本案例研究將展示價值投資者如何通過機器學習進行投資來輕鬆地增加確定性。為此，我們將使用Mind Foundry的自動化數據科學平臺，該平臺可以幫助分析師輕而易舉的進行數據分析和挖掘。
通過機器學習進行投資的價值
“價格是您所付出的，價值是您所獲得的。” - 沃倫·巴菲特
但是，如何確定自己為投資付出了公道的代價呢？您如何充分利用公平或不公平的環境？您不必永遠持有一支股票。
在此實驗中，我們重點研究了技術服務和諮詢公司InfoSys。考慮到價值投資者的需求，我們選擇在30天的時間內預測Infosys的得分。在收集數據，歸因分數和使用機器學習進行建模之後，我們能夠找到分類精度為92％的模型。
這意味著該模型能夠了解數據中的關係，從而能夠以92％的優勢預測Infosys30天的得分！
但是，分析人員對可能影響得分的上下文的瞭解可以進一步提高這種準確性。因此，分析人員應該在機器學習解決方案上尋找突破，而非自己去分析大量的數據和新聞文章。
收集資料
價值投資者通常使用對公司績效的估計來為他們的決策提供依據。該數據通常需要訂閱，但是我在Ycharts上找到了免費的信息並開始了免費試用， 該數據來自S&P Global。
為了清楚起見，我們僅考慮以下八個指標，我們使用2017年4月至2018年12月的每日數據：
12個月遠期市盈率 -估算值表明每美元收益願意支付多少投資者
12個月遠期市銷率 -估算值可以表明投資者從股票中獲得的價值
12個月追蹤價格收益與增長率 -確定股票價格，每股收益和公司預期增長率之間相對權衡的比率。PEG高於1通常表明公司被高估了
價格與賬面價值比率 -這是通過股票的市場價格進行比較其賬面價值
連續12個月的EBIDTA保證金 -評估公司營業利潤率佔其總收入的百分比
12個月的資產追蹤收益 -代表公司賺取的利潤佔其整體資源的百分比
收盤價和成交量
然後，我們得出以下值：
7/35/100日移動均線
他們的變化率
評分數據
下一步是為價值指標的每個交易日分配一個得分，該得分將代表我們對公司是否為良好購買的看法。為了清楚起見，我們使用簡單的規則對數據的每一行進行評分：
如果收盤價> 100MA：我們將加1。如果沒有，我們將減去1
如果35天MA的變化率> 0，則我們會將得分加1。如果沒有，我們將減去1
如果100天MA的變化率> 0，我們將分數加1。如果沒有，我們將減去1
這些規則可以用您遵循的任何投資規則來代替，當然前提是您認為這些規則切實可行。
使用機器學習對數據建模
既然輸入數據已經完成並得到評分，我們就需要構建一個模型，該模型可以為投資於機器學習的分析師提供有用的輔助建議。
考慮到價值投資者對每日市場走勢的反應較小，我們選擇在30天的時間內預測Infosys的得分。這似乎是一個合理的時期，但可以根據自己的喜好進行更改。
實際上，這意味著在excel表格中在T的輸入和得分（T + 30）之間創建30天的延遲。然後，我們將數據加載到Mind Foundry中：
Mind Foundry會自動生成一些數據直方圖，這對於可視化數據很有用。我們還可以看到各種屬性如何分佈在其他列中，這些列有時可以挖掘出有趣的關係。
然後，我們將要求Mind Foundry構建一個可以預測得分（T + 30）列的分類器。
Mind Foundry會自動提供安全合理的框架來培訓強大的機器學習解決方案。這保證了可以將結果推廣到新數據。
您只需單擊Go，平臺將開始為您搜索最佳的數據科學路徑。它還揭示了它選擇的算法和參數。
Mind Foundry使用Mind Foundry Optimize有效地進行了搜索，這據我估計是一個混合的優化器。當然我們不需要關心它實際上是怎麼運作的，對於有編程功底的分析師來說，我們並不需要使用Mind Foundry，我們可以自己去構建自己的神經網絡。
在優化期間，將提供模型的特徵相關性。相對特徵相關性衡量的是該算法發現的最有用的信息，並且對於每種算法都會有所不同。
此示例的主要特徵是：
- 35天MA的變化率
- MA 7天
- MA 100天
訓練期間出現的主要“規則”是，當35天MA加速超過10％並且7天MA大於10時，股票在接下來的30天中獲得最高分3的機會增加顯著。
分析師應該學習機器學習解決方案
再經過幾次迭代後，Mind Foundry能夠找到分類精度為92％的模型。這意味著該平臺能夠學習數據中的一種關係，該關係能夠以92％的優勢預測Infosys未來30天的得分！
但是，可以通過向分析師灌輸可能影響得分的上下文意識來提高這種準確性。與其使用機器學習進行投資，不應該取代分析師，而是應該賦予他們權力並支持更明智，更有利可圖的決策。
本文翻譯自分析師Charles Brecque的文章。
這篇文章之所以翻譯出來貼在這裡，是因為它提供了一個無以倫比的思路去結合金融和機器學習。我們通常看到的文章裡，大部分是預測股價，而在本文中，提供一個非常值得一試的思路，事實上這個思路和我目前的交易系統不謀而合。
我們來思考一下如何來構建我們的系統，首先我考慮使用深度強化學習模型，然後我們有一個Agent，對應的我們有一系列的獎勵和懲罰的規則，也就是所謂的加分和減分項，我們以滬深的股票數據來作為輸入來訓練，而預測的週期視乎你期望的收益來決定，一般來說週期越長，訓練越容易，模型也更穩定；週期越短，訓練難度越大，但可能會有意想不到的收益。其次我考慮使用分類模型，我仍然使用一系列的獎勵和懲罰規則對數據進行標記，對於每一個未來30天得出一個得分，並對得分進行一個分類，買入、賣出和持有，然後我們使用滬深的股票數據來訓練分類模型。
當然我們還可以由更多的方法來應用投資理論與機器學習結合，這篇文章為我的交易系統的改進提供了不少的思路，希望對大家有用。
閱讀更多 Q科技 的文章
