有網友玩演算法交易？一點點心路歷程分享 - 財經

用類神經網路分析建構模型確實要有錢的大公司才買的起設備
所以不是錢很多的人建議直接放棄這個方法

交易獲利的重點其實就那些 在推文裡都有出現了 不再多說


機器學習的方法有很多種並非一定要用最火紅的深度學習
還有其他個人電腦跑的動的演算法
可以多想想各種機器學習方法的本質與最終目的為何??
如何應用到金融市場交易


所謂的"策略"有很多 一開始不用自己想 市面上有很多書籍可參考
想要免錢的個人推薦去圖書館找"智富月刊" 有很多市場贏家的專訪或廣告
把那些"策略"實作回測後好好回顧檢討
然後應該要了解 設計新策略 V.S. 舊策略調參數 是不同的
說常常要重寫的那種應該都是在調參數而不是新策略


可預測性與可獲利之間的確存在落差
但是推文中已經指出明路了 拉長策略周期 獲利性就會出現
以台指來說最基本的時間有 日內極短線沖 日內當沖 隔日沖 近週 近月
我猜你之前可能連日內當沖都嫌時間太長 近週跟近月根本就沒考慮過


給原po的建議
可以在金融市場獲利的切入點有很多 不是只有很厲害的分析技術
最基本的是價值投資(資料很多自己找) 然後還有籌碼分析
交易台指期的話 期交所的三大法人與大額交易人資料應該要看
台指選擇權的資料也應該要看

市面上有很多書籍可以參考
真的要免費股版期權版交易版都有很多教學

我猜你可能只有分析盤中Tick的價量與最佳5檔(這可能嫌麻煩沒分析)
當你只用Tick歷史價量資料預測未來價量資料其實可看成一種自迴歸
也就是認為用自己的歷史資料可以預測自己的未來資料
但其實可用的資料有很多不要那麼局限

我個人有分析的資料(這些東西不難 但是很麻煩)
月以上 財報 總體經濟
日以上 證交所期交所的免費資料 台美匯率 美元指數 美韓日中港大盤
券商買賣日報表 股權分散表(每週更新) 摩台指
各種新聞 各種財經節目的老師說法
日內 各種標的成交價量與最佳五檔價量 台指選擇權隱波與合成期貨
台指期貨可以搭配證交所的各權指股資料

早期的我也是認為只要有很厲害的分析技術就可以預測股價爽爽賺

但是現實就不是這樣的 很厲害的分析技術確實有幫助

然而只看最簡單的均線 再搭配財報分析籌碼分析也可以賺錢

如果你想賺錢的話先放下那些很酷很炫的最新技術
從最簡單基本的證交所期交所資料開始分析
用很常見的免費策略就好 腳踏實地的回測檢討
應該是足以讓你賺錢了

日後再去挑戰那些酷炫的新技術
1.抓ptt與各股票論壇的散戶留言判斷多空(這有人做了)
2.用文字探勘分析各種新聞與那些財金雜誌的電子檔文字資料(這應該也有人做了)
3.用影像辨識或語音辨識技術把財金節目的內容擷取成文字資料(這我沒聽說過)
影像辨識抓下面字幕有聲音的話直接分析語音
上面的東西我自己也沒有做 但是未來有時間的話我會試試看


其實我自已醒悟後也是從證交所期交所免費資料開始分析的
之後你可以再買付費的軟體來比較 例:XQ全球贏家
你分析的結果有沒有比較好或至少一樣好?
那個軟體有很多法人都在用 應該是有可信度的分析
至少先達到跟法人相同的起跑線

※ 引述《sma1033 (死馬)》之銘言：
: 各位吹頂版的年薪300萬大大好
: 小弟最近在做一些跟演算法交易的研究，覺得這真的是一條不歸路
: 先說一下我認知中，小型個體戶能做的演算法交易:
: ==== 老派作法 ====
: 人工觀察期貨或是股票走勢，把腦袋的想法寫成策略去跑回測
: 人工觀測MDD，風險，報酬期望值....等等，靠人工完成多數決策
: 算是科學量化的研究方法，缺點是人力成本很高
: 覺得好像如果不一直快速開發新策略拼命寫，很快被市場淘汰
: (回頭看自己寫的這段，覺得當初寫策略應該是有些過度最佳化了)
: ==== 新式作風 ====
: 用神經網路去預測數據，將數列走勢（因）與價格預測（果）連結在一起
: 可用最佳化的神經網路做價格預測，或是用強化學習做策略最佳化
: 自行定義機器人得分準則，讓機器人自動做交易，最佳化回測結果
: 把交易決策大多數的部分都交給電腦去自動分析
: 大概五年前，我一開始接觸演算法交易的時候用的是「老派作風」
: 自己也寫過約10支程式，其中有一些也曾在某一段時間內能賺錢
: 但是後來發現市場進化的速度實在太快
: 寫好程式之後，程式能用的週期越來越短
: 我寫過最長時間能賺的程式，有效時間也只有約半年左右
: 所有的人工程式後來也都失效了，實際上從來沒有靠自己寫的程式賺到錢
: 後來，漸漸的體認到我自己靠人眼看數據，思考策略，再刻成程式的作法成本實在太高了
: 實際上投入的時間成本跟獲得的收益根本不成比例(也可能我智力不夠?)
: 於是大約在1年前開始學習「新式作風」
: 也就是想學習用神經網路來預測的方式，從事交易
: 希望透過神經網路最佳化，讓電腦「自動從數據當中學策略」
: 但是從最近做的一些台指期數據的研究中
: 我發現要讓電腦「自動學」策略也很困難
: 想用全自動化的方法來學習交易策略，需要的硬體運算能力門檻也很高
: 一般10W預算以內「高級個人電腦配備」跑神經網路訓練實在是慢到悲劇
: (i7 8700K，1080 Ti，64G Mem，SSD)
: 如果是用監督式學習的方式訓練網路去「預測」價格還可以跑出一點東西
: 以台指期來說，小弟做實驗測試結果，價格確實並非是「完全隨機」的
: 但是價格的可預測程度無法直接變成能實際賺錢的策略
: 真正完整的策略包含很多價格預測以外的決策內容，像是停損及進出場點位
: 這些東西都無法直接靠監督式學習的方式來得到，這也是監督式學習的先天限制所在
: 後來因緣際會之下，小弟看到阿發狗的新聞
: 非監督式學習（強化學習，RL）的概念很潮
: 第一次聽到阿發狗下圍棋的時候就深深被吸引，覺得這概念實在是屌
: 如果可以自己建一個交易遊戲，讓電腦自己去學策略並攻破遊戲實在太帥了
: 這實在是一個會讓喜歡交易的人一聽就高潮的概念
: 為此小弟又花了很多時間去看RL相關的Paper
: 也找到一些可用的工具，看文件，解Bug，自己嘗試不同演算法與參數
: 但是用強化學習的方法來訓練機器人，卻無可避免會碰到運算資源的問題
: 我先用小量數據，搭配類似阿發狗的演算法去訓練神經網路交易台指期
: 發現數據資料集小的時候，的確可以訓練出一些期望值>0的神經決策網路
: 「電腦自動開發策略」的預期目標 Get!
: 看到初步結果時，我的心頭大為振奮，覺得自己好像離交易聖杯越來越近了
: 反正就算市場會自己改變與進化，只要我的學習速度快過市場改變的速度
: 應賅還是可以在市場尚未改變之前交易獲利吧
: 天下武功，唯快不破，我想這也是交易的硬道理
: 但是這心頭的興奮雀躍感覺也沒有維持太久
: 當我開始想要更進一步，把訓練資料集從數天擴展到數月或是數年的時候
: 電腦自動訓練網路的時間就會變成哭爸久 Orz
: 看來除非再投資個幾十萬添購高檔CPU或是GPU
: 不然好像很難在合理時間內跑出有實際經濟效益（能真的讓我賺錢）的結果
: 當然要用Amazon開AWS server來跑運算當然也是可以
: 不過又要投時間學習寫分散式系統的程式，找演算法瓶頸
: 這樣一來又變成很燒錢的高門檻研究，想想覺得實在很難負擔的了
: 小弟並非全職交易人，但是投入研究交易的時間也不算少
: 雖然實質上沒賠很多錢，但如果把時間成本算進去的話也是投資頗多
: 現在回頭看起來，如果把那些投在研究交易上的時間都投資到別的地方去的話
: 大概也可以有不錯的成就
: 但是投入在交易上，好像沒賺錢就等於沒收穫的感覺
: 想來實在有些感嘆
: 不知道版上有多少人在玩演算法交易呢？
: 對交易的想法又是什麼，真的有個體戶靠演算法交易賺到錢嗎
: 大家的看法如何呢？

--