能否通过历史股价预测未来股价?

量化研究每周精选
标签: #<Tag:0x00007fcf63f4d8e8>

(iQuant) #1

作者:Shanif Dhanani (Apteo的联合创始人兼首席执行官)
编译:caoxiyang


LSTM 的闹剧

随着深度网络的越来越普及,软件开发人员越来越容易对其进行实现,毫无疑问,很多开发人员会用他们熟悉的基于股票价格的预测来训练长短期记忆网络。我见过好几篇论文,展示了如何通过把历史资产价格用于LSTMs训练然后得出“完美地符合”现实的结果。

我相信你也曾怀疑过这些说法都只是一场闹剧。我们都知道,即使你做得再好,也无法准确地预测到市场的90%-100%,即便你进行相当精确地定义。股票市场正如它反映的社会经济一样不断变化,我们暂时还不能做到完美预测。

我所看到的的是,这些作者采用了一些以前的资产价格,有时会对那些价格进行“准确的转换”(即记录日志、规范逻辑、换算价格、或者将价格转换为百分比回报值),再把这些序列注入长短期记忆网络,要求LSTMs预测下一个价格,然后再将他们的窗口前移一天以进行重复使用。

当他们做完这一切后,再想出一个漂亮的情节来表明他们几乎能够完全预测资产的价格变动。然而他们没有讲的是:他们用的LSTMs基本上仅仅是很好地利用了前一天的价格(或者是前一天的组合以及最近的股票历史价格)来作为第二天股价的标准而已。

明天的股票价格并不明确,但如果你以这种方式预测股价并把他们绘制出来,在用肉眼去观察的时候就会觉得这些价格几乎就是对现实的预测。

在现实中,你并不能依赖这些以天为单位的价格来进行交易,因为这些每日价格还没有准确到能够赚钱的地步。也正因为这些,LSTMs通常不能进行超过一天的预测,你不能够相信记忆网络能够预测股票的长期价格走势。

当然,这一切并不让人惊讶。如果你有兴趣了解更多关于LSTMs的过程是如何进行的。这篇文章值得一读:《Don’t be fooled — Deceptive Cryptocurrency Price Predictions Using Deep Learning

有效市场

当然,对于那些长期研究股票市场的人来说,这当然是完全可以预测的。“有效市场”的概念已经变得非常流行,尽管我不认为整个股票市场是完全有效的,但我确实认为之前的价格完全不能预测出未来的结果,我相信我有足够的证据支持这一观点。

事实上,我上面提到的文章中有一段很好的引用,突出了我对于“利用股价预测股价”的感受:

普林斯顿大学经济学家Burton Malkiel在他1973年发表的书《漫步华尔街》中写到:“如果市场是真正有效的,影响股价的因素一被公开就立马反应到股价上,那么让一个猴子蒙着眼睛往贴有股票列表的报纸上扔飞镖来选股应该和任何做投资的专家选得一样准。”

我强烈建议每一位致力于学习金融的人士,要了解强式、半强式、弱式有效市场的假说。请注意,我并不是说我相信其中任何一个都是真的,但是我的很多经历足够让我相信弱式和半强式有效市场是有一定的可信度的。

从本质上看,这些理论认为,你不可能很快地通过利用之前的股价来预测未来的股价从而赚钱,注意这在高频交易中可能不成立,这是一个我还未深入研究的领域,但如果有一天这些理论同样适用在这一领域,我也不会感到惊讶。

正确地投资

所以如果你不能用之前的价格来预测未来价格,那么还有什么其他的投资方法呢?如果你没有任何的想法或者你打算在长期内让你的投资稳健地慢慢增值,你可以也应该投资于被动指数从而让你的投资以复利(红利再投资)形式随经济增长而增长。如果你相信主动投资管理有潜力比被动投资表现得更好,你也有一些其他选择:

一个广泛的共识就是做一个基本面投资者,方法是做尽可能多的尽职调查并且深入研究一个公司,从而理解它的商业本质,基于你的研究,把资金重仓于拥有着最好的未来前景的公司。

基本面投资和价值投资相通,都是一种你可以用来确定一个公司股票的内在价值或者投资于被低估的股票的方法,这意味着股票价格足够低,有很大的可能性能获得一个好的回报,不管这个价格对你个人意味着什么。

其他的方法包括基于量化的方法,例如统计套利,以及更有效的机器学习方法。

在Apteo,我们把机器学习与基本面投资相结合,致力于帮助我们客观地找到较大概率获得回报的投资,并在可预见的未来,我们计划使用机器学习来管理这些高概率回报投资的资产组合。猜猜怎么着,我们会使用LSTM。

LSTMs——但不是你想的那种方式

你说什么?

在这篇文章的前面,我声称LSTMs不能被用来通过历史数据预测股票价格,我保持这个看法。但如果是那样的话,我们怎么应用LSTMs呢?

我之前提到,我们专注于使用机器学习,用于可伸缩地、自动地分析公司业务的核心指标。我们关注于在公司报告和更大的市场中获得的各种各样的量化指标,同时我们也关注于其他人的客观分析和意见。

有很多聪明的人在对公司进行分析并对各种公司进行尽职调查。这些人可以做出很好的报告(有时候报告里并没有他们的想法)。一般来说,很难读完并理解全部的报告。

所以我们要做的就是使用LSTMs来帮助我们分析这些报告的内容。从本质上讲,我们分析和量化那些可能在深度网络出现之前很难在规模上或至少在一个非常准确的水平上积累的主观分析,我们将进一步分析和量化这些主观分析的方法。我们相信,这些报告量化地、恰当地分析了公司的历史动向,再与其他重要财务指标相结合,从而可以在一定规模上产生深刻的见解。我们最初的结果是积极的,我们利用这些结果来创建样本组合,并且随着时间的推移进行跟踪,同时也回测这些投资组合查看结果。

注意,在所有这些中,我们并没有用到历史股票价格信息,并不是说我们不需要用,或者在将来我们也不会更多地去依赖这种信息。确切地说,我们相信,从长远看,股价随市场的波动而变化,而市场,从长远来看,依赖于一些诸如公司财务状况、经济基本面的度量标准以及合理的推理,我们致力于将利用这些信息的过程自动化,从而更有效地进行投资。

原文链接:《Stock Prices Don’t Predict Stock Pric


本文由BigQuant《量化研究每周精选》原创推出,版权归BigQuant所有,转载请注明出处。


(NaturalAI) #5

认同理念,但也保留部分意见。
预测更具有稳定性的东西,但是价格的确是预测之一。至少历史价格是用来决策的依据


(lu0817) #6

股票价格具有很大不确定性,很难预测,但是像量子云,会处于某一能量层