專家傳真－由通膨、升息、美股下跌 看人工智慧預測的能耐

圖／摘自Pixabay

近月以來，美國通膨嚴重，聯準會不得不啓動升息的腳步。過程中，大家討論到底會升1碼，升2碼還是3碼，造成市場浮動，股票因而上沖下洗。不同的機構會有不同的預測，於是大家就先看多數人的想法如何。當多數人預期不好時，就會造成一些恐慌。

因此還沒開始升息，股票就開始下跌。之後又反轉上漲，好像就此風平浪靜了，但沒多久又再次暴跌。於是有人就形容，股價好像樹上的松鼠一樣到處亂竄，沒有人搞得清楚其中的邏輯。財經節目的主持人只好到處訪問業界人士，希望從中得到一些對現狀和未來趨勢的看法。最重要的大概還是想抓來問，現在到底該買還是該賣。

這幾天美國公佈當月通膨數字，比預期的還高一點，股價立刻暴跌，讓美股正式進入熊市。現實市場全憑羣衆心理操控，很多時候的下跌或上漲並不是因爲這個訊息的好壞，而是這些訊息跟預期間的差距。比預期好就上漲。比預期差就下跌。所以纔有利空出盡或利多出盡的說法，而不是看訊息本身是利空還是利多。

因爲很難掌握，所以每當事情發生的時候，大家往往就會去翻過去的歷史，看看過去相同狀況發生的時候，它的結果是怎麼樣。此外，很多人也希望讓人工智慧來預測未來的走勢，以便告訴投資人，現在是要買還是要賣。

要用人工智慧預測未來股價的走勢，首先需要拿歷史資料來訓練模型。訓練久了，它就能記住過去各種情況，並告訴你未來的結果。問題就是影響價格的因素很多，如果單從價格本身來訓練，往往不能夠反映現在所處的狀況。所以只有加入不同的特徵值，如利率、匯率、油價、通膨、就業等資料一起訓練，才能真正確實掌握現況。

近年來人工智慧，大多用模擬大腦結構的類神經網路ANN來處理各種事情。只要先把模型建好，資料準備好，經過訓練之後，類神經網路就可以做數值迴歸，分類和分羣的工作。資料先要把正確的答案標示好，經過長時間的重複訓練，類神經網路就能預測出如標示的結果。除做影像辨識與物件偵測的CNN外，同時有另一類的類神經網路RNN，可用來訓練語言模型。它能將人類各種語言模式，抽取並記錄下來。

同屬RNN的長短期記憶模型LSTM，這幾年大家常常用來預測股價。同時一併還可以把新聞內容加在一起，跟股價一起來訓練，嘗試一併從新聞中找出對股價影響的蛛絲馬跡。通常這些記憶模型都能回顧過去的現象，很快地連結到相同狀態的位置。但拿來做日後真實狀況的預測，表現往往卻不如預期。對樣本內資料表現好，但對未來樣本外資料就不行了，這就是所謂過擬合的問題。

現在問題就在，當同樣事情再次發生時，也會有相同的結果嗎？而相同的事件發生很多次時，它的結果也常常不同，那又要如何處理？就因爲很難判斷，於是有人就會統計各個不同結果的發生機率，讓大家自行決定哪一種情況比較可能發生。如果一定要從中選出這次的結果，就只好每次都猜機率最高的那個，這樣也許命中率還比較高。

過去就有人說讓電腦預測未來股價的走勢，其結果就像拿飛鏢射輪盤一樣，全憑運氣。或許到最後只能做到像預測颱風路徑一樣，顯示出可能路徑的喇叭圖，離起點愈遠愈不準，所以喇叭口就愈寬。至於未來真正會落在哪一點，就只好大家自行判斷了。