星洲日報/投資致富‧企業故事

黄国华 │ 机器学习能否取代传统基本面分析?

Tan KW
Publish date: Mon, 29 Apr 2024, 02:35 PM

试想像你有一盒拼图,你尝试将它们拼成一幅完整图画的过程。在金融的世界,投资者经常从各方来源,拼接所掌握的讯息,尝试预测一家公司未来的盈利,以便做出精明的投资决策。

传统上,这个过程称为基本面分析,涉及许多的信息处理及学术性的猜测。假如有一个比较精明,快速的方式,会是怎样的情况?

精通技术

说到这里,机器学习(ML)进来了,这个精通技术的助手,革新了投资者如何分析股项的步伐。

基本面分析好比公司财务健全性的检测,投资者从公司的营业额、开销、债务与市场形势,预估公司未来盈利表现。这些预测的准确性是至关重要的,因为可以协助投资者,对准备购买或售卖哪一些股项做出决定。

另一方面,机器学习是人工智能的一种,专注在指点电脑从数据学习和做出决定,或者是根据该数据进行预测。

比人类更迅速更精准

在基本面分析的框架,机器学习可以从各个来源,例如公司的财务报表、经济报告、报纸的文章及社交媒体,筛选大量的金融数据,比人类更迅速,而且更精准。

这些演算法也可以整理,预先处理有关数据,排除掉错误、不一致和不相关的资讯。

机器学习的型号,例如回归分析、决策树随机森林及中立网络,可以依靠历史性金融数据来训练,以便对公司未来股价、盈利成长或其他关键表现进行预测。这些型号从数据的程式学习,然后根据不同变数之间的关系做预测,通过检测复杂的程式及数据中的联系、机器学习型号对未来盈利表现的预测,可以取得较高精准度。

其演算法也可以评估投资个别股,或者是组合投资涉及的风险,分析的因素包括波动性,与其他资产、宏观经济指标的相关性,这有助于投资者对组合投资的分配和风险管理,做出知情决策。

此外,自然语言处理(NLP)的技巧,可以用来分析报纸的文章、社交媒体、金融报告的文本数据,以测试市场观点——投资者对个别股或公司的情感。

机器学习的演算法可以将看法区分为正面、负面或是中立,并使用这个讯息做出投资决策。

缺乏解释能力

那么,机器学习是否能取代传统的基本面分析?虽然机器学习演算法可以根据数据进行预测,但是他们可能缺乏解释那些预测背后潜在原因的能力,对投资者了解投资决策背后的合理性,可以解释性的元素是不可少的,这也是人类可以解释价值的所在。

基本面分析涉及的不只是量化分析,也包括质量判断与专业知识,考虑的因素包括管理层的素质、企业监管、竞争优势及市场动力,都不能量化或是轻易看待,可能需要人类的质量判断和专业的评估。

机器学习演算法,可能力争将它们的型号,有效融入这些量化因素。金融市场是具有活力的,而且受到广泛因素的影响,例如:地缘政治事件、管制条规的改变及投资者的情感。

因此,深入了解这些因素,这些因素对投资决策潜在的影响,是至关重要的。可是这样的要求,要想机器学习演算法的准确掌握,可能有些困难。

输入完善数据才能发挥

俗话说:“废料进,废品出”(简称GIGO),机器学习型号唯有在输入完善的数据才能发挥好,假如数据有限,或者存在偏差,又或者不完整,该型号可能产出不准确,或不可靠的预测。

况且,机器学习演算法可能不经意间,放大现有的偏差数据,导致不合理或歧视性的结果出现。

今天,机器学习正转型基本面分析的模式,从一个以人工可能出错的程序,转向一个比较准确、自动化的科学程序。

应被视为互补工具

虽然机器学习可以自动化数据的分析、监督交易模式,根据过往数据做出预测,但它应被视为一个互补的工具,而不是传统基本面分析的替代品。

随着机器学习科技快速演进,将这类技术加入投资策略也变得更为普遍。对于任何涉及投资的人而言,了解和善用机器学习可能让他们成为游戏规则改变者,为他们在瞬间万变的股票交易世界中提供竞争优势。说到底,成功的投资决策往往来自于量化分析、质量判断及人类专业评估的结晶。

 

 

https://www.sinchew.com.my/news/20240429/finance/5567050

Discussions
Be the first to like this. Showing 0 of 0 comments

Post a Comment