人工智能與機(jī)器學(xué)習(xí)并不是一個(gè)新鮮的東西，早在數(shù)十年前隨著計(jì)算器問世，人們對(duì)于機(jī)器是否能夠模擬人類一樣思考解決各種問題便有諸多研究，如發(fā)展已久的類神經(jīng)網(wǎng)絡(luò)到現(xiàn)在更進(jìn)化的深度學(xué)習(xí)等等，已在不同領(lǐng)域都有各種深入的討論與應(yīng)用。相關(guān)研究發(fā)展雖然已經(jīng)有數(shù)十年歷史，但拜近幾年信息相關(guān)硬件進(jìn)步與網(wǎng)絡(luò)之蓬勃發(fā)展之賜，相關(guān)領(lǐng)域最重要的一塊拼圖＂大數(shù)據(jù)＂才終于能夠更有效地與人工智能（算法）做結(jié)合，達(dá)到前所未有的成就。有人說＂為期之道＂（操作期貨）如同＂圍棋之道＂，做交易的人看圍棋十訣，多半會(huì)心有戚戚焉，深感下圍棋與做交易的相似性竟如此之高，如果人工智能已經(jīng)在圍棋上戰(zhàn)勝人類，或許在交易上也將掀起另一波狂潮。

如同人工智能與機(jī)器學(xué)習(xí)的發(fā)展一樣，量化交易其實(shí)也不是一個(gè)新鮮事，同樣拜信息硬件成本下降與網(wǎng)絡(luò)普及所賜，量化交易已經(jīng)從法人的專利，發(fā)展到現(xiàn)在一個(gè)大學(xué)生在家里也能夠利用自己的計(jì)算機(jī)透過自行研發(fā)的模型做出各種自動(dòng)化買賣的行為。然而也可能因?yàn)楣ぞ叩闹萍s，多數(shù)人雖然已經(jīng)在運(yùn)作所謂的＂量化交易＂，但在思考架構(gòu)上卻仍舊停留在石器時(shí)代一般，跟著工具所提供的簡單流程（回測(cè)／優(yōu)化…等等）發(fā)展模型，距離所謂的人工智能與算法交易仍有一些差距。

通常一個(gè)傳統(tǒng)的技術(shù)分析與量化交易框架大致上都有兩個(gè)分層：資金管理層與（商品+策略）層

在這樣的框架里，策略研發(fā)者透過研究與觀察，以自身經(jīng)驗(yàn)搭配技術(shù)分析／商品特性（歷史數(shù)據(jù)）為主軸，希冀藉由程序交易運(yùn)算平臺(tái)所提供的回測(cè)與優(yōu)化工具找到最穩(wěn)健的策略與參數(shù)。這樣的策略設(shè)計(jì)理念多半來自于一個(gè)信念 – ＂歷史總是重復(fù)發(fā)生＂，并透過各種資金管理或投資組合理論來控制整體風(fēng)險(xiǎn)。一般而言，如此的架構(gòu)設(shè)計(jì)，主要是將我們自身的直覺與經(jīng)驗(yàn)作法由手動(dòng)的步驟透過計(jì)算器所提供的工具轉(zhuǎn)化成量化與自動(dòng)化的步驟。而我們今天要討論的機(jī)器學(xué)習(xí)架構(gòu)其實(shí)只是人工智能里的一個(gè)分支，經(jīng)過數(shù)十年的開枝散葉及分門別派，機(jī)器學(xué)習(xí)目前在各領(lǐng)域都有很深的討論與應(yīng)用。不過萬變不離其宗，機(jī)器學(xué)習(xí)最大的宗旨就是讓機(jī)器學(xué)會(huì)人類思考的方式與識(shí)別事物的方法，甚至是透過優(yōu)良的邏輯思維比人類更快找到人類尚未發(fā)現(xiàn)的知識(shí)（深度學(xué)習(xí)），不過礙于篇幅，這篇文章也僅能點(diǎn)到機(jī)器學(xué)習(xí)里不及百分之一的內(nèi)容。

如上所述，機(jī)器學(xué)習(xí)的流派很多，這里我們只先簡單地討論一個(gè)機(jī)器學(xué)習(xí)里的簡單架構(gòu)，以方便我們把量化交易與機(jī)器學(xué)習(xí)做接軌，但這不是唯一的作法，這里只是拋磚引玉率先提供一個(gè)精簡的架構(gòu)。

 Learning = Representation + Evaluation + Optimization

在《學(xué)了統(tǒng)計(jì)、算法，如何正確應(yīng)用機(jī)器學(xué)習(xí)？》這篇文章里，我們可以看到一個(gè)很清楚的分類，在此節(jié)錄其中一段話：＂李航老師在 《統(tǒng)計(jì)機(jī)器學(xué)習(xí)》 中指出：機(jī)器學(xué)習(xí) = 模型 + 策略 + 算法。其實(shí)機(jī)器學(xué)習(xí)可以表示為：Learning = Representation + Evaluation + Optimization。我們就可以將這樣的表示和李航老師的說法對(duì)應(yīng)起來。機(jī)器學(xué)習(xí)主要是由三部分組成，即：表示（模型）、評(píng)價(jià)（策略）和優(yōu)化（算法）。＂，更詳細(xì)的內(nèi)容請(qǐng)各位自行上網(wǎng)搜尋。

1. Representation : 表示、數(shù)據(jù)采集、模型建立、策略網(wǎng)絡(luò)

這一層主要的工作在大數(shù)據(jù)的收集，模型的建立（特征工程），角色相對(duì)于傳統(tǒng)量化交易分層中的＂策略＂，但在這里使用＂策略＂并不算是一個(gè)好的說法，一個(gè)完整的策略其實(shí)包含：買賣訊號(hào)、停利、停損…等等的＂動(dòng)作＂。在機(jī)器學(xué)習(xí)中，這一層的角色比較偏向中性，因此用＂感知器、溫度計(jì)、狀態(tài)＂來描述他可能比使用策略這個(gè)名詞更加貼近。原則上這一層（大數(shù)據(jù)）越大越好，規(guī)模決定了整體的強(qiáng)度。

2. Evaluation：評(píng)價(jià)函數(shù)、價(jià)值網(wǎng)絡(luò)

這一層主要的工作在于透過評(píng)價(jià)函數(shù)針對(duì)第一層已建立好的模型進(jìn)行＂評(píng)價(jià)、評(píng)分、判斷優(yōu)劣＂，原則上這一層的特性也是偏向中性，透過這一層我們可以為整個(gè)大數(shù)據(jù)與模型建立可以互相比較或應(yīng)用的標(biāo)準(zhǔn)。

3. Optimization：優(yōu)化、AI 算法（人工智能的核心）

第一層與第二層所輸出的信息將會(huì)透過這一層來做處理與應(yīng)用，這一層所說的＂優(yōu)化＂與傳統(tǒng)量化交易中策略層指的優(yōu)化或優(yōu)化不一定是同一件事情，這一層主要的概念是一種＂算法＂，也就是我們?cè)撊绾蝸恚⒔鉀Q問題＂的方法，我們會(huì)在這一層透過各種設(shè)計(jì)來更貼近我們想解決的問題。

透過這樣的分層，我們就可以讓計(jì)算器模擬人類思考，進(jìn)行我們所想要解決的問題。甚至改良傳統(tǒng)的量化交易。例如下面的例子，傳統(tǒng)量化交易的模型設(shè)計(jì)步驟：

1. 建立均線買賣模型，MA(X)，如果收盤價(jià)站上 MA(X) 則買進(jìn)，反之則賣出。

2. 透過優(yōu)化（由程序交易平臺(tái)提供），令 X=1~100，評(píng)價(jià)指標(biāo) Net Profit，尋找近 N 年最佳參數(shù)，例如 X=10。

3. 然后將 MA(10) 模型掛入資金管理算法（一般只有虧損 XX% 之后下架）

如 何 將 這 樣 的 架 構(gòu) 修 改 成 機(jī) 器 學(xué) 習(xí)呢？

應(yīng)用 1：

讓模型擁有自動(dòng)調(diào)整參數(shù)的功能（高相關(guān)性模型）

1. 建立模型 MA(1) ~ MA(100)

2. 建立評(píng)價(jià)函數(shù) Net Profit（或其他如 Profit Factor、Draw Down、Sharpe Ratio、SQN…等）

3. 建立 AI 算法：根據(jù)評(píng)價(jià)結(jié)果，排序第一名者可分配到資金，每次交易后均重新評(píng)價(jià)。當(dāng)市場(chǎng)特性或活性持續(xù)轉(zhuǎn)變，機(jī)器學(xué)習(xí)系統(tǒng)可自動(dòng)根據(jù)評(píng)價(jià)結(jié)果進(jìn)行參數(shù)調(diào)整預(yù)測(cè)或切換。

應(yīng)用 2：

自動(dòng)識(shí)別市場(chǎng)最適合的行情模式（低相關(guān)性模型）

1. 建立高差異型模型，并套用在數(shù)十個(gè)品種上：趨勢(shì)型態(tài)策略、區(qū)間盤整型態(tài)策略、多頭型策略、空頭型策略、當(dāng)沖型策略、高亂度型（逆勢(shì)）策略。

2. 建立評(píng)價(jià)函數(shù)（或其他如 Profit Factor、Draw Down、SQN…等）

3. 建立 AI 算法，并根據(jù)評(píng)價(jià)結(jié)果給予相應(yīng)配資：

>> 算法 1：評(píng)價(jià)前五名可以均分（或按照設(shè)計(jì)比例）可用配資。

>> 算法 2：根據(jù)評(píng)價(jià)結(jié)果，1 分者可以分配 1% 資金曝險(xiǎn)，2 分者 2%...依此類推，交易中動(dòng)態(tài)評(píng)分。

機(jī)器算法與傳統(tǒng)量化交易最大的優(yōu)點(diǎn)與區(qū)別在于，當(dāng)可參考的模型庫（大數(shù)據(jù)）越大，資金越有機(jī)會(huì)往高效率的位置分配，在思考上亦有更大的彈性與應(yīng)用。以應(yīng)用 2 為例，在交易中隨時(shí)透過評(píng)價(jià)函數(shù)自我校正，＂資金曝險(xiǎn)＂隨時(shí)進(jìn)行動(dòng)態(tài)地運(yùn)算與修正，不僅更貼近市場(chǎng)活性變化，困擾傳統(tǒng)量化交易的加碼、減碼、停損、策略上架下架…等問題，亦不需要另行設(shè)計(jì)便可直接擁有，而模型只需要專注在判斷狀態(tài)，更沒有傳統(tǒng)量化模型過度優(yōu)化的問題。

總結(jié)

以上僅為一些簡單的傳統(tǒng)量化交易轉(zhuǎn)換為機(jī)器學(xué)習(xí)架構(gòu)套用，事實(shí)上透過不同經(jīng)驗(yàn)所建構(gòu)出的模型，與不同操盤手所設(shè)計(jì)的 AI 算法，機(jī)器學(xué)習(xí)尚有更多無限可能，甚至透過深度學(xué)習(xí)讓計(jì)算器自動(dòng)建模都是非常有趣的話題，當(dāng)然這不是用小篇幅即能夠繼續(xù)探討的，提供本團(tuán)隊(duì)機(jī)器學(xué)習(xí)系統(tǒng) DaVinci 的基本架構(gòu)給各位參考。

基本架構(gòu)