在先前知識專欄的 - 「如何應用ETF建構長期投資組合」一文中，我們提到了一般專業投資機構如何透過ETF建構長期投資組合(文章連結)，例如利用眾多總經數據指標判斷目前的景氣循環位置、統計各資產過去歷史報酬、波動性及相關係數等等。而這些判斷牽涉複雜的數據判讀以及各種變數影響的相互權衡，最終才形成了投資的觀點來達到投資組合的動態調整。

然而，在投資決策的過程中即使是專業經理人也可能對龐大的資訊量感到棘手，這時量化技術或AI領域中的機器學習演算法就扮演了一個提供客觀觀點並以數據為依據的角色。在今天的文章裡，我們希望從金融科普的角度，帶領投資人一窺人工智慧中的機器學習方法，如何為金融投資領域帶來新視界。

AI如何在金融業中掀起波瀾?

自2016年這兩年以來，想必大家都不停地聽到或看到金融科技、金融創新的語彙出現，聊天機器人(ChatBot)、機器人理財(Robo-Advisors)以及市場情緒指標等等的金融服務也正式進入大家的日常生活，這些服務的背後即是由人工智慧(Artificial Intelligence，AI)來支撐，並且針對不同的任務皆有其對應的技術，例如下圖的AI生態系中我們可以看到有自然語言處理、文字探勘、推薦引擎、深度學習等等的技術。

人工智慧的生態系統

資料來源: 元大投信整理20180629

AI其實就是一門製造智慧機器的學科，透過軟體或機器，讓它們如人類一般的展現思考與行動的智能，其又可分為強人工智慧與弱人工智慧。目前大家常聽到的AI多數為只能在限定領域或範圍內執行特定任務的弱人工智慧，例如在2016年三月以4:1擊敗世界頂尖職業棋士李世乭九段的AlphaGO，2017年5月再以3:0全勝擊敗世界第一棋士柯潔的AlphaGO Master，即是在圍棋領域中展現統治級能力的人工智慧。其最終版本Alpha Zero甚至在21天內即透過自我學習的方式達到勝過AlphaGo Master的水平，而這樣驚人的成果即是建立在機器學習一個分支 - 深度學習方法。

人工智慧、機器學習與深度學習的從屬關係

 

資料來源: 元大投信整理20180629

什麼是機器學習?深度學習又在學習什麼?

在我們談論深度學習之前，也許我們應該先回答的問題是，什麼是機器學習? 一言以蔽之，機器學習是嘗試著讓機器(或者電腦)以類似人類的方式去學習如何做事情的一門學科。機器學習也是AI的分支，並且被電腦科學、統計學、認知心理學以及許多領域的學科所應用。而機器學習這個名詞常讓人摸不著頭緒的其中一個原因，也來自於它被不同的領域以不同的名字來稱呼，例如: 統計計算、資料探勘、優化以及型態辨識等等…。

而機器學習中的類神經網路，即是以模仿生物大腦神經網路的運作方式，來讓機器從資料中學習的方法。類神經網路雖早在1975年就被提出，然而受限於當時的電腦沒有足夠的計算能力而一直停滯不前，直到Hinton等教授在2005年所提出的深度學習在圖像辨識上取得了巨大成功，以及消費級硬體人人都能輕鬆取得的今天，深度學習不僅激起各個領域的關注，其受歡迎程度也超過了感知器(Perceptron)、自適應增強(Adaptive Boosting, AdaBoost)、隨機森林(Random Forests)以及支援向量機(Support Vector Machine)等機器學習方法。

應用機器學習方法於金融投資的新浪潮

我們也許可以嘗試想像有一個在投資上取得數十年成功經歷的投資人，當有新的投資機會出現時，他會依照過往所學習到的經驗以及據此建立的原則來判斷這是不是一筆好買賣。例如，過去他投資了許多利用舉債的方式來促進成長的公司，事後卻發現這些投資的表現不佳，因此從這段經驗中，他也許就會歸納出原來投資於使用高度槓桿的公司可能不會有太高的成功率。隨著這個思路，機器學習也是透過消化市場上可取得的資料以及可量化的經驗，讓機器學習進行良好的投資決策，像上述例子中的投資人一樣歸納出原則並找到值得投資的公司。

如同AlphaGo判斷棋面盤勢是領先還是落後，每一個棋步落子後的機率變化與策略組合都需要透過模型大量計算來得出最佳位置，可想而知，金融領域的投資問題只會比圍棋更為複雜。在金融業界相繼投入研究發展的同時，有許多的金融問題都需要更明確的被定義。順著這波人工智慧熱潮，投資人開始關注當人工智慧應用到金融投資領域時會掀起什麼樣的波瀾，投資的聖杯是否存在? 金融界的AlphaGO 是否又會很快出現在市場上?

在未來的系列文章中，我們將會進一步來探討這些問題，帶著大家一起來看看學界與業界在應用機器學習於金融投資上的最新發展。