交易未來式演講紀錄

只記乾貨 XD

人工智慧致勝關鍵

陳安斌教授

演講感想：曬資歷與 TED 式演講，沒甚麼乾貨；後面討論應用場景還不錯。

FinTech 創意大賞企劃競賽團隊有三隊出自交大
1992 年寶來金融集團白文正總裁
- 後來促成交通大學金融投資決策教學研究中心
- 包含五個實驗室：投資模擬、機構理財、風險及資產管理、衍生金融商品、網際網路遠距教學
- 交大資管所
四階段
- 資料處理：資料庫，如股價變化原始資訊
- 資訊分析：資訊庫（？）：如整理出哪幾支股票是交易對象
- 知識的決策輔助：專家系統與知識庫：如價差分析
- 智慧的主動決策：智慧型系統、智慧庫（？）
智慧型系統
- 非學習型：能執行人類給予他的知識，不能夠創造超出人類給予的知識的新規則
- 學習型：基因演化、類神經網路，搭配 bottom-up 或 top-down 的監督式學習
我要十組權重完全不同的資產組合而仍具有相近似的 beta 值，可以嗎？
- 傳統作法：Markowitz 的 profolio theory
- John Holland 於 1975 提出的 genetic algorithm
  - 擬和、超越、趨近未來
  - 可得多組不同權重之近似最佳化組合
收益率、相關係數、技術指標、公司基本面資訊
機器學習在財金上的應用
- 行為因果發現
- 檢測財務危機
- 銀行風險預測
- 債券評等
- 抵押風險評估
- 股票報酬率預測
- 股票價格預測
- 股票買點賣點預測
- 股價走勢辨認
- 公司體質評估

在未知中探索、在黑暗中前進

張家齊

演講感想：難度挺高但是不少乾貨，等投影片釋出再來慢慢研究。介紹了不少指標及策略、盲點等。

quantstrat model package
- indicator & signals
- add.rule & applyStrategy
賭博
- 風險控管
  - 套利 versus 套損
  - 勝率 versus 賠率：例如，雖然有大賺，但卻是三十次中才有一次大賺
  - 要把負向資訊考慮進去才知道策略的真實情況
- 不對稱資訊
Top-Down
- 打靶式策略挖掘
  - Labeling <—> Prediction - f(features) = labels
- 使用 adaboost 之台股指數期貨當沖交易系統
- 驗證指標（連續三個漲跌的預測效果）

深度學習與台指期交易

鄭凱文

演講感想：deep learning 的傳教大會 XD 比較像是討論「機器交易」與「機器學習驅動的交易」的優缺點而已，乾貨略少。最後介紹了凱德資本跟 Fugle，覺得有趣。

自動交易壞處
- 過度最佳化
- 仍需監測
- 交易員的不信任
- 這階段其實只是把人的思想規則化、自動化
機器學習
- 使用 deep learning
  - 最大的好處就是不再需要人為挑選特徵
  - 有效處理時間序列，不再是單點決策（？）
  - 難以確認為什麼買進、賣出的決策原因（blackbox + tunning）
Fugle

「我」在財經決策中的腳色

苑舉正

演講感想：不知道要記錄甚麼…其實我覺得如果他願意有條理的談談：程序員怎麼克服「不信任」程式決策的心理障礙，那倒不錯。但是他談的沒甚麼順序，東扯西扯。

會後座談會

問張家齊：程式交易與非程式交易的觀點，數學是否必要？
- 數學家有兩類：想出問題，跟解決問題這兩類。
- 應該 focus 在應用而非數學。找出 essential part 在哪裡才是重要的思考過程；為什麼事情會這樣演變？為什麼不能用直覺對賭？
問鄭凱文：公司團隊運作，是否分工
- 程式與金融之分離？策略怎麼驗證？
問苑舉正：甚麼是交易
- 每個人都是天生的商人，人際關係也是一種計算
問陳安斌：當大家都開始機器交易，是否會讓套利空間降低
- 交易知識的學習依然有所差異
- 關鍵點在於找市場即將變化的異常點；這目前程式尚未超越人類
問多人：怎麼處理不信任程式的「心魔」
- 苑舉正：撰寫報告，紀錄每次交易的考量及最終結果
- 張家齊：了解失誤的原因來自於哪裡，是策略的問題還是個性的問題
問鄭凱文：最佳化的定義，及避免過度最佳化
- 使用「雙盲測試」（？）
問張家齊：無參數系統及爬蟲
- 無參數系統：不多評論
- 爬蟲：網路評論輿情不是很適合直接拿來判斷市場的指標
問多人：質化訊息如何送入模型（例如：如何預測脫歐後市場的反應）
- 陳安斌：這完全是心理學的問題，何不等事件後第一天開盤後再來判斷，而不要把質化訊息錯誤的量化
- 苑舉正：新聞媒體容易造成金融市場的錯誤認知
- 張家齊：買賣方的預期與情緒會展現在市場上。價格是完整的市場反應指標

其他

Multicharts
使用 R 做回測
- Risk and R-multiples
- Quantmod