作者：股票小鎮分析師，擅長大數據技術，整合網站、股價及年報資訊，制定可行的買賣策略。
AI在金融世界的應用（三）
傳統演算交易（algo）是rule based去做，但也有人嘗試將歷史數據的back-test，改為forward-test的AI。由於machine learning（ML）沒有model的，只有strength between variables，不同的variables可以層層相關，matrix會很大，做出來難以解釋，所以ML只能視作預測，不能作評估報告。
傳統modeling越少independent variables越好，因為怕減低預測能力。但ML剛好相反，因為它可以找到variables之間的correlation。電腦可以篩選出沒有意義的東西，加強有用的元素。另外數據質量也很重要，以往統計差異最多只可接受一成以下。精確度太低，整個model就沒用了。但ML有2萬條紀錄，起初精確度可能只有七成，但當數據訓練慢慢加至幾十萬，精確度就可以提升到九成。至於ML會否過度優化（curve fitting）？對於一般散戶而言，經常抱怨某策略過去幾年表現超卓，但當自己放手一搏，就風光不再。原因是其交易概念本身就是不可行，全靠過度優化才做出似是而非的好景象。其實我們可以設定ML的hyper-parameters讓電腦只分4個segment，透過optimal search，不斷嘗試直至新的組別（group）的邊際利潤不多便會停下來。
