自從股市誕生，人們就一直在與這套系統(tǒng)博弈，并試圖戰(zhàn)勝市場。

多年來，人們嘗試了數(shù)千項理論和實驗，但沒有一項能夠長久地在股票市場奏效。

[[313646]]

這些理論考慮了許多因素，如公司基本面信息、環(huán)境、供求關(guān)系、投資者心理等。

有些人認為，機器學習正寄予人們希望，它的強大功能將能一改股票市場研究的頹勢，并為人們打開財富之門。

真的嗎?

下面小芯將為大家解答機器學習是否可以預測股市的問題。

首先還是一起來瀏覽下機器學習的工作原理。 

機器學習的工作原理

機器學習是一種數(shù)據(jù)分析技術(shù)，它可以借鑒使用計算數(shù)據(jù)的經(jīng)驗，直接從數(shù)據(jù)中“學習”信息，而無需依賴預先確定的方程式。換句話說，它得到的數(shù)據(jù)輸入越多，它就越機靈。

這些算法從數(shù)據(jù)中找到模式，形成見解，從而做出更好、更明智的決策。

機器學習有兩種學習方法：

1. 監(jiān)督學習——它在已知的輸入和輸出數(shù)據(jù)上訓練模型以便預測未來的輸出。用于得出這些結(jié)論的技術(shù)為：

a. 分類技術(shù)——將輸入數(shù)據(jù)分類，例如辨別電子郵件是有效郵件還是垃圾郵件。

b. 回歸技術(shù)——這種技術(shù)可以預測連續(xù)的響應，如溫度的變化

2. 無監(jiān)督學習——查找數(shù)據(jù)中的隱藏模式，并用于從沒有標記響應的輸入數(shù)據(jù)組成的數(shù)據(jù)集中進行推斷。這種學習方法的最常見類型是聚類，它可以發(fā)現(xiàn)數(shù)據(jù)中的隱藏模式或分組，將其視為一個事實發(fā)現(xiàn)機器，然后將所有相似項放于一個組中。

既然已經(jīng)了解了機器學習的工作原理，那就開始深入研究過去預測股市的一些嘗試吧! 

過去的股市預測方法

以下這兩種方法都是過去嘗試過的老方法，如今仍被一些人沿用。這兩種方法都具備各自的優(yōu)缺點，但最終都無法如期可靠預測市場。

1. 基本面分析——涉及影響股票價格的經(jīng)濟因素。這些因素包括資產(chǎn)負債表、損益表和現(xiàn)金流量表。資產(chǎn)負債表是提供公司資產(chǎn)、負債和股東權(quán)益等信息的財務報表。它告訴人們某公司擁有何種資產(chǎn)及必須償還債務的類型。損益表列出了收入、費用以及公司是盈利還是虧損狀態(tài)?，F(xiàn)金流量表告訴人們資金是如何進入和流出企業(yè)的?；久娣治鍪褂眠@些文件來預測公司的財務狀況。

2. 技術(shù)分析——這是基于股票的價格和交易量，從而預測其他股東行為的方法。技術(shù)分析使用許多不同類型的指標來預測股票的價格走向，其關(guān)鍵是識別出趨勢的上升或下降狀態(tài)，并試圖檢測模式。

如今，許多人仍說服自己過去的預測模型是有效的，并堅持使用它們。但這兩種舊方法并不如他們所相信的那般可靠。機器學習能否提供更好的預測結(jié)果?來觀察以下的一些機器學習模型，并來解釋一下其工作原理。 

機器學習的預測模型 

許多人認為機器學習是準確預測股市趨勢并發(fā)家致富的答案。全世界都在進行實驗測試，以尋找完美的技術(shù)來完成幾乎永遠不可能完成的事情。這只會使人們更加努力并相信他們擁有神奇的算法來獲得圣杯。以下是人們正使用的一些技術(shù)：

移動平均——這是技術(shù)分析法中使用到的一種技術(shù)，通過在一段時間內(nèi)把每日的價格平均化處理來平滑價格歷史記錄。根據(jù)其類型(簡單移動平均或指數(shù)移動平均)以不同的方式計算移動平均值。通常會使用過去30、60或90天的歷史數(shù)據(jù)和技術(shù)指標來預測股價。

機器學習可以使用神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)其他系統(tǒng)無法檢測到的數(shù)據(jù)模式，從而提供優(yōu)于其它系統(tǒng)的優(yōu)勢?？梢愿鶕?jù)某些條件運行實驗并檢查結(jié)果。如果最終結(jié)果不令人滿意，可以調(diào)整一些數(shù)據(jù)輸入和其他因素以產(chǎn)生更好的結(jié)果。

線性回歸——指分析兩個獨立的變量以確定一個單一的關(guān)系，線性回歸是金融市場中技術(shù)分析和定量分析的有效措施。它返還一個確定自變量和因變量之間關(guān)系的方程。

當用于機器學習時，線性回歸是一種基于監(jiān)督學習的簡單技術(shù)，主要用于預測和尋找變量之間的關(guān)系并進行預測。正如Aishwarya Singh一篇文章中指出的:

線性回歸是一種簡單易行的方法，但也有一些顯而易見的缺點。使用回歸算法的一個問題是，模型適應日期和月份列。該模型將考慮一個月前的同一日期或一年前同一日期/同一月的值，而不是考慮預測點的先前值。

長短期記憶神經(jīng)網(wǎng)絡(luò)(LTSM)——是一種人工遞歸神經(jīng)網(wǎng)絡(luò)架構(gòu)，可以處理單個數(shù)據(jù)點和整個數(shù)據(jù)序列。LTSM的公共單元由單元、輸入門、輸出門和遺忘門組成。

由于LTSM使用儲存單元來替換網(wǎng)絡(luò)隱藏層中的人工神經(jīng)元，它們可以隨著時間的推移有效地關(guān)聯(lián)儲存。這使它具有掌握股市中不斷變化的動態(tài)數(shù)據(jù)的優(yōu)勢。 

總結(jié)

預測股市一直是人類最艱巨的任務之一。為了掌握商機并戰(zhàn)勝市場，已經(jīng)花費了無數(shù)精力。到目前為止，仍未有人取得成功，即使這些人常常是專業(yè)的投資者。

機器學習應運而生了，人們相信它有能力預測股市并幫自己發(fā)家致富。不幸的是，股票是不斷波動的，且并不總是出于人們所理解的原因。例如，一位名叫杰夫·斯蒂貝爾(Jeff Stibel)的企業(yè)家創(chuàng)立了牛市和熊市指數(shù)(Tiger Bulls and Bears Index)，該指數(shù)追蹤了前一陣子泰格·伍茲(Tiger Woods)贏得錦標賽時股市的表現(xiàn)。有趣的是，這位企業(yè)家創(chuàng)立的指數(shù)回報率和任何一位股票交易者所能提供的是一樣的。

因此，你若是要問，機器學習能否預測股市?

答案是否定的，與其他傳統(tǒng)投資策略相比，該技術(shù)僅能提供輕微的優(yōu)勢。