机器学习与股价预测

    最近几年机器学习很火爆，很多行业都尝试将机器学习和自身行业结合起来，启发新的思路，开发新的产品。自动驾驶，智能音箱等不再一一列举。量化方面也尝试将机器学习运用到策略研发中，但目前来看到特别出彩的成果，虽说机器学习大多也是基于概率和统计，和量化使用方法基本一致的。但由于交易数据中高噪声和“目标漂移"(目标不是固定的，比如熊市，猴市的优质策略放牛市可能亏钱）。
    量化交易几大部分，选股，择时，套利，事件，趋势。其中选股如果基于多因子，不论是技术还是基本面，由于和统计同源，很难超越统计效果太多，而且这属于传统领域已经发掘多年的课题了，难以找到新的盈利点。择时方面，曾见到过用隐马尔科夫进行牛熊市判断的（训练数据上看起来效果不错），预测新数据效果，持怀疑态度。
    对于机器学习+时序的量价信息用于股价预测，个人并不看好。机器学习并未万能，如果一段行情人工判断都无法判断是牛熊市，指望机器如何判断？这里想必有人反驳，人工做不到的机器做到了也有啊，打游戏，下象棋。其实，机器相比人而言，唯一是计算，唯二是记忆，机器没有任何逻辑或抽象能力（计算机做的只是求解了一个or一组方程（模型）的最大值，or最小值）。如果机器做的比人好，那它必依赖这两者其一。大家可以想想，目前所有的机器学习适用场景or领域，是否有例外。象棋，其实是采用了模特卡洛模拟（有一些加速的优化技术），但其本质就是记下当前的棋盘状态，然后瞎猜，瞎蒙，那种下法胜率高就用那种。那么，我们人工无法用大脑预测股票的时序数据，是因为人类存储能力不足？或者是计算能力不足？那么采用20-30个数据点预测下1个数据点，总没有所谓存储or计算问题了吧，可我们依然无法处理。
    目前机器处理的问题，分类聚类回归推荐等，本质上都是对过去数据的“总结”或“描述”，总结过去数据特征，要么找到合适分布，或合适分界面，或构造损失最小回归面。总之，学习的数据和预测的数据存在某个共同的规律（或者短期不变的规律）。但股价时序数据并不满足这一点。今天一模一样的行情，明天却大相径庭，机器学习也不擅长处理自相矛盾的数据。
    机器发现规律的方式，只是按照人们的前提假设，找出最符合人类假设的参数等。所以在实际做工程时，需要试试LR，试试决策树。这里做的事情就是告诉他，我们认为现在丢给你的数据符合LR的处理规则（比如线性相关），其实就是一种假设信息（而机器也不会发觉“您给的数据不符合LR算法”）。机器学习的抽象化只能依赖与人们开发的现成模型，比如，机器学习输入的数据，输出的模型，这也是一种抽象化，这种抽象化只是套用了人类的模型，然后求了一些方程最优解而已。它无法创造出模型本身。
    判断一个工作能否交给机器学习（或机器学习能否处理），最简单办法就是看下人工是否可以完成，如果人们自己都无法对其建模，无法将其转化为”方程求解“问题，他们交给计算机大概率也是徒劳。人干不成说明事情本来就没规律，要么规律或模型过于抽象复杂（别指望计算机解决问题同时创造出一个新学科？），人能，就有戏，人都干不了，就别让机器干了。否则即使做出来，也带概率是预测布朗运动，准不准看运气。
    所以，使用应马尔科夫判断牛熊，或者lstm预测指数走向，很难靠得住，可能效果还不如用均线方向做判断。
    个人也在进行这方面的思考。目前更倾向于用其发掘‘异常公司".可以认为是”事件“。
    比如：会进行收购或者重组的公司，大概率要么特别牛，要么是特别差(或者频繁大宗交易等)。如果对公司按照行业的基本面建模，这些公司大概率属于特殊的“离群点”，在进行收购或重组前，二级市场可能有大宗交易，或者股价会稳定缓慢上涨等（有一小嘬人知道内幕）。或者就是新闻多，有xx热点等。这方面用机器学习应该更容易，概率处理个别的特征比较方便，却很难发现多个维度之间的协同性质的关联，机器学习却能较容易的发掘这种内部关联。通过可视化技术观察数据是否符合自己猜测，如果符合并且计算重组等平均收益，看下是否有利可图，如果有利可图就可以尝试对其建模求解，这只是随手想来的例子，可能未必对。但想来会比预测股价时序要容易。

 

机器学习结合技术因子的策略：

【研究】机器学习寻找最优技术因子组合
https://www.ricequant.com/community/topic/36754//2

机器学习寻找最优技术因子组合之二
https://www.ricequant.com/community/topic/36829/