Gambaran Keseluruhan

Strategi ini menggunakan rangkaian saraf tiruan untuk meramalkan perubahan harga pada masa hadapan dan menjana isyarat dagangan berdasarkan hasil ramalan. Ia tergolong dalam strategi pengesanan arah aliran. Kelebihan strategi ini ialah ia boleh mengenal pasti arah aliran bukan linear yang kompleks, sesuai untuk dagangan jangka sederhana dan panjang. Walau bagaimanapun, terdapat juga risiko prestasi backtest yang baik tetapi prestasi dagangan sebenar yang lemah.

Prinsip Strategi

Strategi ini menggunakan rangkaian saraf tiruan (ANN) untuk meramalkan peratusan perubahan naik/turun pada hari berikutnya.

Lapisan input hanya mempunyai satu nod input, iaitu peratusan perubahan naik/turun pada hari sebelumnya.

Lapisan tersembunyi mengandungi 2 lapisan, lapisan pertama mempunyai 5 nod, lapisan kedua mempunyai 33 nod, kedua-duanya menggunakan fungsi pengaktifan tangen hiperbolik (tanh).

Lapisan output hanya mempunyai satu nod output, yang selepas melalui fungsi pengaktifan linear terus digunakan sebagai hasil ramalan akhir.

Jika hasil ramalan lebih besar daripada nilai parameter ambang (threshold), isyarat beli dijana. Jika lebih kecil daripada nilai negatif parameter ambang, isyarat jual dijana.

Kelebihan Strategi

• Menggunakan model ANN untuk ramalan, boleh memadankan arah aliran bukan linear yang kompleks.
• Input hanya menggunakan data satu hari, tidak memerlukan banyak data sejarah.
• Boleh mengenal pasti arah aliran pada skala masa yang lebih panjang.
• Menggunakan berbilang lapisan tersembunyi, keupayaan pemadanan yang kuat.
• Fungsi pengaktifan dan parameter telah dioptimumkan, memberikan hasil ramalan yang lebih baik.

Risiko Strategi

• Algoritma ANN mempunyai risiko overfitting, prestasi dagangan sebenar mungkin tidak sebagus backtest.
• Memerlukan data sejarah yang panjang untuk latihan, tidak sesuai untuk saham yang baru disenaraikan.
• Parameter dan struktur perlu dioptimumkan berulang kali, prestasi tidak stabil.
• Hanya meramalkan naik/turun satu hari, tidak dapat menilai arah aliran jangka panjang.
• Apabila pasaran memasuki fasa turun naik, prestasi mungkin merosot.

Arah Pengoptimuman

• Menambah pembolehubah input, seperti maklumat volum dagangan.
• Mencuba struktur ANN dan fungsi pengaktifan yang berbeza.
• Mengoptimumkan parameter ANN untuk meningkatkan ketepatan pemadanan.
• Menambah saiz sampel set latihan untuk mengelakkan overfitting.
• Meramalkan pelbagai skala masa untuk menilai arah aliran jangka pendek dan panjang.
• Menggabungkan dengan model lain, pembelajaran ensemble.
• Menggunakan penunjuk seperti turun naik untuk memperkukuh kawalan risiko.

Kesimpulan

Strategi ini menggunakan model ANN untuk ramalan perubahan harga, boleh mengenal pasti arah aliran bukan linear yang kompleks, sesuai untuk dagangan jangka sederhana dan panjang. Walau bagaimanapun, ciri kotak hitam model ANN juga menimbulkan cabaran besar dalam dagangan sebenar. Kita perlu mengoptimumkan dari aspek ciri input, struktur model, parameter, dan pembelajaran ensemble, sambil ditambah dengan penunjuk analisis teknikal tradisional untuk meningkatkan kesan operasi dan mengurangkan risiko dagangan sebenar. Strategi kecerdasan buatan masih perlu digabungkan dengan sempurna dengan strategi tradisional untuk mencapai kesan maksimum.