〈鉅亨主筆室〉運用AI類神經預測股市！！

壹、前言

運用人工智慧 AI「類神經網路」(ANN) 剖析股價時，可將股價、或股價指數、或股價報酬率，視為是類神經的預估輸出值 (Output)。而在經驗上確實會對個股股價、或股價報酬率，造成正或負面影響的因素視為輸入資料 (Input)。類神經網路模型就是以 Input，輸入時間序列數據推估 Output 數值。雖然它是將輸入的 Input，化為數學與統計量化處理；但是它與一般統計學的簡單「迴歸分析」(Regression Analysis) 模型，在方法特性最大不同的是、類神經是「非線性」(Non Linear) 的。運用線性方法處理時間序列時、如果是有時間 (t) 與項目 (i) 的堆疊資料 Panel Data，那就要借用「多元迴歸模型」。但若是非線性的處理，那就是程式語言 (Program Langrage) 才能解決，目前類神經網路所借用的程式語言，已經多元化、如 MATLAB 或是 BASIC 等多可以處理。這些程式語言也多是借用電流、所產生的 1、0、0、1 等，以最原始程式原理建立模型。

在入門的經濟學理論中，由於受限具體實際工具的運用，被限縮在 2D 空間上；因此只能用幾何圖形、或簡單數學、微分方程等將理論與假說量化。例如供需模型、Lagrange 函數模型、凱因斯消費函數等。在這些數學工具推導下，當 X 軸自變數發生變動後，接下來馬上就是迅速見到，Y 軸已經移動到下一次均衡位置了。但實際市場上的經濟、或是股票市場變動多不是這麼直接與簡單；不單純的原因並非有玄虛。而是在原始靜態均衡起步後，要驅動到另外一個靜態均衡時，會有一些新的外生變數不斷融入進來。在線性方法計量模型中，大多是 X 與 Y 直接關係；但在非線性類神經中，它所要進行的 Backward、往回「深度學習」(Deep Learning) 的，是一種堆疊 Panel 或是立體式資料；在所有神經元所建構的介面中，多層面裡含有隱藏層；它不僅是非線性、而且是多層次。

貳、如何透過 AI 類神經、預測台股加權股價指數？

如果要以最簡單思維，運用 AI 的 ANN 嘗試預測股價指數，重要的關鍵是使用者 (Users) 必需要有專業實務經驗能力，由相關的大數據資料庫 (Big Data Base) 中獲取精準的 Input 資料。在不必有情緒的情況下，透過各種複雜搜尋步驟，去找到 Users 想要的 Input。選擇最洽當、多層次非線性 Input 因子資料；然後透過 ANN 模型學習規則 Learning Rule，對所選取資料進行深度學習 (Deep Learning)；最後由多層面的神經元連結模型，透過系統模型的「激勵規則」Activity Rule、與預測功能產生 Output。當 Users 者想要運用 ANN 模型，去獲取 Output 時，User 必需將他認為最重要的核心資料，指引類神經模型去深度學習；然後這個模型的激勵函數 Activity Function、權重分配等等程序，會獲取到預期的 Output 數據。

不同的 User 使用同一組 Input 序列，即使運用的 Input 資料項目多一樣；但其所 Output 出來結果也會不同。這是因為 Users 對 Inputs 資料序列，長短期間選取有所不同。例如我們對台股股價指數做預期性質的 Output 時，所要點選的開始、應該是要從哪時候開始？針對台灣加權股價指數，第一個要去思考的是，對近期股價影響變數群中，最大、最重要是的哪一個「時間序列」？新台幣兌換美元的匯率，必然是一項非考慮不可變數；因此匯率資料時間序列最為優先。就類神經意義而言，匯率是對台股的一個激勵函數；它對股價激勵的權重有多少，是由類神經對 Input 的學習結果所決定。透過傳導式的學習法，模型本身會將匯率對股價指數影響，賦給一個精確的權重 Weight。

第二個 Input 應該是美國 Fed 的 Federal Fund Rate、聯邦資金利率。自從 2017 年 6 月 9 日，美國科技類股價對貨幣政策收縮的預期負面效應，在經過前面三次後、第四次升息對股價終於發揮該有壓力；因此 Federal Fund Rate 對股價影響增強。如果 Federal Fund Rate 是季度資料，無法與其它的資料單位一致，則可以運用填補方式處理。或是用其它替代性資料，如以對短期升息最敏感，美國政府 2 年期公債殖利率、或是具有代表性的美 10 年期公債殖利率。用 Federal Fund Rate 會有不連續缺陷，但使用後者要慎選起跑點。

叁、沒有專業與實務經驗融合人才，AI 在任何領域會無用武之地！

在選取 Input 數據時，應該回頭檢視 Output 重要特徵。例如這波台股是起漲於 2016 年 1 月 16 日，如果我們所選取的的 Input 多是從此時開始，那丟入模型的 Input 學習後的 Output，必然是一種上揚趨勢的預估；因為就大方向言，自 2016 年 1 月以來台股趨勢是揚升。因此最好是再往前推取 Input，選取自從 2015 年 4 月份，當時由高點區域開始跌下來的資料。當然如果再往前推到 2009 年 9 月 1 日？那模型所學習資料就會是長期間；Input 的資料期間長、點選的循環有意義，則 Output 的數據誤差會降低。但過多數據資料對模型本身，可能還是與計量經濟學一樣，會是一種成本負擔。例如將循環起始點拉到 2000 年，那 Output 情況可能會被平滑掉。這也之所以即使在運用 AI 環境中，人類專業經驗還是具有決定性影響、無法被替代。從 Input 的深度學習、這個簡單理念就可見到；除非人工智能進步到，可學習所有世代專業理論，並且由實際市場驗證中獲取實務與理論的所有融合；否則 AI 難以取代人類專業，這也不是大數據可解決的。

對台股而言在資金面方面，還有外資買賣超與融資融券金額變化。實體面上有景氣領先指標，及預估各季的經濟成長 GDP 時間序列。依據迴歸分析的長期驗證經驗，運用 GDP 成長率時間數列，對股價指數可預估到指數的循環趨勢；就是對股價指數循環起伏判斷。因此若本身無法對台灣經濟成長，以聯立方程式做季度數據預測；最好是運用研究機構現成資料。對每年台灣經濟成長率，常態性預測機構有台灣國發會、主計總處、中華經濟研究院、台灣綜合經濟研究院、中央研究院經濟研究所、國際投資銀行、元大寶華經濟研究院等等。本文長期多使用國發會預測資料，透過國發會每一季對 GDP 的統計與預測及修正，將季度 GDP 成長率與股價指數互動，可驗證出股價指數變動是、領先季度 GDP 約一季時間。因此對於未來一年各季 GDP 的修正預估，成為股價預測重要的 Input。

檢視台灣國發會網站近期公開資料發現，網站上小幅修正了台灣各季 GDP 的數值與趨勢。原本在 2016 年底預估趨勢是，第一季為高峰期，第二與三季的成長率微幅下滑、見底；第四季則再度拉起。如果是這樣的話，則在股價指數領先 GDP 約一季時間下，台股指數攻堅休息回檔時間可能落在 2017 年第三季。這涵蓋股市兩種可能發展，一為台股指數回落或是多空反轉；二是在繼續蜿蜒向上趨勢中出現回檔整理。但查察國發發會新資料發現、在近期 2017 年 6 月份國發會最新經濟報告中，台灣季度 GDP 成長率修正為、第一季是最高峰、第二、三、四季則多是連續微幅下降。由圖五清楚見到國發會，對 2017 年各季 GDP 成長率所修正；第一季是最高 2.6%、第二季是為 2.14%、第三季則為 1.87%、第四季為 1.66%。其實就 1.66% 的水準而言、也談不上是經濟成長衰退，但以台灣經濟規模、2.88% 的成長率真也談不上顯著成長。類神經網路預測模型自己可解決，GDP 季資料對股價指數影響的權重該有多少？而新台幣匯率變動對股價影響又該給多少權重？融資融券餘額會有多少份量？類神經激勵函數與權重關係，由股價形成找出各種「給付」，這些多需要有市場專業實戰經驗。

肆、結論：沒有 AI 輔助預測、會顯預測思維紛沓雜亂！

本文清楚發現，如果將道瓊工業指數當成 Output，則真正起漲時間點為 2016 年 11 月第二次升息前後。以此做為分析近期道瓊工業指數開跑，是最為明確的起始點。由道瓊工業指數圖形檢視，道瓊股價指數的全面仰攻、是啟動於 2016 年 11 月。這也是第二次升息前後，股市呈現利空出盡的強勢攻擊開始。道瓊指數由 18,847.66 點上揚到 22,092.81 點、共上揚 3,245.15 點。因此在 2015 年到 2016 年初期間，如果認定股價是泡沫化，這顯然是誤判了一年多的行情 Output。

道瓊股價指數是用價格平均方法計算，其中成份股最重要的順序為 Visa、IBM 公司、高盛證券、3M、雪佛蘭、波音、麥當勞、Home Dot、美國快遞、嬌生、沃瑪公司、英特爾等。這些企業涵蓋了食、衣、住、行等行業、其中個別股價在指數的權重，依序為 8.12% 到 0.97% 不等。Visa 公司月 K 線圖在 2009 年 7 月 1 日，由最低價 14.5 美元 / 股不斷上揚，至目前 101.34 美元 / 股、漲幅為 6.989 倍；檢視 Visa 股價圖可以見到全球因為 QE 政策刺激消費顯著。道瓊與 NASDAQ 顯然有明顯差異，NASDAQ 科技類股價指數不斷創新高，這種趨勢自 1990 年後至今然方興未艾。1990 年代時候是電腦硬體製造天下，到 2000 年前後出現一波網路科技革命；如奇摩雅虎等這些企業，多是當時網路類股的佼佼者。2012 年初生物科技一度大為風行，近期則顯然走入電子商務、智慧型裝置、人工智能 AI 等。但當我們檢視道瓊成份股中的重要股價時，則發現近期道瓊指數比 NASDAQ 還強、不斷創歷史新高，卻是各類股輪流帶動行為、未見到全面性的族群類股。

例如金融類股高盛證券股價；由高盛日 K 線圖顯見，在第三次升息時，就對可能要上揚的利率水準出現利空反應；股價由 250.28 美元 / 股下跌，目前約為 225.88 美元 / 股，出現回檔整理現象。但 Visa 公司的股價還是持續上揚；這是消費者在超商、百貨公司購物的重要指標、消費信心足夠。再者也是道瓊重要成份，波音公司股價真正起漲於 2013 年 3 月份；當時約為 85.85 美元 / 股，目前股價約為 237.71 美元 / 股、相差 2.7689 倍數、其中轉折的時間點為 2013 年 3 月，與 2016 年 10 月。這與全球航空公司的資本支出、換機或是擴大機隊、還有國際油價變遷多有關。由以上林林總總顯現，沒有 AI 輔助的預測、會顯預測工作很容易步入紛沓雜亂境界中。

(提醒：本文是為財金專業研究分享，無政治立場，非投資建議書；不為任何引用本文為行銷或投資損益背書。)