Category: 蘋果財經專欄

上期發現樣本分析方法難以用常規方法處理後，源馬決定嘗試用「演進演算法」（Evolution Algorithm）方式，提煉有用的技術指標，並將指標放回backtesting工具測試，結果這個處於測試「此路是否通行」的algo，在78個技術指標出10個較通用指標，而且回測結果仍可接受。 TL;DR：收市價、10日平均線都高於50日平均線；50日線正在上升。陰陽燭：頂部十字星牛熊形態；黃昏之星（熊）；吊人（熊）；身懷六甲牛熊形態；陷阱牛熊形態；射擊之星（熊）；短蠟燭牛熊形態。 事實上，由78個指標抽10個指標的組合，數學上用二項式系數（binomial coefficient）可知共有12,583億個組合，難以窮盡，但develop過程的測試表現比預期中大為穩定，雖然每次得出的指標有些微分別，但整體上RSI（30買/70沽）、MACD柱正負的「基因」大多都被自然淘汰，反而和移動平均線相關的幾個指標則是「優質基因」常客，大概是源於樣本中有多隻如SQQQ的爆跌股，移動平均線發揮到保護作用。 從結論開始，因為algo尋覓的是通用的策略，要在17隻股票樣本中總計獲得最好的成績，所以對比亂買亂賣的隨機群組表現時，會發現algo顧到頭顧到尾不顧中間，嘗試收窄在下跌股的虧蝕，並在強勢股中爭取較佳回報，甚至在不同測試中，表現較佳的強勢股亦不同──畢竟456兆個的組合過龐大了。不過對於想靠一招走遍天下的朋友來說，結果是殘酷的：algo顧到頭顧到尾時，中間的就顧不到，表現往往較隨機群組差。 從總結表中可以看出，優生學在處理強勢股Tesla、Apple、港視（1137）、港交所（388）、騰訊（700）裡，都跑贏隨機群組三成至近一倍。而下跌股方面則並不算十分突出，部份應歸因為優生學algo計分時包括沽空，但backtesting則不配容。 Algo中一個比較特別的地方是卓爾（2098），該股期內由經調整後的3元炒上11元，再瀉至0.5元，algo上演一幕股價跌8成（下圖灰線），但獲利達9成（綠線）的戲碼。這對algo整體策略有頗大影響，因為計分是所有樣本總和，而個股分數是買賣後結餘除以結束日收市價計算，意味algo假設11蚊沽貨，11除0.5相當22分，若以Tesla結束日收報676.88計，就要在30.76元位置買貨，才能獲得22分。 【AI股票bot使用需知】

上期試過用bot按指標模擬交易，今期我們將再製作程式，找尋哪些指標值得參考。不過這裡只簡單檢視SMA線、RSI和MACD，程式本身已夾帶如陰陽燭組合等較多指標，有興趣的讀者可自行下載修改作比較。 TL;DR：程式的分析的方法仍是非常初步，採用的指標亦較少，但概括講，不同股票顯然有不同特質，同一種買賣操作模式，在A、B股票上效果可能很好，但放到C股票就普普通通；同時同一情景，在A股票是買入訊號，在B股票亦可以是賣出訊號，似乎難一概而論。 今期會用另一個analyzer.py程式，統計SMA線、RSI和MACD的各種組合出現後，股票隨後升跌的次數，篩選出一些組合再放到python bot裡模擬交易backtesting，檢視成績。結果頗出人意表：同一套操作模式在不同樣本中表現可以非常飄忽。 使用analyzer分析Tesla升跌勢情境，會得到5組以數字代表的升勢情境，和3組跌勢情境，再放到回測工具測試，不意外發現「Tesla模式」在處理部份強勢股時表現不俗，在Tesla、港交所（388）都能相當追貼股票本身升幅，而港視（1137）的backtesting更跑贏股價本身，回報9.06倍，較同期港視升6.81倍多3成。 而如果用港視的升跌勢情境作測試，結果是bot在有「貓紙」下，回報擴大至10.77倍，而Tesla、港交所的成績亦略略高於股票本身表現。不過無論是「Tesla貓紙」抑或「港視貓紙」，處理下跌股時，表現就相當遜色。 用迪士尼的升跌情境backtesting，詭異地First Solar的結果非常良好，First Solar期內升60%，backtesting回報有142%，但其他樣本中則不算突出。 不過隨後測試並不理想，analyzer曾經有版本是用全部樣本生成升跌勢情境，究其原因，是同樣的情景，可在Tesla、Apple、嘉年華郵輪等是升勢情景，但到了SQQQ和數碼通等卻是跌勢情況；而若再加入更多指標精細化情境，會導致情境數量幾何級增加，曾試過1200交易日分割出900個情境，所以除非大幅增加樣本數目，否則分析會缺乏統計學意義，這個測試只好暫停。 最後解釋一下情境編碼的生成，程式檢查技術指標時會生成一系列如 [是, 是, 否, 是, 否] 的序列並變成11010形式的編號（程式檢查9個指標，這裡用5個說明），然後轉成方便人類閱讀的10進制。如Tesla其中一個升勢編碼355轉成二進制就是101100011，對應9個問題便是「現價高過5日線？是」、「5日線高過10日線？否」、「10日線高過50日線？是」………如果你用anaconda執行程式，在console裡打「flag(355)」就能查閱詳細資料。 【AI股票bot使用需知】

傳統股票分析，一般分基本面及技術面，基本面專注企業營運狀態，最知名當然屬股神畢菲特畢老，揀選優質公司買入股票，然後長期持有。技術面則主要為「睇圖」，分析股票走勢，發掘買入賣出訊號。之前我們用到具人工智能學習功能的AI bot，今回我們改用另一個不具機器學習的bot作模擬交易backtesting，先非常粗略檢視技術分析是否有參考意義。 作為武林兩大宗之中的技術分析，自然發展出林林總總的招式，如RSI、各種平均線、MACD等等方式，泡製出各項買入賣出點，然而各種指標是否真的有作用？Backtesting可視為檢視策略的好起步。 TL;DR：因為只是粗略檢視，未檢視太多指標，但相較「隨機群組」任意買賣，若將技術分析視為買賣紀律，撇開爆升股，一般而言可以較亂買亂賣表現更好。由於目前未打算將指標設計得非常精密，結果是價值投資法仍較適合質素好的股票，一注all in坐5年回報較出出入入好。程式依舊可以於github下載。 首先python bot和上回一樣，以17隻股票約5年數據作樣本，除比較股價本身表現及模擬根據指定技術分析作買賣的結果外，亦加入一項「散戶群組」作參照群組，bot的買賣決定完全隨機，重複100次並取平均數；若根據技術指標作買賣的backtesting結果，無法跑贏亂買亂賣的話，那看指標還不如擲骰仔。今次使用的機械人不具學習功能，只會根據既定指標模擬交易。 笑死畢菲特的RSI：不要買騰訊、不要買港視、不要買Tesla、不要買Apple 第一個測試的目標是RSI，取其簡單。一般而言RSI太低，會被視為超賣，將迎來反彈，vice versa。若我們使用RSI低於20時買入，RSI高於80時賣出的策略，第一項結果極出人意表：騰訊（700）、港視（1137）、Tesla和畢菲特重倉的Apple均出現5年零回報的結果，詳細檢視數據，發現： 過於強勢的股票，RSI從沒低過20，5年不超賣，於是bot呆等5年，仍在等待入場時機。 以RSI 20和80作指標backtesting港交所（388）時出現一個有趣狀況，Bot在大部份時間都能跑贏散戶（平均值），但在去年年尾急升的一段，由於Bot過早清倉，反而告別最大的升浪，反而被散戶群組後來居上。 MACD黃金交叉有戰績 惟仍會中大伏 再測試一個簡單技術指標：MACD黃金交叉。整體而言效果不俗，有約一半樣本除了跑贏隨機買賣的對照群組，當中MUR、SU、港交所表現更為亮眼，不少亦跑贏本身股價表現，但對暴升股如Tesla、Apple、港視（1137）、騰訊（700）來說，則仍追不上股價表現，其中騰訊的測試表現更較亂買亂賣差，若本身擅於揀股，與其跟指標出出入入，或許一注到尾更為實際。此外單單靠MACD黃金交叉作決定的話，同樣會遇上SQQQ 5年暴跌99%的災難：bot在期內大蝕95%。 目前我們檢視到此為此，因為這bot只負責模擬交易，下期我們會用其他程式，嘗試尋找具效益的技術指標。 【AI股票bot使用需知】

上期簡介過Python AI bot熱量圖的概括解讀，這期主要針對美股第一太陽能（fslr）作逾2,000回合訓練，並解釋AI學到的策略，順便介紹一些Python AI bot的運作模式。選擇fslr的原因是樣本股票500回合訓練（包括bot開發及debug過程中多輪訓練）中，表現較為飄忽的，可以針對性了解。 首先複習熱量圖的讀法。熱量圖垂直的 Y 軸代表電腦作決定時的持倉水平，每格一成，第一格代表10%持倉以下，第二格代表10%-20%持倉，橫向的 X 軸代表改變去到哪水平持倉，同樣是每格一成。當XY相同，譬如X1Y1、X2Y2、X3Y3……代表持倉不變（的獎勵，以顏色代表），而這些方格左面代表沽貨到該水平（的獎勵，以顏色代表），右面則是增持到該水平（的獎勵，以顏色代表）。 這機制是AI強化學習（Reinforcement Learning）中的「Q網絡」模式，透過一個Q表格（Q-table）讓AI學習「處境（Y）—行動（X）」間的記憶和選擇。舉一個例子模擬WFH初期行山銀行IG自拍就較易明白Q表格的解讀法： 靜靜雞 selfie上IG WFH行山 +100 -100 WFH工作 0 +100 垂直Y軸是處境，橫向X軸是行動，格裏數字是獎勵。這個Q表格意思就是WFH去了行山的處境下，還是靜靜雞着數了不為人知好；selfie上IG，弄個滿城風雨，反而有懲罰。不過相反WFH工作的處境下，selfie上IG會給人努力工作的感覺，但靜靜雞做只是份內事，就無功也無過。 現在回頭解讀fslr的熱量圖，圖中獎勵最多是X2Y2，表示持倉20%至30%的獎勵值最多，也是最舒服的倉位。而在Y6那一行，即60%至70%持倉下，略為往左減持（行動）至X4，即40%-50%獎勵會較多，所以bot會揀選減貨。同理，你會看到Y5那一行，X6獎勵較多，反映bot在50%至60%持倉水平時，會輕微加倉。 當再考慮股價變化時，就能更了解bot的行動。因為持倉水平就是簡單公式「（股價 X 持股）/（（股價 X 持股）+ 現金）」，而X2Y2是最優解，當bot持倉在20%到30%時，不會有動作，只有當股價波動，令持倉脫離該區間，電腦就會選擇其他行動。譬如股價下跌，令持倉處Y1時，bot記憶中最好的選擇是X1，即死守不動，或輕微撈底至X3水平；若股價上升，持倉升至Y3水平，bot則會追貨至X5水平。 最後可以看看bot在逾2000回合訓練中的「心路歷程變化」(https://www.facebook.com/algobug/posts/140752701432897)，對比訓練結果圖可以看到，bot早段維持高持倉策略紅點主要於X7X7水平，其後約在1000回合時改變策略，導致訓練結果圖的藍線開始擴大波幅，並在1500回合後表現開始回穩，藍線已較少位於平均線橙線以下；灰線是回合結束時bot的持貨市值。 【AI股票bot使用需知】

股海浮沉，揀股指標幾百個，但與其一直睇RSI、SMA、MACD、陰陽燭穿頭破腳……睇到頭都暈，然後實際落場損手爛腳，乖乖做被割的韭菜，何不先用現今進步的電腦，先分析股票性質？源馬就嘗試製作具AI強化學習機制的Python AI bot，再用多隻樣本股票，讓AI bot學習如何控制倉位，最大化回報。落場前跑一跑分，或可作落注前的參考。 TL;DR：Python AI bot在完全不預測股價走勢下，訓練成果尚算理想，可參考文尾列表，作為第一步的半完成品，算可堪一用。不過時間限制，每個樣本500回合的訓練暫見不足，估算2000回合會有較準確結果。bot完整source code已上載GitHub，懂programming的朋友可以自行修改訓練。 在總結結果之前，先簡單介紹AI bot運作，bot完全不預測股價走勢，追揸沽決定完全隨機，AI則負責學習不同倉位應作甚麼行動。重複訓練後，再以熱量圖打印出AI Bot的記憶。因時間關係，目前只訓練500回合，但熱量圖pattern的形式已見雛型。 靠顏色辨認好壞股 熱量圖中越紅的方格代表AI bot獲得越多獎勵（贏錢）嘅倉位，越藍反映獎勵最少的倉位，爆升股Apple、Tesla、港交所（388）、騰訊（700）等的熱量圖，右下方都偏向紅色，代表電腦記憶中買貨是較佳選擇。熱量圖垂直的 Y 軸代表電腦作決定時的持倉水平，每格一成，第一格代表10%持倉以下，第二格代表10%至20%持倉。橫向的 X 軸代表改變去到哪水平持倉，同樣是每格一成。當XY相同。譬如X1Y1、X2Y2、X3Y3……代表持倉不變，而這些方格左面代表沽貨到該水平（的獎勵，以顏色代表），右面則是增持到該水平（的獎勵，以顏色代表）。 長坐股代表：港交所 港交所熱量圖是藍紅最為分明的一張，代表bot無論在甚麼持倉水平，沽貨（左側）都會獲得不快經驗。程式的獎勵機制中，若沽貨後股價上升，bot會獲得負獎勵，也即懲罰，於是構成左上方一片藍。 炒騰訊要知進退 相比港交所，騰訊熱量圖左上方較港交所偏向紅，代表電腦的經驗是沽貨也有一定獎勵，雖然較買貨（右側）少。騰訊熱量圖較特別是X7Y7，在70%至80%持倉不動作會獲得很多懲罰，反而選擇較燈的位置較好，如向右加貨至X8或X9兩格（即80%至100%持倉水平），或沽貨至X5（50%-60%）、X6（60%-70%），都是愉快的體驗。至於實際加倉抑或減，似乎需要更多的訓練回合讓bot學習。 逢高沽：香港電訊 穩健派的公用股香港電訊（6823）意外地和爆升股帶給bot近似的記憶，訓練期內其股價表現並特別不出眾，約5年累計升28%，AI bot 500次培訓平均錄賺27.62%回報，表現相約。根據熱量圖，X8和X9（即最高兩行，代表80%至100%持倉），保持持倉不變（即X8Y8、X9Y9兩格）都不是好選擇，相反左邊更偏向紅色，即電腦學到的經驗，當股價上升，令持倉佔比增高至該水平後，沽貨是會獲得較多獎勵。 附帶一提，這是香港電訊500回合訓練結果，藍線代每回合總資產結餘。AI bot在約莫30至40回合時，已發展出大致的策略，藍線非常穩定，但在450回合左右，它開始感到舊策略回報不及理想，就嘗試修正策略，導致表現大幅波動。從代表回合結束時持貨總價值的灰線，看到AI bot開始嘗試減少持貨，若有更多回合，相信之後會再趨平穩。 心猿意馬的嘉年華郵輪 …