本案例研究将展示价值投资者如何通过机器学习进行投资来轻松地增加确定性。为此，我们将使用Mind Foundry的自动化数据科学平台，该平台可以帮助分析师轻而易举的进行数据分析和挖掘。
通过机器学习进行投资的价值
“价格是您所付出的，价值是您所获得的。” - 沃伦·巴菲特
但是，如何确定自己为投资付出了公道的代价呢？您如何充分利用公平或不公平的环境？您不必永远持有一支股票。
在此实验中，我们重点研究了技术服务和咨询公司InfoSys。考虑到价值投资者的需求，我们选择在30天的时间内预测Infosys的得分。在收集数据，归因分数和使用机器学习进行建模之后，我们能够找到分类精度为92％的模型。
这意味着该模型能够了解数据中的关系，从而能够以92％的优势预测Infosys30天的得分！
但是，分析人员对可能影响得分的上下文的了解可以进一步提高这种准确性。因此，分析人员应该在机器学习解决方案上寻找突破，而非自己去分析大量的数据和新闻文章。
收集资料
价值投资者通常使用对公司绩效的估计来为他们的决策提供依据。该数据通常需要订阅，但是我在Ycharts上找到了免费的信息并开始了免费试用， 该数据来自S&P Global。
为了清楚起见，我们仅考虑以下八个指标，我们使用2017年4月至2018年12月的每日数据：
12个月远期市盈率 -估算值表明每美元收益愿意支付多少投资者
12个月远期市销率 -估算值可以表明投资者从股票中获得的价值
12个月追踪价格收益与增长率 -确定股票价格，每股收益和公司预期增长率之间相对权衡的比率。PEG高于1通常表明公司被高估了
价格与账面价值比率 -这是通过股票的市场价格进行比较其账面价值
连续12个月的EBIDTA保证金 -评估公司营业利润率占其总收入的百分比
12个月的资产追踪收益 -代表公司赚取的利润占其整体资源的百分比
收盘价和成交量
然后，我们得出以下值：
7/35/100日移动均线
他们的变化率
评分数据
下一步是为价值指标的每个交易日分配一个得分，该得分将代表我们对公司是否为良好购买的看法。为了清楚起见，我们使用简单的规则对数据的每一行进行评分：
如果收盘价> 100MA：我们将加1。如果没有，我们将减去1
如果35天MA的变化率> 0，则我们会将得分加1。如果没有，我们将减去1
如果100天MA的变化率> 0，我们将分数加1。如果没有，我们将减去1
这些规则可以用您遵循的任何投资规则来代替，当然前提是您认为这些规则切实可行。
使用机器学习对数据建模
既然输入数据已经完成并得到评分，我们就需要构建一个模型，该模型可以为投资于机器学习的分析师提供有用的辅助建议。
考虑到价值投资者对每日市场走势的反应较小，我们选择在30天的时间内预测Infosys的得分。这似乎是一个合理的时期，但可以根据自己的喜好进行更改。
实际上，这意味着在excel表格中在T的输入和得分（T + 30）之间创建30天的延迟。然后，我们将数据加载到Mind Foundry中：
Mind Foundry会自动生成一些数据直方图，这对于可视化数据很有用。我们还可以看到各种属性如何分布在其他列中，这些列有时可以挖掘出有趣的关系。
然后，我们将要求Mind Foundry构建一个可以预测得分（T + 30）列的分类器。
Mind Foundry会自动提供安全合理的框架来培训强大的机器学习解决方案。这保证了可以将结果推广到新数据。
您只需单击Go，平台将开始为您搜索最佳的数据科学路径。它还揭示了它选择的算法和参数。
Mind Foundry使用Mind Foundry Optimize有效地进行了搜索，这据我估计是一个混合的优化器。当然我们不需要关心它实际上是怎么运作的，对于有编程功底的分析师来说，我们并不需要使用Mind Foundry，我们可以自己去构建自己的神经网络。
在优化期间，将提供模型的特征相关性。相对特征相关性衡量的是该算法发现的最有用的信息，并且对于每种算法都会有所不同。
此示例的主要特征是：
- 35天MA的变化率
- MA 7天
- MA 100天
训练期间出现的主要“规则”是，当35天MA加速超过10％并且7天MA大于10时，股票在接下来的30天中获得最高分3的机会增加显着。
分析师应该学习机器学习解决方案
再经过几次迭代后，Mind Foundry能够找到分类精度为92％的模型。这意味着该平台能够学习数据中的一种关系，该关系能够以92％的优势预测Infosys未来30天的得分！
但是，可以通过向分析师灌输可能影响得分的上下文意识来提高这种准确性。与其使用机器学习进行投资，不应该取代分析师，而是应该赋予他们权力并支持更明智，更有利可图的决策。
本文翻译自分析师Charles Brecque的文章。
这篇文章之所以翻译出来贴在这里，是因为它提供了一个无以伦比的思路去结合金融和机器学习。我们通常看到的文章里，大部分是预测股价，而在本文中，提供一个非常值得一试的思路，事实上这个思路和我目前的交易系统不谋而合。
我们来思考一下如何来构建我们的系统，首先我考虑使用深度强化学习模型，然后我们有一个Agent，对应的我们有一系列的奖励和惩罚的规则，也就是所谓的加分和减分项，我们以沪深的股票数据来作为输入来训练，而预测的周期视乎你期望的收益来决定，一般来说周期越长，训练越容易，模型也更稳定；周期越短，训练难度越大，但可能会有意想不到的收益。其次我考虑使用分类模型，我仍然使用一系列的奖励和惩罚规则对数据进行标记，对于每一个未来30天得出一个得分，并对得分进行一个分类，买入、卖出和持有，然后我们使用沪深的股票数据来训练分类模型。
当然我们还可以由更多的方法来应用投资理论与机器学习结合，这篇文章为我的交易系统的改进提供了不少的思路，希望对大家有用。
閱讀更多 Q科技 的文章
