交易既是藝術,也是科學。一方面,量化交易與自動交易日益進步,從資料庫建立、數據清洗與數據統計分析、人工智慧決策、深度學習,各個面向都已發展出各種分析工具與方法,這些資料科學的進展讓交易決策有越來越科學化的趨勢。

數據與直覺的角力

然而交易策略管理千變萬化,交易決策者經常必須仰賴直覺,也就是過去經驗的結晶,加上各方蒐集到的資訊來下決定。

像是特斯拉(Tesla)汽車的創辦人埃隆.馬斯克(Elon Musk),就是以作風大膽與順從直覺行事聞名,對他來說,數據資料只是表面的數字,而對產業的敏銳度與對市場發展的期盼與遠見,往往是其能洞悉未來趨勢方向的主要原因,也常常比業外人士的分析報告精準有用。

究竟交易應該順從直覺,抑或是遵循數據規範判斷呢?本篇文章將以「交易決策」這個主題作為切入點,回顧一個成功程式交易者,每隔一段時間,各會碰到那些問題,又有什麼關鍵的決策會影響未來的交易風格發展?而這些交易決策的形成過程中,直覺能力與分析能力各自扮演怎樣的角色?當兩者衝突時,一個合格的交易者又該如何折衷平衡這樣的角力呢?

當對市場越來越熟悉,過去的經驗會產生直覺化的判斷,當與數據統計結果有所牴觸時,數據與直覺的角力就會發生,這也是一般程式交易者在程式策略庫建立完成,並上線執行後的半年容易發生的問題。

在我的經驗來看,直覺與分析是很難一切為二的,程式策略的上下架機制與設計邏輯是很仰賴數據分析能力的,但在交易策略的建構上,存在很多數據陷阱。

首先,交易是關注參與交易者從眾行為與心理狀態的行為科學,那就是心理學而不是統計學。

引入質化的觀念 找出數據的脈絡

舉例而言,若你只看特定時段交易量是一般的三倍,你可能會判斷此時段有人在大量交易,但若多參考價格變化或是觀察是否為特定的權重調整日,你可能發現交易量增大的原因是來自於恐慌,也可能來自於特定機構的規定才產生大量交易的現象。因此交易時觀察的數據,必須加上現場主義,也就是要從數據看出問題,不能單就量化的角度來思考,要引入質化的觀念,找出數據的脈絡,要有足夠的解釋性,數據才有意義,才不會落入射箭畫靶的誤區。

執行結果 做了之後才能驗證

其次,交易所有的數據來源都是過去式,但交易的競爭對手與決策都是發生在未來。因此交易策略的判斷有一個概念式,執行並相信自己的信仰。數據分析與量化整理過去的經驗是為了幫助交易者知道,這個決策執行起來有多少成功的機會,但執行後結果會如何,只能在做了之後去驗證,只能聽天由命看天吃飯。

換句話說,數據分析目前還做不到預測,只是提供歷史數據的整理,至於人工智慧或深度學習等等技術的精進是否能做到預判,我們也只能期待。

--

本文同步發表於理財周刊 1078期│吳偉仁 |2020-04-22

https://pse.is/3gvb4y