北角ETF投資日記 利用人工智能預測股巿 2014年08月26日

最近看了一篇國際性期刊Knowledge-Based Systems的學術文章，題目名為Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting。起初，我只看了該篇文章的摘要，它講述作者發明了一個新的人工智能的模型應用於股價預測上，並與之前一些模型作出比較，實驗結果顯示他們的模型比前人的要好，能有效地預測股價。

看到這摘要我非常興奮，迫不及待就跳過內文，直接看實驗的部份。發現原來他們所指的預測，只是指預測第二天的股價，這已使我失望了一大半。另外他們只利用四隻股票作為實驗對象，分別是IBM，DELL，British airlines，Ryanair airlines，姑勿論數據太少，另外這些都是些大型企業，每天的股價變動不會很大。再看看實驗結果圖表，發現除了DELL外，其餘三家的預測很明顯的有滯後現象，感覺就好像畫了條一天平均線一樣。基於科學精神，我根劇文章所述，從YAHOO和GOOGLE找到原始數據，利用一天平均線(或稱Naïve approach，我譯作低B做法)來作預測，實驗結果如下：

平均絕對誤差百分比(MAPE)	IBM	DELL	BRI	RYAAY	TOTAL
前人做法1(HMM)	1.219	1.012	2.629	1.928	6.788
前人做法2(HMM+ANN+GA)	0.849	0.699	1.646	1.377	4.571
前人做法3(HMM+FL)	0.779	0.405	1.529	1.356	4.069
前人做法4(ANIMA)	0.972	0.66	1.573	1.504	4.709
前人做法5(ANN)	0.972	0.66	2.283	1.504	5.419
文章建議的方法	0.63	0.534	1.413	1.241	3.818
一天平均線(低B做法)	0.651	0.804	0.71	1.453	3.618

沒想到低B做法的誤差百分比居然是所有方法中最低的，不禁令我懷疑作者在攪什麼。於是我看了一下內文，發現他的模型真是複雜得要命，居然還有臉說：The central idea to successful stock market prediction is achieving best results using minimum required input data and the least complex stock market model. 他們的模型首先用stepwise regression選擇Variables，簡單來說就是找出哪些變項跟要預測的東西關係最大；之後用self-organizing map為輸入的資料做分類（self-organizing map是類神經網絡的一種）；最後用Fuzzy logic跟genetic algorithm去選擇一些合適的規則作出預測（這個有點複雜，中文就是模糊邏輯和遺傳算法，有興趣可以上維基慢慢看）。他們的模型比低B做法真的不知複雜上多少倍，他們的模型還要經過預先學習的階段才能應用，沒想到這樣的文章居然能登上Knowledge-Based Systems，實在令人失望。