【數碼金魚缸】最近看新聞，有指澳門賭場已運用人工智能，分析賭徒的影像，來判斷他是否「大把錢輸」的客仔，重點給予優惠。又有公司用AI分析央行發表的聲明用語，藉以預測息口走勢，聲稱可以在千分之一秒內完成分析並傳給客戶作投資決定，而且準繩度不差於人肉分析員。AI應用越來越廣泛，甚至有人拿來預測股價，希望跑贏大市，本文測試當中流行的技術，看看如何在股市中運用AI。
深度學習（Deep Learning）是近幾年連連取得突破的AI範疇，無論是圍棋、打機、繙譯、人臉辨識、駕駛，都發展出媲美或勝過人類的演算法。深度學習的基礎，是利用神經網絡算法，去消化大量的數據，梳理出當中的特徵、規律，然後作出預測。
神經網絡可以怎樣預測股價？首先當然要把大量歷史數據「餵」給演算模型，讓它去自行尋找「規律」，越多案例、數據，對改善預測表現越有幫助，不過與識別人臉不同，股票價格是用時間串起來，過去一段時間的股價走勢或會對未來股價有啟示，故此模型必須有「記性」，將過去可能有用的特徵記下來供未來使用。
以長短期記憶預測股價
若論「有記性」的深度學習模型，則以長短期記憶LSTM（long short-term memory）較受歡迎，因其三度閘門的設計，可以決定把甚麼參數傳遞到未來，具體運作涉及到相當繁複的線性代數及微積分的運用，不過大部份神經網絡的核心概念，都是把數據透過一層一層的神經網絡，轉化成為正確的答案，例如臉孔的主人、明天股價升跌等，當中透過設置一個損失函數，讓模型學習如何靠近目標，這損失函數就像你射的箭與紅心的距離，或預測股價與實際股價的差別，透過調校大量參數來縮窄損失，便可以增加模型的準繩度。
以LSTM來預測股價，網上有大量資源，我今次測試的，是名為DeepTrade的程式，讀者有興趣的，可到Github下載運行*。程式需要輸入股票或指數的價格資料作訓練之用，包括開市價、即日最高最低價、收市價及成交股數，我從yahoo finance下載50隻恒指成份股由2000年起的價格資料（扣起長實地產（1113）及九倉置業（1997）等上市時間太短的案例），在選擇收市價時，我用的是反映股息及拆股合股影響的經調整收市價。
在輸入基本數據後，程式會自動計算大量特徵，如最高最低、開市收市的價格變化、RSI強弱指數、MACD、保力加通道、移動平均線等共61個指標，而模型每次會拿取30天的樣本及61項特徵來學習。
程式的AI會每天預測一個持貨百分比P，1代表滿倉，即把你預算投入這股份的資金全部用來掃貨，0代表清倉，並在每日收市前調整比重，如今天的預測是P = 0.7，而昨日的P是0.5，即代表要加注兩成資金。
模型的指導思想，亦即其損失函數為：
-100乘以﹝P *（R - c ）﹞的平均數
其中c為資金成本（假設為0.02%），R為次日股價回報率，P為持倉百分比。若AI預測股價上升，便會建議一個較高的P值，反之亦然，變相以趨吉避凶來提升回報。
程式以Python撰寫，LSTM模型則要安裝Tensorflow及Keras程式庫來運行。程式會扣起每隻股份或指數700天的數據，不用於訓練，而是用作測試訓練後的模型表現。若訓練時模型表現遠好於測試數據的表現，或顯示模型過份擬合（overfit)，即太過為訓練數據度身訂做，反而影響實際表現，便需再作調校。
原程式建議訓練3,000回合，讓參數可以逐步提升預測能力，但我的電腦太慢，姑且訓練30次看看結果怎樣。
拿扣起的700日數據來看訓練結果，以騰訊（700）為例，程式於2016年7月開始作出預測，開始時通常是滿倉，到年底開始大幅減持至零持股，數十天後確認騰訊反彈，又恢復滿倉，但因為之前沽了貨，故一直跑輸長揸的表現，到去年3月開始，大部份時間處於沽清狀態，至今年頭才大部份時間滿倉，結果其回報達157%，大幅跑贏長揸的74%。
當然，程式也有失手時，例如用中電（002）測試時，回報（連股息）便跑輸8個百分點。程式建議大部份時間滿倉，只在幾個調整位沽貨，但顯然低估了中電的反彈力度，故此一路追不過長揸的表現。
我再次強調，本文只是測試AI預測股價的能力，並非建議實戰，一來以上在計算回報時，未有計入佣金及買賣差價等交易費用，故此若依程式頻繁進出（如騰訊便要增減持近200次），其成本肯定拖低回報。雖然程式在損失函數中加入資金成本，已令AI在優化時減少改變持倉的次數。
另外，程式是假設你可於臨近收市前根據程式的建議調整持倉比重，若轉倉的作價不貼近收市價，出來的回報便有偏差，這都是實戰中會遇到的實務問題。
同時，AI只是分析你輸入的股價特徵作出決定，但往往不能解釋其決定，有點像黑箱作業，雖然高手可以從其參數中發掘AI對不同特徵的重視程度，從而解讀它的取捨準則，但大部份時間仍然是霧裏看花，正如開發AlphaGo的團隊，也未必能夠解釋程式的每一步棋。
近年成對沖基金寵兒
要進一步改良程式的預測能力，可以考慮增加訓練回合，調整學習速度（learning rate），又或更換不同的技術指標供AI學習，這些可以留待有興趣的讀者慢慢發掘。
AI炒股近年成為對沖基金的寵兒，這些大鱷不惜工本地投資在這項新技術，那是否代表業餘散戶注定在這場科技競賽中敗陣？我看又未必，若有留意一些AI國際競賽的話，不時會出現一些年輕勝出者，他們未必對這些模型背後的複雜數學充份了解，但他們像tune hi-fi一樣tune手上的模型，到最後表現可以擊敗很多數據科學家。
網上課程助AI新手入門
對一般人來說，AI好像太高深，學習門檻非常人可及。不過，我的經驗告訴我，好像學習任何科學一樣，都可以先從實驗着手，待引發興趣後，再淺入深地鑽研背後的理論。坊間其實有很多程式套件，有齊數據庫及程式，供你去領略AI如何可以認字認人及作出預測。
若你想了解背後的原理，我推薦美國史丹福大學教授吳恩達在Coursera的網上課程，吳恩達是港人之後，在香港曾居住了一段短時間，他是公認的AI權威，曾為谷歌、百度創建AI實驗室，他創辦Coursera之初，亦是以自己的AI課程作招徠，其講學深入淺出兼生活化，已吸引逾200萬人報讀，而且若不需要拿證書，課程是完全免費，他不時出席講座介紹AI發展，是AI普及化的大推手。
尼奧
作者簡介：一個有IT背景的交易員，遇上由財經轉戰編寫程式的IT初哥，大家都相信未來投資要靠科技，人機合一必有所得。
作者電郵：mailto:[email protected]
＊ https://github.com/happynoom/DeepTrade_keras