【神经网络】通过模型优化说AI能在资本市场赚钱获利吗

        前文【神经网络】用LSTM/TensorFlow预测上证指数开盘价收到了不少建议,主要是加入特征和变换特征。趁还没有忘记程序逻辑,对这个模型进行了点改造,准确性确实有了提升。

        结合优化模型的效果,对于争议比较大的神经网络等AI模型能不能在资本市场赚到钱的问题,我写了自己的理解。如果懒得看中间过程,可以直接看第五部分我的结论。

        可能有朋友没看过前文,前文是用LSTM预测上证指数开盘价的AI模型,用到了TensorFlow深度学习框架。

        我在前文模型基础上,改出了两个新的模型。第一个模型是输入参数中加入了开盘价,称为模型一。因为开盘价这个特征我之前忽略了,后来发现其实是可以用的。第二个模型是用日对数收益率替代输入特征中的绝对价格,输出也是开盘价日对数收益率,最后再用收益率计算开盘价,称为模型二。由于神经网络有自动提取特征的能力,在输入特征方面我就不加考虑用了绝对价格,忽略可以使用对数收益率这个性质更好的特征。

一.前文模型

        前文模型的输入特征是收盘价,最高价,最低价,昨日收盘价,涨跌,涨跌幅,成交量,成交金额,输出特征是明日开盘价。绘制预测开盘价和实际开盘价的图形如下。其中红色是预测开盘价,蓝色是实际开盘价。

前文模型预测与实际对比

        计算预测的误差率,并绘制图形如下。其中蓝色是误差率,黄色是误差率均值,绿色是误差率标准差。误差率的均值是0.0159,标准差是0.0298。

前文模型误差率

二.模型一

        输入特征加入开盘价,输入特征由8个变为9个。绘制预测开盘价和实际开盘价的图形如下。其中红色是预测开盘价,蓝色是实际开盘价。

模型一预测与实际对比

        计算预测的误差率,并绘制图形如下。其中蓝色是误差率,黄色是误差率均值,绿色是误差率标准差。误差率的均值是0.0107,标准差是0.0298。

模型一误差率

三.模型二

        使用日对数收益率代替输入特征中的绝对价格。绘制预测收益率和实际收益率的图形如下。其中蓝色是实际收益率,红色是预测收益率。

模型二预测与实际对比

        计算预测的收益率误差,并绘制图形如下。其中蓝色是误差,黄色是误差率均值,绿色是误差率标准差。

模型二预测收益率的误差

        根据预测收益率计算预测明日开盘价。绘制预测开盘价和实际开盘价的图形如下。其中红色是预测开盘价,蓝色是实际开盘价。

模型二据预测收益率计算的价格与实际价格的对比

        计算预测的误差率,并绘制图形如下。其中蓝色是误差率,黄色是误差率均值,绿色是误差率标准差。误差率的均值是-0.001,标准差是0.0105。

模型二反推开盘价的误差率

四.模型比较及评价

        对这三个模型进行评价类似对回归模型的评价,一般用RMSE(平方根误差)进行评价。如果直接使用RMSE,计算的是绝对价格误差。我认为绝对价格误差在评价模型效果方面,不如价格误差率。因此本文主要看价格误差率,用的是预测误差率的均值和方差。

        误差率均值反映了预测的偏离程度,而标准差才真正代表风险。如果均值很大但是标准差很小,可以认为误差是个固定的值,是很容易对模型进行修正的。

        将这三个模型的预测情况进行对比如下表。均值绝对值小,标准差小的模型精度比较高。如果均值很大,说明预测结果相对实际结果有明显的偏离。如果均值绝对值小,但是标准差很大,反应模型预测的偏差很大,但是求均值时恰好正负抵消。

前文模型 模型一 模型二

误差率均值 0.0159 0.0107 -0.001

误差率标准差 0.0298 0.0298 0.0105

        从上表可以看出,相对前文模型的预测精度,模型一的精度有小幅度提升,模型二的精度提升幅度较大。

        通过优化模型和对比,可以看出:1.对数收益率相对价格,更适合这几个模型。2.虽然神经网络有自动提取特征的能力,但是我们还是要对原始数据进行一定的处理,而不是直接拿原始数据喂入神经网络。

        说一下我对这三个模型的真实评价:这三个模型比不过一个略懂股票的人。

        效果最好的模型三误差率的均值是-0.001,标准差是0.0105。可以近似理解成,模型三预测的开盘价与实际开盘价比,平均每天差了1%左右。略懂股票的人想得到比这个更精确的预测很容易,直接拿昨天的收盘价作为预测结果就行了。虽然这是这个模型比较简单,但是也包含一些人类很难完成的复杂计算,能看出人类和机器的一些差别。

五.人工智能可以在资本市场赚到钱吗?

        神经网络(AI)虽然强大,但有有些方面却远不及人类。人类可以通过学习各类专业知识形成系统的知识体系,再通过实践不断完善知识体系,形成一种专业敏感度,然后基于这些去做分析判断和逻辑推理,是理性与感性的结合,而神经网络(AI)是无法做的。

        资本市场是一个很容易受外部干扰,并且干扰因素频繁变动的环境,而神经网络(AI)适合受外部干扰小,且干扰因素稳定的场景。因此对于资本市场而言,神经网络(AI)重要性低于知识体系和敏感度。虽然我不太懂量化交易,但是我觉得能用神经网络(AI)在资本市场获利的人,都是不用神经网络(AI)也能获利的人,纯AI是无法在资本市场获利的。

        在资本市场这个江湖中,神经网络(AI)就像一个武器,而知识体系就像是内功。内功深厚的高手用了武器可能会获得优势,从而能够战胜另一个高手,但是如果功力一般的人因为拿了这个武器,就要去挑战高手,还是会被打败。

了解更多欢迎关注我的公众号和专栏。

微信公众号:曲曲菜

知乎专栏:AI和金融模型

原创作品,未标明作者不得转载。

作者公众号二维码

推荐阅读更多精彩内容