING 的結果了, 出來的模型可能只針對喂給AI學習的歷史資料得出來的, 模型之後的表現可能無法體現出和訓練資料 一樣的效能.
  

ncygrvgp

如果從未平倉,買賣超去看的話,  從邏輯上思考, 就是如果給自己看第T天的未平倉,買賣超, 自己真的有辦法判斷出明天的漲跌幅嗎?  其實簡單的把所有資料統計起來就知道了吧, 感覺用不上AI學習算法呢.  
如果是我的話我會這樣去思考建模呢:

0. 首先我懷疑可以從未平倉合約 和 買賣超 成交量 能猜測後巿的方向

1. 提取前T天的所有未平倉合約 及 買賣超變化
2. 計算{1,2,3,4,5,....T}減去{0,1,2,3,4,5,.....T-1}的未平倉合約和買賣超 變化情況(增加或減少)
3. 把2計算出來的變化情況作為INPUT , 並把未來三天 T+1, T+2,T+3 的漲跌情況做加權 作為輸出  權重w(0.8,0.6,0.4)  {如果三天均漲100點,那麼第一天的輸入為80,第二天為60,第三天為40} 當然權重可以調整..  理解上是輸入資料對T+1天影響最大, 然後T+2影響變小, T+3影響最小,  然後把3天的加權升跌情況 加總 作為整個模型的輸出結果.

4. 最少準備1000筆資料, 也就是合共3年左右,  分成訓練集和測試集 各一半, 並於訓練模型時進行交叉驗證 以免OVER FITTING

只能說.. 路很長, 一起繼續努力

playhigh

我同意ncygrvgp的看法。

playhigh

國家圖書館電子資料庫(碩博士論文)搜尋：，有一堆做預測股票、投資相關的論文。論文僅只於論文。實務上，這些做法大多獲利率不高, 績效不好。
NN有能力為歷史資料找出一個最佳的representation的Model，這只要training有收斂就達成了。收斂很容易的，但，很難用以預測。
簡單說，NN夠robust，足以應付任何data，足以達成training收斂。但僅止於此。
預測下一筆呢？
沒大大用處，因為，對NN來說，下一筆是有任何(NN以外的)可能的。
即使是一筆變異非常大的資料出現，再把它放入NN，他還是有能力收斂的，再給出一個新的權重矩陣，就是醬而已啊，NN。

playhigh

https://www.ithome.com.tw/node/13851
http://www.wealth.com.tw/article_in.aspx?nid=8432
http://www.businesstoday.com.tw/ ... %95%20P%E2%80%A7112

jam741

感謝分享

https://   money.udn.com/money/story/5599/2765391
＝＝＝＝＝＝＝
隨著電腦運算的被動式投資策略逐漸風行，如今主動型投資組合的操盤手又面臨新的競爭對手：靠人工智慧（AI）投資的指數股票型基金（ETF）。

美國舊金山的新創公司 EquBot 於 17 日推出這種前所未見的 ETF，代號是「AIEQ」（AI powered Eqquity ETF），將由 IBM 的 AI 平台「華生」（Watson）模仿一大群分析師如何研究股市，差別在於 AI 可以 24 小時不間斷地工作。EquBot 共同創辦人阿莫多爾（Art Amador）說：「這是個資訊爆炸的時代。AI 能提供更可靠的投資方法。」

EquBot 將與 ETF Managers Group 公司合作，用 AI 和機器學習每天審視 6,000 多家美國上市公司，力求基金配置多元化。

電腦程式蒐集資料的來源包括向監管機構的申報資料、超過百萬則新聞、企業管理階層的個人資料、經濟數據、情緒量表，和金融模型，建立出來的投資部位包括 30 支到 70 支不等的股票。選股完成後，ETF Managers Group 的人類操盤手每天還會依據電腦意見（如果建議變更）調整投資配置。

playhigh

【轉】用於金融時序預測的神經網絡：可改善移動平均線經典策略
http://bangqu.com/963Lff.html

【6 篇教程】
簡單的時序預測：https://medium.com/machine-learn ... asting-f992daa1045a

正確的一維時序+回溯測試：https://medium.com/machine-learn ... esting-9776bfd9e589

多變量時序預測：https://medium.com/@alexrachnog/ ... series-ab016ce70f57

波動率預測與自定義損失：https://codeburst.io/neural-netw ... ctions-c030e316ea7e

多任務與多模態學習：https://becominghuman.ai/neural- ... arning-5498e0098caf

超參數優化：https://medium.com/machine-learn ... zation-cb2b4a29b8ee

你可以在 Github 查看神經網絡訓練的代碼：https://github.com/Rachnog/Deep- ... er/strategy/skew.py。

cukie

感謝好文分享

chhung3

1. 朋友，別用excel做NN, python吧，很多好用的library。

2. BNN不是用來預測股市的。我自己是用RNN的，hidden layers同number of hidden units要自己試，與你要預測的目標複雜程度有關。而且，短線即市走勢，其實不是甚麼high dimensional的問題，deep learning未必可以幫你。

3. activation function我是用ReLU的，收歛速度較快。除非有特別原因才用另外兩款。

newsoft

建議資料樣本最好經過多空交替,
10年以上比較好

goldriverxie

版大您好，不知是否有聽過 NeuroShell Trader 這套軟體，它本身不僅可以作為程式交易的平台，還能夠訓練類神經網路模組使策略有預測走勢的功能，供您參看看

Simon

NN是一套很好用的演算法
我個人拿來交易期貨,勝率約79% ~ 100% (需要挑選時段08:45-10:00)過了10:00 很容易出現雜訊誤判,所以乾脆休息。

用 OR GATE 來說明:
x y z
0 0 0
0 1 1
1 0 1
1 1 1
x y 是輸入層 z 是輸出層
NN 學會 OR GATE 不用 1分鐘
驗證就是100%

此時...在增加 3 個輸出  
z0 原來 OR GATE 的輸出
z1 表示 NEXT x
z2 表示 NEXT y
z3 表示 NEXT z
這樣就可以預測下一個時序狀況與結果
當然 你可以把 z1 、z2 當輸入 ...

假設 目前 x y 狀態是 0 0 輸出是
z0 : 0
z1 : 0
z2 : 1
z3 : 1
那將 z1 與 z2 帶入 x y
應該會得到 目前的狀態之後的結果 就是 T+2

以上為個人觀點僅供參考!!