AlphaGo 的学习决策模型是否能用于股票市场的交易？
【Mr.cup的回答(62票)】:
只要一个系统它能承担起加速信息在市场中的流动的功能就一定可以挣钱。
问题是很多信息靠单一数据源并不好解读，市场交易信息里解读出来的内容有限。
金融版的alpha go一定需要一个更大的常识数据库和新的数据源才能推理得到更多alpha。尤其在里是这样。
ps：有些答案看不下去，不要想当然。二级市场是多方的不完全信息博弈，单纯靠盘面信息来训练黑箱，deep learning或deep reinforcement learning一则一定会在部分时间严重过拟合，二来解释性极差。话直接撂在这儿，不信您去试试。
【壁立千仞9996的回答(149票)】:
当然能。 的深度学习，至少在原理上并不神秘。
类似 CNN、MCTS 这样的算法，连我都已经广泛使用了——
就靠着这些弱智的“人工智能”，当年管理了数亿规模，24小时全球交易。
运气好的那几个月，就像见到了印钞机。
你可以想象一下，每天深情地凝望着它，体会那种数字翻滚的快感。
说起来，这还是我第一次破产以前的事情……
其实我想表达的是：始终只是工具。
再犀利的模式识别，不过一个分类器。
而你可能连什么需要分类，都还没理解清楚。
我们曾经搭好了一个 MPI 并行系统，然后开始思考：还有什么可以扔进去算的？
在金融市场上，机器比起人类的优势，大概有以下几点：
1）纪律性：不受体力和情绪的影响；
2）执行速度快：常用于高频/算法交易，瞬时套利，以及资讯的快速解读等；
3）运算能力强：比如秒刷数十年的历史数据，类似于 alphago 每天学习上百万棋局。
话说回来，无论怎么人工智能，大多数 quant 毕生追求的，无非 alpha 而已。
所以说“阿尔法狗”这个名字，还是十分贴切的。
【ZehangLI的回答(73票)】:
之前写的匆匆忙忙，再看有很多书写错误，重新编辑一下
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
这段时间被阿法狗深深得震撼了，在我还从事人工智能相关研究的时候，还只有机器学习。当深度学习刚刚出现的时候，我还以为只是神经网络叠加而来的又一个名词噱头。现在感觉自己迅速落伍，深度学习确实是人工智能领域的一个极大的突破。之前在使用神经网络和机器学习对付一些“前”人工智能问题的时候，还需要绞尽脑汁自己去寻找好的feature，现在看来确实已经成为上个时代的人工智能了。
阿法狗很成功，把小李子虐残了，但是我认为阿法狗只是工程上的一个突破，在深度学习的理论与工程上找到了解决围棋问题很好的契合点，验证了深度学习的强大。而深度学习想要在金融市场交易中获得同样的成功，还有非常长远的路要走。
其一，围棋是一个封闭系统，是一个完全信息系统，无论是现在的深度学习还是以前的机器学习，都依赖于庞大的样本训练，训练完成之后的样本外输入，其本质和可能性要与训练样本相同。例如围棋只能你一步我一步在固定区域内下，所有的规则都是实现就已经约定好的。而金融市场并不是完全信息系统，这一点在很多人的回答中也都提到。也就是很多新的情况，是系统不可预估的，并不是在历史中存在的，在这种情况下，之前的训练会失效。做过自动程序化交易的人都知道，如果自己不清楚策略为什么赚钱，不清楚背后的理论是什么，是不敢放任其自动交易的。就算深度学习系统经过了长期验证，也不能保证某些黑天鹅来临的时候，它能正确的应付，这个几乎是无法证明的。或许赚了几年但是几分钟就全亏回去了。比如今天第四场小李子终于赢了一局。在下棋中出现bug输一局无所谓，在交易中出低级bug可能就再也无力翻身了。
其二，阿法狗的paper中提到，人类现有的棋谱在训练中只占到了很小的一部分。他们发现如果只用人类现有的棋谱，阿法狗很快会陷入过度优化。因此对于阿法狗的训练，自己和自己下棋才是训练集的大部分。这也是为什么在盘中总是出现一些人类无法理解的下发，认为是阿法狗的失误。其实阿法狗算得很清楚，因为人类在于围棋的各种可能性走法其实还只探索了一部分。对应到金融市场，所有的行情、新闻、财报等等，对于这样一个复杂系统来说，数据量远远不够。但是系统不可能像围棋那样自己模拟出行情、新闻和财报等信息。因为围棋的走法有规矩，而行情并不是随机生成的数据序列。因此想要完全使用深度学习预测明天大盘的涨跌是不可能的，因为没有足够的训练样本。
深度学习可能会在无人车，自主机器人领域带给人类最大的福利，因为这些训练都是可以完全充分的。而在金融市场，要把目前的和人工智能区分开对待。人工智能或许可以在一些特定的金融领域有所作为，比如对逐笔交易，挂单信息的大量数据进行建模和分析，预测短期的一个概率。随着工程能力，计算能力等不断发展，在未来完全使用深度学习进行金融交易也未尝不可。
【木下囧的回答(4票)】:
理论上可以，但难度比围棋只会大不会小。我们假设各种量化模型是简易版的alphago，为什么说是简易版的？因为算法中的影响因素（x,y,z...)有限。而真要搞个大的，那这个模型就难建了，因为影响因素要扩充很多进去，而且各类因素如何起作用都蛮难量化。比如政治因素。
【HZthinker的回答(5票)】:
当然能，就是不一定能赚钱。考虑到观测书受限的，即使是所有变量都有 observation 不是黑箱，但是观测时间序列的长度保证我们必须把 domain specific 的东西放进去降低 modelling 复杂度
并且整个观测时间序列还不一定是稳态的，这又是一个麻烦的 complexity
或者你这么想，如果AlphaGo可以在没有领域知识的情况下做股票市场，那么为什么不能直接没有物理模型时估计太阳内部的结构呢？
【玄慈方丈的回答(2票)】:
当然可以，但是有局限。
CPU,GPU的单核运算速度远远超过脑神经元，但是大脑神经元的连接方式远远超过现有的人工智能。这就决定了计算机人工智能的计算能力远超过人类，但是人类的思考复杂问题会远远优于计算机。
举个例子，如果当一些指数，比如macd（个人不是很喜欢这个指数，纯举例）走出一种变化，计算机可以通过大量数据支持，总结出这个走势后期上涨几率50%，下跌几率40%，然后，就可以在大量交易的情况下，通过这10%的概率来获利。
而人类擅长的是查理芒格所推荐的多元思维模型。就是不管波动，只关心股票本身，并且通过经济周期，货币周期，消费心理，公司高管信息，公司的核心竞争力，近期资金情况，等一系列的信息作为辅助来判断股票是否值得购买。
所以，我个人不推荐作为人类的散户们做短线，或者通过预测股价走势来赚钱。除非你的数学功底不错，并且还有一个性能不错的计算机帮忙。
当然，巴菲特不推荐所有人通过预测波动赚钱。
【玄慈方丈的回答(6票)】:
我觉得不大可能，因为围棋是完全公开信息的博弈，股市和围棋相比，就像隔着毛玻璃和隔着普通玻璃的区别。
【强效灌水精华的回答(9票)】:
深度学习因为参数众多, 一直都仰仗大量数据去拟合, AlphaGo自己跟自己下棋, 加入随机就能产生三千万盘对局的数据, 金融市场跟经济哪来这麽多数据? 维数高需要的数据量更大, 得有方法降低数据维数, 且要有办法把大量权重参数删掉, 不然都是过拟合
【tu55的回答(2票)】:
泛泛而言，机器学习，数据分析，早就用上了。
机器自动交易对金融系统已经造成了影响。08金融危机就有自动交易系统快速反应放大恐慌的贡献。
然而，正如人们会用挖掘机一样，一切AI系统包括 alphaGo 背后都是人们智慧的结晶。把这样的智慧用到各领域去是很自然的事，也是人类不断进步的基石。离开背后的科学家、工程师，alphaGo 什么也不是。
人工智能，离摆脱 “人工” 二字还很遥远，少看点科幻恐怖片就少一点杞人忧天式的恐慌。历次工业革命，工人都抗议机器取代劳工，抢人饭碗？结果呢？人工智能也一样，可以把人们从各种繁重枯燥的脑力活动中解放出来，释放更多的创造力和可能性。
金融交易的存在，是为各种金融产品估价合理配置资源，配合经济的动态变化提供良好的流动性。如果由于AI的出现，这个过程更加高效，对社会发展自然是个极大的促进。
至于股市，从很早以前就不适合散户进入了。
当然，中国股市是个奇葩。AI 也玩不过内线交易，半日就撤销的朝令夕改吧。
【黄先生学量化的回答(4票)】:
应该是可以的，但是要有真正的专业选手设计机器学习的过程，另外会取得很稳定的收益，但不会有暴利，也做不到次次赚，因为围棋本质上还是个线性系统，所有的可能性都是已知的，难度在于如何在有限的计算能力下去运算巨量的算法，其本身是个如何优化计算的过程，而金融市场的价格波动是混沌的，非线性的，其所有可能性是无限的，这和下围棋还是有本质区别
【老虎的回答(11票)】:
泻药，我门可以从另外一个角度来验证这个问题！
假设可以代替人类，那么将会出现什么？
某一天，一台名叫贝塔狗的人工智能机器人成功在股票系统里面实现稳定盈利并超过人类第一投资手，尼古拉斯-封封！资本是逐利的，大量的资金涌入人工智能系统去开发自己股票投资智能机器人，纯手工投资人惨遭灭绝，股票交易市场进去机器人时代，各大公司努力研发自己的机器人！那么问题来了，既然全是机器人呢！那么谁赚了，假设大家用的同一个算法，那么价格将极少波动，假设算法不同，那么市场就会重新进入一个算法博弈的过程，而设计算法的，依旧是人，结果还是回到了人类之间的博弈！后面大家突然发现机器人的收益率被尼古拉斯-封封反超了，他竟然在和人工智能博弈时，重仓无条件买入人工智能的股票，而机器人在此时执行的却是卖出操作，尼古拉斯-封封重仓买套的股票由于机器人的胜利，引来了人们的疯狂，人工智能的股票大涨，最终尼古拉斯封封，成功大量盈利！
综上：1:资本是逐利的，你所制造出来的机器人除非有其他人无法复制的能力，你才可以稳定盈利！
2:人性是最不可揣度的，人类的疯狂和恐惧有时候根本没有逻辑，机器人有耐心，但是机器人的投资者没有！
【祢尼的回答(25票)】:
目前实际意义上的神经网络，AlphaGo本质上是在一个存在未来函数胜率反馈同时时序对应对手行为(回合制)的策略条件下统计所有可能环境下的策略优劣度并相关自身与对手策略的相对决定性选出最优解。细节上会分解策略的步骤并量化策略的关联性的对应效用(也就是通过蒙特卡洛树搜索拟合局面评估函数和策略函数、以及机器学习RL形成对数策略)。这个统计归纳成一个库再通过一个对数据算法输出出来。
细节见Nature的论文：
AlphaGo其数据本身就是算法。那我们下面就讨论以神经网络的学习算法形成交易策略的可行性。
AlphaGo对于围棋与股票市场的差异主要体现四方面：
一、信息生成机制不同，股票市场中的动因条件是多层次且混沌的。围棋的相互决定性只对于对手，而股票的相互决定性对于所有市场参与对象
二、对手与对手反馈机制不同，围棋是回合制完全信息非合作动态博弈，而股票市场是一对多完全信息非合作静态博弈
三、优劣度评估与局面评估函数的性质类似但方向不同，股票的最终评估对象是收益，而围棋评估是胜率。且股票的局面有两个层次，一是个股筛选，二是持仓后策略。两者组合，就是在市场中不断交换个股的最高胜率条件的持仓。如果将优劣评估设成以增辐一定偏离值内的符合度，亦或者是动态生成局面下一时序可能局面收益预测的权重，这两者就是两个独立的优劣评估系统。
四、数据原型不同，围棋只需处理对手数据和局面数据。股票有成交sick，有价格、成交方向数据，极难产生关联条件。
有空，文末会聊一聊现行有效的”分型“理论过滤混沌信息建立有效条件的应用性。
而对于股票市场时序对应行为(非回合制)的机制：
1.历史参与者V行为构成市场信息a
2.参与者ABuy观测市场信息产生交易动机，与参与者ASell发生交易，或ABuy产生
3.A交易影响市场价格，构成市场信息b，使观测者B产生交易动机
4.观测者BBuy与BSell发生交易，构成市场信息c
如果说V行为导致了A行为，连续产生了C行为。而V、A、C行为本身存在相互决定性的影响关联就是一个由人类心理动态构成的混沌系统，是取决于完全不同的动机机制和策略机制而产生的不同频率的固定方向行为(Buy与Sell)。如果以行为发生逻辑提取条件，那么到了不同的数据环境，混沌系统又不同了，也就失灵了。
因为决定交易的，市场信息只是诱因，动因是对于市场信息的动机机制而产生的策略。这个混沌系统下，有效的信息极其有限。大量的数据都是垃圾数据。
股票市场的优劣水平计算，是以收益为结果导向，而这种过程是受大量无法产生条件关联的中间因素干扰的。
从数据原型来讲，如果不以对手行为为时序单位，按历史市场信息来分析：
我曾经做过一个统计模型，一个4日的K线的开盘价、收盘价、最高价、最低价的增辐(Increase.)为参照数组，以5%为允许偏离值。1990年至今3000余支股票的数据，仅检测到1个匹配数组。后放低标准，仅检测开盘价，也检测到不过6个匹配数组。
AlphaGo本身的数据原型是回合制并只有一个反馈条件的，能够形成数据关联特征的数据以数百万计。
而股票市场的反馈条件有多少个呢？不知道，这是与市场参与者动机的发生密度决定交易频率而形成的，这个反馈条件也是一个指数级的数字。
任何模型、策略、逻辑、算法的基础，基本逻辑都是构建在条件反射上的，股票市场的复杂度以及无序性无法有效的提取关联数组条件（这也是为什么会有原理不明但却有效的分型理论以及“缠论”的成因）：
AlphaGo的条件可能足够多，但是是明确且相互对应的。
而股票市场的条件反馈如何构建？股票市场的复杂性已经证明了不能用明确条件来统计提取有效数据拟订对数据策略。
而如果用一定允许偏离值来抓取数据特征关联条件形成策略，上面的举例已经证明这其中的偏差超出了有效的程度。并且，股票市场上，相同的数组，产生的不同结果也是极其正常的，时序结果也是不同的。
&&&&&本文固定链接:
【上一篇】
【下一篇】
您可能还会对这些文章感兴趣！
最新日志热评日志随机日志上传时间：
实战高效盈利模型&&&&股票市场从来都不是静止的,要顺应动态的市场,就必须依据其不同运行阶段的特点,采用不同的盈利方法.
&&&&对它们掌握的数量,决定了你能实现获利的市场环境的多少或能力,也就是能识别的交易机会有多少.&&&&&&&&而在同等市场条件下,它决定了你能否捕捉到阶段时间内涨升力度最大的盈利品种.&&&&1、突破启动盈利模型&&&&提前发现热点 及时把握刚启动个股,有效避免参与震荡.&&&&2、双底高效盈利模型&&&&对市场人气要求不高,交易机会最多的获利方式.&&&&3、涨停板赢利模型&&&&市场顶部构筑阶段,抓取涨停板的有力武器.&&&&4、极限箱体盈利模型&&&&短期获利最大的重要模型.&&&&5、超跌反弹盈利模型&&&&连续下跌市场下,唯一做多获利的高节奏赢利模式.&&&&6、超跌反弹行情盈利模型&&&&市场底部构筑阶段,抓取低位连续涨停个股
56官方微信
扫一扫发现精彩您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
人工股票市场中交易者个人学习机制的研究.pdf61页
本文档一共被下载：
次 ,您可免费全文在线阅读后下载本文档
文档加载中...广告还剩秒
需要金币：170 &&
优秀博硕毕业论文，完美PDF内部资料、支持编辑复制，值得参考！
你可能关注的文档：
··········
··········
人工股票市场中交易者个人学习机制
学科专业:管理科学与工程
研究生: 章弘毅
指导教师:任达副教授
天津大学管理学院
二零一零年六/月
一苓一苓中、月\
独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的
研究成果,除了文中特别加以标注和致谢之处外,论文中不包含其他人已经发表
或撰写过的研究成果,也不包含为获得丕注盘堂或其他教育机构的学位或证
书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中
作了明确的说明并表示了谢意。
弘一期唰。年㈤同
学位论文版权使用授权书
有关保留、使用学位论文的规定。
本学位论文作者完全了解墨鲞盘堂
特授权丕注态鲎可以将学位论文的全部或部分内容编入有关数据库进行检
索,并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校
向国家有关部门或机构送交论文的复印件和磁盘。
保密的学位论文在解密后适用本授权说明
学位敝作者签名舀认
’铈躲彳匝
签字同期:沙卜年‘ 月
签字同期:加口年月
随着金融市场越来越多元化的发展,在当今世界中,与有效市场理论相矛盾,
从传统的金融理论那里得不到合理解释的金融异象,已经愈来愈普遍。
本文采用的是最近几年兴起的基于的计算金融研究方法,它基于复杂
适应性系统的角度,重新地审视了股票市场,强调的是投资者的两大特性??有
限理性与动态异质性。基于的计算金融研究方法认为市场中的为了
继续生存下去,他们必须主动地去适应市场的瞬息万变。这就要求了他们必须具
备主动的学习能力,这种能力指的是能够根据外部环境的变化来同步调整
自身的行为。众多具备个人学习能力
正在加载中，请稍后...