股票交易機器學專題及常見問題

① 機器學習怎樣應用於量化交易

機器學習怎樣應用於量化交易（一）

曾有朋友問過，國內現在量化領域機器學習應用的少，是否因為效果不如簡單的策略。其實，把機器學習應用在量化交易上始終面臨著兩難，卻並不是無解的兩難。很多時候並不是機器學習不work，而是真正懂如何用正確科學的統計思維使用Machine Learning的人才太少。

機器學習涉及到特徵選擇、特徵工程、模型選擇、數據預處理、結果的驗證和分析等一整套建模流程，廣義角度來說就不單單是模型選擇的問題。所以，如果認為「用支持向量機成功預測股票漲跌」 這樣的研究，就是把機器學習應用於量化交易，這種狹義的認識無疑是買櫝還珠，對機器學習領域散落遍地的珍珠視而不見。如果把機器學習的崛起放在歷史進程中考量，無非就是趨勢的延續：現在，可通過系統的數據分析證實過去模糊不定的經驗，機器學習演算法將未曾被察覺的規律得以浮現紙面。

在我看來，未來的發展概有兩個方向：

1.針對量化交易的統計學習演算法被提出，使其適合於雜訊大，分布不穩定的金融數據分析；

2.對於機器學習的熱情回歸理性，從工具為導向回歸到問題為導向。

針對如何以問題為導向，在機器學習演算法中挑選合適的工具，分享一些思路。

1.多因子模型的因子權重計算

當我們在構建多因子模型且已經選定了一系列因子之後，要如何根據不同的市場情況調整各個因子的權重呢？在以往的研究中發現，與其它演算法相比較，隨機森林演算法對於存在非線性、噪音和自變數共線性的訓練集的分析結果更出色。所以，目前在多因子模型的權重上，採用當期收益率對上期因子進行隨機森林回歸分析，以確定下一期多因子模型的因子權重。

2.缺失值處理

處理缺失值在金融的量化分析中是個無可避免的問題。選取合理的缺失值處理方法，依賴於數據本身的特點、數據缺失的情況、其對應的經濟學意義，以及我們需要使用數據進行何種計算。在嘗試構建多因子模型時，我們選擇了兩種缺失值替換方法：（1）採用期望最大化演算法來用同一變數的已知數據對缺失值進行極大似然估計。（2）把模型中包含的所有因子作為特徵變數，並賦予其相同的權重，再採用機器學習中的K-近鄰演算法來尋找最相似的標的，保證缺失值替換後，不會強化一部分因子的影響力。

其實在量化領域，機器學習解決著線性模型天生的缺陷或弊端，所以還是有著很深的介入的。除去凸優化、降維(提取市場特徵)等領域的應用，目前「非動態性」和「非線性」是兩個重要的弊端。金融關系之間並非靜態，很多時候也不是線性的。統計學習的優勢此時就會體現出來，它們能夠迅速地適應市場，或者用一種更「准確的」方式來描述市場。

在國內，機器學習在量化內應用跟領域有很大的關系，跟頻率也有很大的關系。比如，CTA的運用可能就要多於股票，它處理數據的維度要遠小於股票，獲取市場的長度和動態又強於股票。股票市場的momentum要弱於期貨市場的momentum，它的趨勢與股票相比更明顯和低雜訊。這些特徵對於機器學習發揮作用都更加有利。

很可能國內一些交易執行演算法的設計上就借鑒了機器學習。我們可以通過學習訂單薄特徵，對下一期盤口變化做一些概率上的預測，經過一定樣本的訓練之後，可以顯著地提升演算法表現。

而我仍謹慎看好深度學習等機器學習方法的原因在於，在認識市場上，現行的大部分方法與這些方法並不在一個維度上，這個優勢讓它們與其他方法相比，捕捉到更多的收益。也就是說，一個新的認識市場的角度才能帶來alpha。

② 股票初學相關問題

你這個問題問的真好，如果給你說明白可能至少得上百萬字，還要附上海量的圖做例證
你問的問題也是無數炒股多年的股民想知道的問題，而事實上真正知道股票是怎麼炒的人，連百分之一都沒有，大多數人是糊塗賺錢，糊塗賠錢。
努力學習。看海量的書，吸取各家之長。多做交易，總結經驗。經常看交割單回顧交易過的股票都犯過什麼錯誤。
然後也許二三年，也許四五年，你就懂了。要麼你就是傷痕累累的退出去了。
估計看過我說的話，你可能會找些書看，或者你現在已經在看什麼書，你會對我說的很不以為然。學習過一段時間感覺自己水平行了，拿書里說的和股市對照覺得作者很有道理。然後你就實盤交易了。然後你就開始賠錢了，然後你就覺得自己的操作和書里講的可能不一樣。再努力學習。再交易再賠錢。可當這個股票走過去一個趨勢了。你回頭再看，原來書還是對的。自己找錯了交易位置，這段走勢原來書里是這樣說的。有恍然大悟之感。再看書學習。然後再交易，又賠錢。這時你開始懷疑你看過的大大小的的股票書是不是在騙人？為什麼在行情中間就看不懂，你開始懷疑即使作者也未必比你更了解書里的內容。因為你已經可以倒背如流了。這里你懷疑即使作者也未必有你操作的更好。
這里你最大的懷疑就是股市到里有沒有可以預知賺錢的技術？
好！估計從這個懷疑開始你就應該走到正確的道路上來了。這里你已經學過很多K線理論。形態學。道氏理論更是早就看過數遍。各家技太分析流派估計你都或多或少的了解一些。尤其是國外的經典著作。
這時你又回到老路上來了。就象一個剛入市什麼也不懂的新股民，覺得只有消息才可靠，到處探聽消息。主力動向如何，有些消息讓你賺了一些錢，可有些消息讓你賠的比賺的更多。這時你開始心生退意。不如不做股票了，在這里浪費了多少年的時間精力，想賺錢卻賠的一踏糊塗。
這時你在股票大廳面對眾多來來往往的人如有一種淡然。這種淡然不是對人冷淡，是看透一切的平靜。
這時你從內而外幾乎是無欲無求。這時的你明白，股票漲不漲全在主力拉不拉。國外大師們寫的書都是金子，可在中國不適用。因為國外沒有那麼多庄。國內那些所謂大師們寫的書，全是狗屎一堆。無任何參考價值，技術指標沒有任何用處。
這里如果你仍然有信心在股市裡轉你開始研究主力形為了。這時的你看到一個票給人說的不是某某技術指標在什麼位置，某某均線會產生什麼力量。
這時的你看到股票會說，這支票主力在建倉，這支票主力在洗盤，這支票主力還沒撤出。可放心持有，盡管准確率很讓人懷疑，但應該恭喜你，你走了幾年的路，終於回到正路上來了。

以上部分內容是本人炒股經歷。與你分享。

祝你好運。

③ 用「機器學習」做「股票預測」能做到什麼程度

我最近也在思考這個東西，機器學習是基於統計數據的，但是問題在於統計數據的產生可能就受到政策的影響。你如何把收集到的新聞等也納入數據計算之中，或許才有可能吧。

④ 股票在證券交易所機器上買入和賣出的技巧！

在自助委託機上買賣股票，從賣1賣2賣3.....和買1買2買3.....中可以掌握一點情況，但市場千變萬化，僅靠那兩組數據是遠遠不行的。
有時申買的掛單較多，說明看好該股的人較多，有時主力正好利用這種散戶效應，大筆拋單主動給你，你買上了就會下跌，很多散戶就是誤以為買的人多就好而被套。相反。申賣掛單很多，散戶誤以為都想賣了，也快走吧，結果被主力幾個主動性的買單全部吃掉，結果散戶剛賣，股票就漲。
自助委託注意的問題，只要你想在某一價格買就直接到申賣的掛單中去買，以免買不到。想賣時直接在申買的掛單中去賣可以即刻成交，以免掛高賣不掉。

⑤ 新手如何學習股票的交易，風險有多大

1.最簡單的k線圖和基本知識。當所謂的高層建築在地面上升起時，基礎必須打好。當你和朋友交流時，你不會太尷尬，而且你會因為沒說幾句話而變得盲目。對網路來說，最好是看看一些難以理解的單詞，慢慢擴展自己的知識。

5.大盤的感覺。股票有很多，但同類型股票的走勢卻大不相同，這也可以說是一種盤感。就像工作了很長時間。撿起來做很容易。股票投資的系統風險利率風險和匯率風險和購買力風險。市場風險是股東面臨的最困難的風險之一，其對股東的後果有時是災難性的。

⑥ 如何用Python和機器學習炒股賺錢

相信很多人都想過讓人工智慧來幫你賺錢，但到底該如何做呢？瑞士日內瓦的一位金融數據顧問 Gaëtan Rickter 近日發表文章介紹了他利用 Python 和機器學習來幫助炒股的經驗，其最終成果的收益率跑贏了長期處於牛市的標准普爾 500 指數。雖然這篇文章並沒有將他的方法完全徹底公開，但已公開的內容或許能給我們帶來如何用人工智慧炒股的啟迪。

我終於跑贏了標准普爾 500 指數 10 個百分點！聽起來可能不是很多，但是當我們處理的是大量流動性很高的資本時，對沖基金的利潤就相當可觀。更激進的做法還能得到更高的回報。

這一切都始於我閱讀了 Gur Huberman 的一篇題為《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的論文。該研究描述了一件發生在 1998 年的涉及到一家上市公司 EntreMed（當時股票代碼是 ENMD）的事件：

「星期天《紐約時報》上發表的一篇關於癌症治療新葯開發潛力的文章導致 EntreMed 的股價從周五收盤時的 12.063 飆升至 85，在周一收盤時接近 52。在接下來的三周，它的收盤價都在 30 以上。這股投資熱情也讓其它生物科技股得到了溢價。但是，這個癌症研究方面的可能突破在至少五個月前就已經被 Nature 期刊和各種流行的報紙報道過了，其中甚至包括《泰晤士報》！因此，僅僅是熱情的公眾關注就能引發股價的持續上漲，即便實際上並沒有出現真正的新信息。」

在研究者給出的許多有見地的觀察中，其中有一個總結很突出：

「（股價）運動可能會集中於有一些共同之處的股票上，但這些共同之處不一定要是經濟基礎。」

我就想，能不能基於通常所用的指標之外的其它指標來劃分股票。我開始在資料庫裡面挖掘，幾周之後我發現了一個，其包含了一個分數，描述了股票和元素周期表中的元素之間的「已知和隱藏關系」的強度。

我有計算基因組學的背景，這讓我想起了基因和它們的細胞信號網路之間的關系是如何地不為人所知。但是，當我們分析數據時，我們又會開始看到我們之前可能無法預測的新關系和相關性。

如果你使用機器學習，就可能在具有已知和隱藏關系的上市公司的寄生、共生和共情關系之上搶佔先機，這是很有趣而且可以盈利的。最後，一個人的盈利能力似乎完全關乎他在生成這些類別的數據時想出特徵標簽（即概念（concept））的強大組合的能力。

我在這類模型上的下一次迭代應該會包含一個用於自動生成特徵組合或獨特列表的單獨演算法。也許會基於近乎實時的事件，這可能會影響那些具有隻有配備了無監督學習演算法的人類才能預測的隱藏關系的股票組。

⑦ 對於學習股票交易技術的課程,有什麼意見和建議嗎

個人覺得學習學個基礎知識比如說怎麼看k線，股票交易，買賣要收多少手續費？等一系列的知識。
對於網上的那些個股神，聽聽就好，不要太往心裡去，要有自己的判斷，不要跟風。

⑧ 用alphago來做股票交易會怎樣機器學習預測股票靠譜么

當然不全面，機器無法掌握消息面的情況，選擇好個股還的有更多的分析嘛

⑨ 股票在證券交易所機器上買入和賣出的技巧!

自助委託機買賣股票賣1賣2賣3.....買1買2買3.....掌握點情況市場千變萬化僅靠兩組數據遠遠行
申買掛單較說明看該股較主力利用種散戶效應筆拋單主給買跌散戶誤買套相反申賣掛單散戶誤都想賣快走吧結主力幾主性買單全部吃掉結散戶剛賣股票漲
自助委託注意問題要想某價格買直接申賣掛單買免買想賣直接申買掛單賣即刻交免掛高賣掉

⑩ 怎樣讓《機器學習》進行股票分析，提煉出規律

你好，這個要求太高了，目前的程序化或者機器人的深度學習都還沒有到這種地步。建議參考券商的程序化交易，來不斷提煉規律