期交所雙月刊66期

19 臺灣期貨雙月刊 TAIFEX BIMONTHLY 或許不太會顯著改變，但細節部分肯定不同，否則 每一檔商品的漲跌波動便都能做預測了。 因此，過去的資料是否能反映未來，這是個 沒有人可以回答的問題。但我們確認的是，越近 期的股價資料，對未來的波動分析越有可預測性。 因此，在開發交易策略上，我們通常採用移動窗格 （ Moving Windows ）的方式做分析，也有人稱作 往前走分析（ Walking Forward Analysis ）。這是 把距離現在時間點接近的資料分配較大的權重所 進行的最佳化方式。然而，這樣的設定也會使得參 數搜尋更加複雜。傳統的機器學習模型也不一定適 合使用。 近年來隨著深度神經網路的發展，許多研究 也開始將此技術應用於策略開發，其中最熱門的以 遞歸神經網路（ Recurrent neural network, RNN ） 和長短期記憶模型（ Long Short-Term Memory, LSTM ）為主，其在時間序列中擷取重要特徵的 優異能力受到大部分學者青睞，也是截至目前為 止最多研究者用於量化交易策略開發的演算法之 一。此外，善於處理空間維度的卷積神經網路 （ Convolutional Neural, CNN ）近年也相當受歡 迎，常用於圖像辨識等應用，例如金融資料的形態 分析。此外，深度學習技術也被拿來與自然語言處 理（ NLP ）技術結合，不乏有針對網路新聞、消息 及社群媒體進行分析的相關研究。 機器學習方法為現今金融交易最熱門的技術 之一，藉由電腦強大的運算效能能，在投資人進 行金融交易時提供決策支援，看似相當合理，然 而 AI 技術發展至今仍尚未成熟，究竟人們是否能 藉由 AI 的力量建構長期穩定獲利的「聖盃」，仍 有待時間的驗證，期待在國際金融市場，也能出 現類似圍棋世界的 Alpha Go ，戰無不勝，長期穩 定獲利。 AI 再厲害，量化交易的根本還是數學 儘管人工智慧技術已經廣泛應用於量化策略 開發，吾人想要深入這塊領域，最基礎的還是數理 能力的訓練。有趣的是，史上最偉大的幾位數學家 通通都對投資這件事非常著迷！夏農（ Shannon ） 發展了資訊理論（ Information Theory ），其一直 在思考如何利用位元與不確定性描述股市波動，有 興趣的可以參考「決勝籌碼」一書。索普（ Edward O. Thorp ）先是與夏農致力於輪盤的研究，隨後 發展 21 點必勝玩法，出版「擊敗莊家」、「擊敗 市場」兩本曠世巨作，有興趣的可以參考「他是 賭神，更是股神」一書。凱利（ Kelly ）只活了短 短的 40 年，卻發明資金管理最重要的數學公式： Kelly Criterion 。而號稱史上最偉大的數學家高斯 （ Gauss ）也投資股票；本文所述的文藝復興公司， 西蒙斯（ Simons ）是微分幾何頂尖的數學家，與 華人數學大師陳省身共同研究。但不要以為這些數 學大師投資股票都非常厲害，最經典的是牛頓。在 投資南海貿易公司損失 20,000 英鎊後（相當於現 在的 360 萬美元），牛頓留下經典名言：『我可 以精準計算天體運行的軌跡，但我無法計算人性的 瘋狂』。如果牛頓早些知道資金管理的數學，我想 他會成為量化交易泰斗 ! 即使 AI 量化交易時代的 來臨，還是要以數學為最重要的必備基礎。 0 1 1 1 0 1 1 0 1 0 0 0 1 1 0 1 0 0 0 1 1 0 1 1 1 0 1 1 0 1 0 0 0 1 1 1 1 0 1 1 0 1 0 0 1 1 1 0 1 1 0 1 0 0 0 0 0 1 0 1 1 0 1 0 0