前面幾次連續的成功得手，會讓人建立強大信心，進而開始找訊號找模式，試著推敲其中因果關係，總之我就是知道，好像真的「手感發燙」、「運氣來了」，然後越來越大膽，冒的風險也越來越大。

投資裡誰都不知道明天會不會更好。

事實上，已有不少科學研究指出，連續獲利很可能只是隨機現象的巧合，在史丹佛大學的論文：《籃球比賽中的手感發燙：隨機順序的錯誤解讀》，從數據分析發現，球員在投中球之後的下一次出手，其命中率並沒有較高，換言之，每一次的出手的結果都和前一次出手的結果是無關的，這樣的現象又稱作無記憶性事件，這樣的結論引發大眾的討論，因為它和一般人的認知和經驗相違背，當然隨後陸續有人研究，試圖從數據證明所謂的手感確實存在，但是都沒有具體的結果。

從投資心理學來看，投資人潛意識往往過於積極尋找獲利模式或是神奇指標，當然也有部分投資人老實承認不想要尋找任何模式，請老師直接指示，投資獲利(或是慘賠)經驗會影響我們對於對隨機產生事件的判斷，永遠緬懷著那份直覺或者憂懼著那隻黑天鵝，忽略了其他市場訊息。

要如何避免陷入這樣見樹不見林的狀況，多數專家認為還是要回到長期的命中率來看，或是所謂的交易勝率，好比教練在比賽最後一擊總是交給命中率最高的球員出手一樣，統計的結果具有絕對的參考價值。

因此，有效率地處理數據和訊息的能力是應該被重視的，一位能夠長期穩定獲利的投資者，必定是能以理性的思維來面對每一個投資環節，從邏輯的投資理念，到量化的投資決策，而非依靠過多主觀或是感情的因素，這也是市場和球場最大的不同，投資人必須少一點情緒，多一點思緒。

投資人可以先從檢視自己的歷史的交易紀錄開始，從平均獲利到最大風險，從週期頻率到報酬分布，開始試著評估可能的報酬，在值得付出風險換取可能的報酬的情況下才進行投資，進一步，可以設定投資策略和投資組合，並針對不同參數做回測分析，許多證據告訴我們，建立一個模型來幫助進行投資決策會比學習預測趨勢來的簡單的多，而且那些最簡單的模型往往是最有效的。

最後，金融市場的不定因素比籃球場上複雜的多，就算某個策略方法在某段時間的命中率超高，也不代表長期下來它可以有較好的報酬，唯有不斷的檢驗和調整，才是在市場生存的唯一法則。

季後賽滿座的場裡，喧囂的評論與情緒到出手的運動員耳裡都已模糊難辨，宛如靜默，投資與投籃有些相似，做出決策時都帶些孤獨感，話說回來，今年騎士與勇士你支持哪一隊？

The post 手感發燙？運氣來了？投籃與投資都需要的命中率 appeared first on StockFeel 股感.

好比一個總統大選辯論會，老人女人、有錢人，所有候選人都繞著它爭辯的關鍵詞，民意代表呼籲要跟上這波潮流，報紙登出一些連標題都嫌太長的社論，官員緩緩宣布我們要以大數據的概念建構…

然後你恍神了。

不久之後你的老闆也趕上這股流行，為了不顯得外行只好邊開會邊在桌子底下查維基百科，還有更多呢，人工智慧、回測，對於不是以看世界培養國際觀為業的你真是痛苦難當。

大數據對於一名散戶的意義何在？

大數據

大數據的定義沒有你想像的複雜多元，一般認為要有3個V，資料量（Volume）要夠大，資料輸入輸出速度（Velocity）要夠快，與資料變化度（Variety）要夠高，由於技術的突破，我們開始可以處理這些大量、快速輸入輸出或是不同結構的資料，運用在股市中可能是交易盈虧、籌碼變化等，當然，雲端運算技術降低成本門檻，配合各式資料源(社群資料、地理資料與行動資料)的易取得性，推動了這波大數據熱，但是別誤會，資料並不一定要大才有價值，我們不應該以資料量的大小來評估其資料分析的潛力，大數據的核心精神僅僅在於分析過去歷史資料來產生決策或預測，用白話說就是鑑往知來。

大數據僅僅是一個概念而不是一種方法，而應用大數據的方法包含多個學科的組合，包含統計、演算法、甚至是網路科學，因此下次當有人跟你說，「用大數據來解決…」，請他把方法說出來吧，例如「我用分群法來解決…」，不然只會徒增誤解。

大數據應用在投資策略中，較為普遍的有回測以及人工智慧兩種。

• 回測(程式交易)

回測運用在投資方法的分析已行之有年，特別是在期貨的程式交易，老牌軟體MultiCharts便提供程式開發環境讓投資人可以將投資想法轉換成策略，並利用歷史資料回測進行驗證投資方法的有效性，回測的技術方法是來自統計學分析，透過反覆嘗試 (又叫試驗法、暴力法)然後統計結果，然而這樣的方法缺點在於不夠彈性且受限於人為定義策略的限制，無法自動化的對特殊事件進行調整。比如榮化公司股價因為高雄氣爆事件股價重挫，期間若以價位或營收等資料作為條件設定回測，可能產生參考價值較低的結果，優點是你可以不用再從事些紙上談兵的模擬投資了，直接輸入你自己，或是你從某周刊某老師那邊學來的策略，透過回測服務機構的運算，就能了解「如果我這樣買賣會怎樣」。

• 人工智慧(機器人理財)

人工智慧是最常被提到用在大數據應用的基礎方法，包含機器學習與資料探勘都算是人工智慧的方法，相較於回測的反覆嘗試，人工智慧著重於根據資料性質設計假設模型(比如機率分布)，並設計適合電腦運算的架構，除了分析歷史資料，更希望能讓電腦建立智慧(判斷準則)，因此以機器人理財來說，目標是能夠全自動化的根據變動的金融訊息，針對股價或趨勢進行預測，並做出最佳投資決策，然而，雖然相關資訊技術不斷突破，人工智慧運用於投資決策目前仍多數停留在研究理論階段，可實行性尚難以評估。

回測(程式交易)與人工智慧(機器人理財)都算是大數據運用在金融商品的應用，其核心精神都是因為認為歷史一再重複，有跡可循，從而分析過去歷史資料來產生決策或預測，但兩者有其不同的方法和目標，所得到的結果也不會相同，投資人應該根據不同目的選擇合適的應用服務。

The post 大數據對於一名散戶的意義何在？ appeared first on StockFeel 股感.

AlphaGo的計算、蒐集能力無人腦能及，我們是否能夠期待Alphago 進軍投資市場，比如替投資者研判「買這些的人也買了」、「22元的中鋼（2002-TW）能買嗎」、「該不該放空宏達電（2498-TW）」這些主持人在電視上反覆問著來賓，而來賓總給觀眾一些投資理財有賺有賠之類的答案。

其實透過人工智能演算法解決難題的方法在投資領域上已行之有年，從投資組合最佳化到程式交易，都是透過演算法來分析大量數據、預測價格並尋找獲利機會，華爾街早已超過三分之一的交易是來自程式的判斷決策，而看到機器革命(Smarter, Faster Machines)被列在2015年的世界經濟論壇（World Economic Forum, WEF）的報告中，AlphaGo會不會開始在投資市場中百戰百勝（Yum! Brands, YUM-US），筆者今天就從這些應用的特性來分析出現超級交易機器的可能性。

• 動機變化

購物推薦和自動駕駛都是屬於靜態的行為模式，人的喜好和習慣不太容易會有大幅度的改變，然而圍棋比賽和金融交易則是屬於動態的決策判斷，因為勝負(賺賠)具有絕對的互斥性，對手很有可能為了取勝而做出非典型或是逆向的操作，雖然已有模型(如賽局理論)能夠分析在這種應用中每個角色自私性(selfishness)，但是真正要面對多維度的應用還是可能要回歸到機率式的窮舉搜索，無疑地，特別面對那些不按牌理出牌的對弈行為，會大幅增加演算法的設計難度。

• 關聯性

原則上，購物推薦僅考慮消費者個人的喜好，並無參考對於他人購物行為的關聯性，而圍棋比賽則須考慮到雙方動作存在的雙向關係，至於自動駕駛和金融交易更是涉及到多對多的交互決策影響，其中金融交易更可能受到跨地域甚至跨時域的行為、事件所牽扯，所需的運算層面難以想像。

• 人機互動

購物推薦應用不存在人機互動，僅是單向的輸入輸出行為，而圍棋比賽和自動駕駛則是屬於機器對人的互動，其關鍵在於機器如何理解和預測人類的行為，而對於金融交易中其挑戰在於除了機器對人之外更存在機器對機器的互動，試想想市場上如果市場上大部分的交易都是根據演算法進行決策與最佳化，搞不好我們需要先設計一套演算法來決定要用哪一套演算法了。

• 反應時間

演算法的反應時間往往決定了獲利，購物推薦並不算是有時間限制的應用，圍棋則需要在幾秒鐘內做出反應，而自動駕駛和金融交易更是需要毫秒等級的決策速度，要滿足這樣的限制縱使在雲端分散式與平行運算的架構下仍然具有相當的挑戰度。

• 資訊可見度

反應時間可以透過軟硬體技術的升級得到改善，但是資訊的可見度卻是直接決定了系統的可實現度，無法得知的資訊大幅增加問題的不確定性，甚至可能會讓問題變得無法利用機器求解，在購物推薦和圍棋比賽中，雙方的行為與決策資訊都是完全公開的，在自動駕駛的應用中，除了少部份情況受到遮蔽或是視線死角之外，機器掌握了大部分決策所需的資訊，然而在市場上，一般無法直接得知他人的決策資訊，僅能接收到經過統計或是延遲的簡化資訊。

根據以上的分析，在許多技術挑戰尚未克服之前，筆者認為現在談出現超級交易機器的機會言之過早，但無庸置疑的，相關研究與技術會開始發展，市場上來自程式判斷決策的投資行為會越來越多，投資上需要之資料探勘以及計算預測都將由程式代勞，隨著設備與技術的先進，一般投資者將更加無法與專業交易機構競爭。

The post AlphaGo能打敗大盤嗎? appeared first on StockFeel 股感.