動態評價函數與機器學習在程式交易的應用-課程提要

#20170624

#Multicharts同學會

#評價函數與機器學習課程提要

課程主題:

動態評價函數與機器學習在程式交易的應用

主講人:輔仁大學資管系 林文修教授

分享林文修教授對於評價函數與機器學習提要:

動態評價函數跟機器學習的作法是透過定義、數量方法及人工智慧演算法的目標函數，評估交易系統品質好壞。比如評估的方向會看風險與報酬的比率，風險跟報酬有很多種方式可以衡量，比如說夏普指標，風險報酬比也可以當作是評價函數的目標函數之一。

評價函數要動態的比較有用，比如輸贏比率的凱利公式，用來當作評價函數。透過凱利值的大小，做資金配置的下注比例。評價函數與資金管理要相連，才能運用這樣的目標函數(成本函數或是效用函數)來評估交易系統品質的好壞，金融交易是大數據分析，透過機器學習與人工智慧演算法，比如:決策數、類神經網路等，套用在套利交易、投資組合及機器人理財，經由大量的策略自動生成，用評價函數去評估策略(類似Multicharts的最佳化)。

評價函數的定義:

評價函數是量化交易系統的重要核心，評價函數是要動態的，根據不同的數值去調整。用評價函數對不同策略與商品建立一致的評量標準，以忠實表現評價。比如最近期間的交易週期、下注比例或風險資金的比例等，利用一些方式讓評價函數跟資金管理相互動態連結，當作下一次評估交易系統好壞品質的參考。

比如說:Ralph Vince的實驗指出，運用凱利公式設計出最佳化F值，評估出資金管理中的每一次下注比例佔總資金約21%~24%，這個實驗結果會有平衡風險與平衡報酬的效果。評價函數如何跟資金管理與策略管理相互連結是很重要的，評價函數的功用就是可以針對任一時間週期、任一時間序列進行動態評估與交易系統品質強度檢定(如:波動度ATR與連續交易的交易分析等)，比如交易系統的品質強度與下注比例之間的關係，讓獲利分子掌握虧損。透過評價函數，有點類似代替最佳化，以防止常見的Overfitting。

評估策略品質與績效函數，以Multicharts程式語法為例，Powerlanguage就有提供一些策略品質績效函數的函數與關鍵字，例如:淨利、MDD、獲利因子、賺賠率、夏普指標等。利用這些函數設計出自己的評價函數，達成資金管理、部位管理與評價交易系統策略品質的強度。

良好的投資交易心態:

透過獨立思考、強化風險控管，不斷的質疑，讓自己更好。

動態評價函數與機器學習分享會簡報 from 恭臨 楊