|
未来世界处处充满着电脑，电脑越来越"聪明"，帮人类完成许多事，人类似乎不用再去思考，一切都听电脑的决定就对了。
那交易呢？
交易策略成千上万种，再这么千奇百怪也不稀奇。这么多交易策略，无非就是在做预测。就像电脑帮人类作各种最佳的决定，也是在作预测。
预测胜率接近100%，我们叫做"套利"；预测胜率大于50%，我们叫做"有准度"。预测胜率就算低于50%，只要期望值是正的，搭配好的资金控管，我们依然可以赚钱！
交易策略的胜率，绝对是金融市场研究人员最感兴趣的议题之一。本周我们介绍，如何利用数据分析，制定良好的交易策略。
当然，要做预测，你必须熟悉贝氏定理，我们先来看精准预测里面的一段话：依据贝氏定理，预测基本上是一种资讯处理活动。使用新资料来测试我们对客观世界的假设，目标是要对客观世界的概念更真实、正确。
作者Nate Silver用IBM的超级电脑 – 深蓝(Deep Blue)如何打败棋王Garry Kasparov作为说明！深蓝(Deep Blue)如何打败棋王(Garry Kasparov)?
IBM是全世界最大的电脑公司之一，其所创造的超级电脑 – 深蓝，当时世界排名为259名。为何运算能力如此强的电脑能战胜人脑？电脑真的会自己思考吗?不觉得恐怖吗? 电脑会不会也很爱钱，把我的钱都赚走？然而仔细想想，再强运算能力的电脑，就是仅只于运算能力而已。要像人类一样思考，没那么简单!
没错，深蓝不会思考，那深蓝凭什么打败棋王? 原来深蓝具有强大的资料库，包括十亿组以上的西洋棋棋局，且每秒钟可以计算2亿步以上的可能走法。换句话说，人类历史上曾经出现过的棋局，深蓝的资料库应该都有纪录，而资料库里的某些棋局，可能还不一定在人类的历史上出现过。
有了这么多棋局资料，深蓝可以做什么事？深蓝可以凭着其超级会运算的能力，分析下一步走法在其资料库里的胜率，甚至分析到未来十几步可能的走法。因为有巨量资量可以分析，深蓝可以精准预测赢的机率，执行看似跟人类思考一样的行为，也就是最有可能赢的下一步。
你说深蓝屌不屌? 屌爆了！这场比赛，要说是棋王与超级电脑的对决，还不如说是棋王与历史上所有西洋棋专家的对决。
十多年前的深蓝都能打败棋王了，现在的超级电脑不能战胜大盘？
每次想到深蓝与棋王的对决，牧清华一直有个问题。各位认为电脑打败棋王困难，还是电脑做交易打败大盘困难？
更明确点，在假设资料库存有所有西洋棋资料跟历史交易资料的前提下，电脑打败所有的西洋棋选手困难？还是电脑自动交易，打败市场上所有的投资人困难？
或许有人会说，这是两种不同的游戏，困难度并不能拿来做比较。事实上牧清华也不知道答桉? 但我会猜是电脑下棋比较困难，下面是一种可能的的分析方法：
在资讯科学里，描述电脑处理某个程式的困难与否，我们用"复杂度"(complexity)去表示。
要知道电脑只是执行人类撰写的程式而已，电脑最厉害的就是一秒钟可以运算很多次，且不会出错。别把运算想得太复杂了，就是加减乘除跟简单的逻辑判断而以。
因此，要比较电脑处理的两个任务哪个比较困难，我们或许可以用复杂度的观点去说明。电脑战胜棋王的复杂度 v.s. 电脑战胜大盘的复杂度参考精准预测里面的一段话：
西洋棋赛一开始，白方可以用20种不同方式中的任何一种开局，而黑方可以用他自己的20种走法来回应，第一回合轮完就创造出400种可能的顺序。第二回来轮完有71,852种。第三回合之后有9,132,484种。
整盘棋下完，有些数学家认为数字高达10的1000…0000次方 (次方项共50个0)，这个数量超过全宇宙原子的总数。
而电脑交易战胜所有投资人的复杂度，我们就拿一天的交易时间为例。期货盘中5小时，假设每1秒交易一次，5小时共交易18000次。假设电脑每次都要判断买或卖两种决定，那就是2的18000次方复杂度。
2的18000次方这个数量级，跟上面所说10的1000…0000次方比起来小的多，比例几乎为0。
这样的论点虽然不完全正确，但是可以窥见，电脑去下西洋棋的困难度，应该不亚于作交易赚钱的困难度。
当然，10多年前电脑就可以打败棋王，现在的电脑能力想必更强。电脑没有问题，有困难的还是在交易策略的制定，交易资料如何分析。谈到这，我们不得不再回去了解贝氏定里。数据如何分析？利用事前机率推断事后机率！
类似深蓝的概念，要分析这么多的资料，我们要让电脑去计算每种可能步骤"会赚钱的机率"。这没有很困难，如果你的资料够齐全，套用简单的贝氏定里，就可略窥一二。
举例来说，市场上许多老师会用到的技术分析：一段涨势后，若出现槌子，代表市场要反转往下。(参考论文: The profitability of candlestick charting in the Taiwan stock market)
上面这个论述，只是通论，不一定每次都是这样发展。但即使如此，我们还是可以估计其正确性的机率。
事件A = 10个交易日后股价收低 (10天后的收盘价<今日的开盘价)
事件B = 3MA连续上扬6日后出现 Hammer (High=Close>Open>Low)
我们想要知道P(A)是多少?事实上我们不知道 (知道就发了)，所以这称为事前机率。
但是却发生了事件B，也就是现在想要估计的是P(A|B)，这称为事后机率。
因为资料更多，我们用历史资料计算 P(B|A) 与 P(B|A^c)
(注: 事件A^c 表示10个交易日后股价收高)
P(A) P(B|A)
根据贝氏定理 P(A|B) = P(A交集B)/P(B) = P(A) P(B|A P(B|A^c)(1-P(A)))
现在，P(A|B)即为修正过后的机率，也就是你认为10日后股价收低的机率。
利用数据分析制定交易策略的方法成千上万种，但资料分析的目的就要作精准的机率预测，有了精准的机率，便可发展出各种可获利的交易策略。
今天只是利用贝氏定里作简单介绍。牧清华相信，未来巨量资料时代的来临，绝对有人可以发展出像打败棋王一样的超级电脑，打败所有投资人。牧清华期待那一天的到来。
- 精准预测说的好，分析这些统计数字的直观推论法让电脑可以跟人类的直觉与经验平等竞争。
- 有长期阅读谋权夺利真英雄专栏的读者，应该会了解这里所谓的良好的交易策略，只是创造出还不错的胜率。有了好的胜率后，还须搭配适合的资金控管，才是获利保证的圣杯！
| 
