困擾怎麼買好股票?何不讓 AI 來(Part 1.)

作者: J.R| 數據來源:Growin 量化團隊| 圖片來源:Barbie / unsplash.com

投資市場千變萬化,即便是在整體上漲的趨勢中,不同類別的股票表現有時也會有很大的差異。當投資環境或趨勢一轉變,這也容易讓「固定條件」或「固定風格」的選股的投資策略出現績效落後或是表現不如預期的情況。如上一篇「投資股票,到底要用價值型投資或是成長型投資?」中我們可以看出在兩段不同的時期下,價值型投資與成長型投資表現各有千秋,這也暗示投資人會碰到一個難題,就是未來到底該採取哪種投資方法呢?也許現在 AI 可以解決這個問題。

今年科技股表現一支獨秀,截至 10 月底 Nasdaq 在今年 2020 多事之年締造上漲 25.6% 的表現,其他指數如 S&P 500 、道瓊指數、羅素 2000 小型股指數的表現分別只有 0.5%、-8%、-7.8%,表現明顯不在同一個級別。

但接下來呢?投資人還繼續買科技股嗎?還是資金會留向其他股票嗎?過去好的投資標的或是策略不代表可以適用未來的市場環境,那該如何判斷轉換投資風格或策略?

這樣的問題非常困難,通常投資人需要投入大量的時間研究市場、趨勢,並且摸索出一套系統化的方式,來進行投資方法或策略上的切換,以持續保有好的投資表現。然而,在現行 AI 興起,逐漸顛覆各個產業既有的規則下,Growin 的金融服務也因此而生,我們就來看看 AI 是如何幫助我們在各種市場環境中找尋「具有上漲潛力」股票。

訓練 AI 成為投資高手

要成為頂尖研究員或是專業投資人,需要的是從投資市場上累積大量的經驗,菜鳥投資人從研讀投資書籍、報告、累積實單交易經驗,不停地從股市中學習,慢慢的轉變為擁有 10 年、 20 年、 30 年交易經驗的老手,在這過程中找出對自己最適合的投資方法,而這也是我們要 AI 做的第一步 – 學習。

有鑒於現在科技的進步,我們能有高速的運算速度,可以很快的讓 AI 學習過去 50 年、 100 年甚至更久的金融資訊,就像訓練交易員般,但我們能夠以更大量、更全面的數據,讓 AI 瞭解金融市場。以下我們就針對 AI 提出了一套學習架構:

第一步:餵入資料

Growin 想打造的是以「長期投資」為主的 AI 投資引擎,一方面訓練的資料,以公司的財報資訊為主,希望能找到兼具價值與成長性的公司,因此包含了各種價值型投資以及成長型投資會關注的指標,如 ROEROICROSDividend Yield 等等多種指標;另一方面,我們也包含了像是技術指標、VIX、p/c ratio個股選擇權隱含波動率等資訊,希望能讓 AI 在學習時專注在找尋有潛力的股票時,能同時關注短期的股價、市場預期等資訊。

所有的資料經過去除極端值以及標準化後,並經過團隊資料科學家的特徵工程 (Feature Engineering) 處理,方可餵入 AI 演算法做訓練。我們給予超過 30 年的資料,如下圖(二)分成訓練集以及測試集,在 8000 多檔在 NYSE、Nasdaq 上市的個股進行訓練。

第二步:定義學習目標

有了上述的訓練資料,下一步就是要告訴 AI 它要學習的目標是什麼,有了目標,AI 才可以學習透過歷史資料中找尋訓練資料與目標的關聯性。此範例以分類為主,找尋個股在未來一季可能上漲 10 %為目標。以下為標示符合 AI 學習目標的例子:

第三步:機器學習算法

機器學習的算法有許多種,Growin 團隊在股票篩選的 AI 部分以輕巧、簡便的算法為主,比如說 LightGBMRandom Forest,另外結合一個較為複雜、費時的 類神經網絡 ,透過 Stacking 的方式把訓練出來的模型互相堆疊形成最後一個預測的算法。

這邊有趣的地方是為什麼需要使用機器學習來做呢?一般分析師或是交易員總是有習慣性看的資料、指標或是投資方法,來判斷股市或是投資標的多空方向。然而,往往會面臨的一個困境是:當市場環境整個改變時,自己看的指標或是投資方法是否會失靈?比如說,投資股票,到底要用價值型投資或是成長型投資?中有提到,價值投資法近期的表現走弱,就反映了投資方法無法隨著市場環境變化的缺點。

與此相比,透過餵入大量的資料,機器學習方法可以在眾多的資料中找尋重要的因子,並且在不同的環境中,重要的因子會自動地做改變,如下示意圖:

訓練因子的重要性會隨著不同時期變動

以實際跑 LightGBM 做預測為例,我們可以透過 shap library 來解析 AI 做出的每一次決策是看重哪些資料,由下圖(四)可以觀測出每一期的每一個股票決策在衡量給定資料的重要性都不是個定值,會隨著不同的股票、不同的時期而有所改變。

績效比較:AI 選股名單 v.s S&P 500 & Nasdaq 100

這邊我們先來簡單看一下 AI 為 Growin 篩選股票的成效,我們考慮 NYSE 與 Nasdaq 上市的公司,讓上述『 第一步:餵入資料 』的方法利用 1985-2005 年的資料進行訓練,從 2006 年開始進行回測,並假設未來的資料是不可視的狀況下,讓 AI 隨著時間每個月推薦我們如上述『 第二步:定義學習目標 』定義的股票,並利用上述『 第三步:機器學習算法 』進行訓練, AI 就可以自己找出一個根據資料與目標的選股方法。

大功告成後,每個月 AI 就可以幫我們推薦它看好的股票,此推薦清單會因為市場變化、個股的表現,每個月均會有所變化。在此,我們把每個月 Growin AI 推薦的所有公司接下來一個月的報酬率做平均,並與 S&P 500 以及 Nasdaq 100 指數該月的報酬來比較,先觀察一下 AI 是否真的對選股有幫助,可以打敗大盤的表現,如下統計:

上表,我們統計了從 2006 – 2020/08 月共 175 月的樣本,將 Growin AI 每月推薦的股票平均報酬與指數做比較。可以看出, AI 推薦的股票大部分時間均超越兩個指數表現,相比於 S&P 500 , AI 有 75.4 %的時間表現比較好; 而我們知道科技股在近 10 年來有異常突出的表現,拿 AI 推薦個股比起 Nasdaq 100 也有 61.7 %的勝率。另一個值得觀察的數據是 AI 推薦股票平均報酬贏指數 1.5 %以上的比例,對 S&P 500 有 50.3 %的時間是贏超 1.5 %,而 Nasdaq 100 也有 42.3 %。 這樣的數據相當驚人,我們來看看若換算成投資成效會是如何:

可以看到如果我們各放 10 萬元來投資 AI 推薦的股票清單以及 S&P 500 及 Nasdaq 100 指數,從 2006 年至 2020 年來 AI 推薦的清單會有非常優異的表現。

然而,實際要運用 AI 的選股清單還有一些步驟要做,因為 AI 推薦的股票清單每個月標的數目相當多,從8000多檔股票不定期會篩出 300~1500 檔這樣的範圍不等,作為一般投資人不可能一次買這麼多的股票。但是別擔心,有了 AI 幫我們建立的強大篩選股票機制,我們可以以此為核心,近一步建立量化選股的條件,來打造更強大的交易策略。

下一篇,我們將接續著這個主題,以 AI 每個月篩選出的股票,打造一個約 20 檔標的的投資組合,Stay Tuned !

如果您喜歡我們的文章,請在下方 follow 我們的部落格喔,一旦我們有最新的文章,我們會即時通知您 ! 另外,隨時關注 Growin官網臉書專頁 ,我們將定時為你送上最新的金融市場資訊與 Growin 產品第一手消息!

發表迴響