聚財網 wearn.com 首頁
 
 查閱主題:人工智慧AI以行銷目的為多 短網址
[閱文紀錄]964 次讀取 本主題只有一頁
自營家:人工智慧AI以行銷目的為多   將本主題只顯示我的回覆 僅顯示作者   將本主題加入我的收藏 加入收藏  加黑名單

 聲望:0
 個人著作


請  
收通知

  發表時間 
原創

本篇最後由 自營家 於 2019/12/08 09:15:32 編輯


十幾年前還在上班累積操作資金的時候(沒辦法! 沒有富爸爸), 從事的是資料科學(data science)相關, 也是Oracle ERP的data architect, 並受過SAP Data Warehousing 模組的訓練

人工智慧AI以行銷目的為多 另開


也就是之前的工作經驗都是靠data吃飯(全職操作後更是努力地玩data, 近幾年趕流行也用過AI). 對於不懂大數據或區塊鏈的, 可以看這裡 https://www.wearn.com/bbs/t1018219.html

近幾年理財機器人或是人工智慧(AI), 因為AlphaGo戰勝棋王的宣傳變得很夯, 不少人以為面對類似的市場戰局(抉擇), 人工智慧必定很有發揮的空間; 現實卻殘忍地告訴您, AI團隊努力了幾年卻宣告失敗了, 改轉進醫療相關領域, 可參考連結報導 zhuanlan.zhihu.com/p/31913355 (也有人說是假新聞). 簡化地告訴您, 人工展現智慧前, 必須有一段機器學習的過程; 而這機器學習(ML)通常可以這樣定義:「透過從過往的資料和經驗中學習並找到其運行規則。」然而正是這 [資料] 和[經驗] 侷限了一切!

關於人工智慧, 您可以把機器想像成很小的小孩, 看您要怎樣教育他, 每個人教育小孩的方法都不同. 這就是我說準備訓練資料時的domain expert(例: 操作贏家)最重要, 不是只有我們這種data scientist是關鍵. 根據完全同樣一份市場的報價歷史資料, 您可以將訓練資料準備成好幾種, 一種是讓機器去學遇到哪幾種狀況同時存在時去做交易的; 另一種是讓機器去學後面的人心計算是怎麼運作, 然後據此再去交易的, 而其他種則看domain expert的創意. 像小孩學課程一樣, 教材不同, 學出來的孩子技能也都不同. 當然教材笨笨的, 學出來的小孩也是笨笨的, 教材裡面沒涵蓋的(ex: 黑天鵝), 被教育出來的小孩要知道也難. 所以才強調AI的重點不在後面的技術, 反在於訓練資料的準備

黑天鵝的由來大家都知道吧? 話說古時候北半球的人, 一輩子根本沒機會看過南半球的天鵝有些是黑色的, 因此他的 [資料] 和[經驗] 就侷限在天鵝只會有白色的, 所以我們拿來訓練機器的資料也只能會有白色的(沒發生過的資料, 人類也無能更不可能預見出來), 當這種訓練下來的人工智慧機器, 後來遇到它沒見過的狀況(黑天鵝)時, 您還會認為它會做出有智慧的反應嗎? 哪怕它學習時用的演算法是什麼manifold regularization或是TSVM都沒三小路用

市場因為參與者眾多, 組成分子又會汰舊換新(不管是被抬出場或真正死亡), 市場老師的行為是一直在改變的, 對人工智慧機器來說, 就是不斷地用新出的黑天鵝(它的學習資料庫不存在這些資料), 去挑戰它好不容易用演算法搞出來的規則, 這只會讓它不斷地傻眼而已. 圍棋變數多但仍是有限解(雖窮舉後的資料龐大), 人類可以用有限解的部分集合(ex: 棋譜資料)去訓練電腦, 讓它能在限定時間內算出最佳可行解; 但交易市場屬於無限解... 很難辦!

結論:

回到好的操作方法絕對不是單從市場實戰經驗導出來的, 也可以看做在歷史資料(實戰經驗)中找賺錢的行為或方法, 是有問題的. 繼續重申 --- 正確的作法應是先有理論或model, 理論的涵蓋度夠廣後(把看不見黑天鵝的機率降低), 再用歷史資料去印證理論(model)在已發生資料中的實務可行性僅此而已, 並且達到在 [不修正] 任何參數的前提下, 且在 [不同時間架構]中, 和 [不同商品] 間, 都有同樣水準以上的穿透性(以上 [三不] 最重要)

後記:
看到某位在聚財要開課的老師在他文章裡提到 --- 透過數據的分析及歷史資料的回測來持續改進程式與參數 --- 個人認為這種方式是很值得商榷而期期以為不可!!! 因為這種方式很容易發生資料擬合(data fitting)問題, 造成程式跑過去的歷史資料很漂亮, 但對未來會發生的資料有時很傻眼, 也會使測試報表裡的結果不太可信, 甚至還有人說MDD就是用來破的 哈; 其實, 好的程式是做成 adaptive, 程式裡面有邏輯去自動適應市場的改變, 不是用窮舉參數去做最佳化; 我大部分在跑的交易程式是沒有參數的, 也就無所謂參數最佳化的問題

重理論且見於實單 --- 全職操作並寫分享文10多年來, 一貫風格為匿名且無償(缺錢會自行面向市場)



在這刊登您的廣告


 
pudding221
沒有設定個性圖像
 聲望:0
 個人著作

  回覆時間 2019/12/08 14:04:06


好文,謝謝~




Varocher
 聲望:34
 個人著作

  回覆時間 2019/12/08 15:20:15


請問版主有無開課?




自營家
 聲望:0
 個人著作

  回覆時間 2019/12/08 15:25:32


本篇最後由 自營家 於 2019/12/08 15:26:40 編輯

以下引用由 Varocher 在 2019/12/08 15:20:15 所發表的內容:
請問版主有無開課?

我在其他論壇的簽名一直都是 => 重理論且見於實單 --- 全職操作並寫分享文10多年來, 一貫風格為匿名且無償(缺錢會自行面向市場)

聚財這邊的簽名也是一樣的, 但現在還在審核ing... 哈

重理論且見於實單 --- 全職操作並寫分享文10多年來, 一貫風格為匿名且無償(缺錢會自行面向市場)



Varocher
 聲望:34
 個人著作

  回覆時間 2019/12/08 18:20:50


您談的應是overfitting的問題吧:https://www.fintech995.com/blog/overfitting?categoryId=49802




自營家
 聲望:0
 個人著作

  回覆時間 2019/12/08 19:20:57


以下引用由 Varocher 在 2019/12/08 18:20:50 所發表的內容:
您談的應是overfitting的問題吧:https://www.fintech995.com/blog/overfitting?categoryId=49802

類似! 不過, 您連結文中的觀點, 有些我不太認同

重理論且見於實單 --- 全職操作並寫分享文10多年來, 一貫風格為匿名且無償(缺錢會自行面向市場)



自營家
 聲望:0
 個人著作

  回覆時間 2019/12/08 20:39:10


以下引用由 Varocher 在 2019/12/08 18:20:50 所發表的內容:
您談的應是overfitting的問題吧:https://www.fintech995.com/blog/overfitting?categoryId=49802

目標不只是不要 over fitting 而已, 是完全不要 data fitting; 所以才說: 歷史資料用來驗證實務可行性就好

先有理論或model, 理論的涵蓋度夠廣後(把看不見黑天鵝的機率降低), 再用歷史資料去印證理論(model)在已發生歷史資料中的實務可行性僅此而已, 並且達到在 [不修正] 任何參數的前提下, 且在 [不同時間架構]中, 和 [不同商品] 間, 都有同樣水準以上的穿透性

重理論且見於實單 --- 全職操作並寫分享文10多年來, 一貫風格為匿名且無償(缺錢會自行面向市場)



sagemao
 聲望:5054
 個人著作

X 4
  回覆時間 2019/12/16 20:49:57


Sage Mao



本主題只有一頁。
作者上一篇主題作者上一篇 作者下一篇作者下一篇主題

回上一頁回上一頁

回頁頂 回頁頂

短網址

聚財資訊股份有限公司 版權所有© wearn.com All Rights Reserved. TEL:02-82287755 客服時間:台北週一至週五9:00~12:00、13:00~18:00 [ 網站信箱 ]