# 人工智慧與財務分析 - 王淳恆

{%hackmd tGp8pt49Q2aT5cD5TFyaIA %}

> 請從這裡開始

## 講師
Andrew Wang

##
其實就是證券分析

20170802 獲利了結 重達-KY
+162.55%

## 人工智慧分析軟體 - 尋億股
http://www.findbillion.com/

## 股市分析研究報告
看財報的：
* 營收成長率
* 預估每股盈餘(EPS)
* 目標價
* 建議

## 尋億股的人工智慧
1. 預估EPS
2. 評估個股價值
3. 判斷營收成長率

## 價值 vs. 價格
過去8粒400 = 價值
現在8粒100 = 價格
價值>價格 == 買
但股市價值不容易預估

首先要看財務報表
工程師看不懂 看了想睡覺

第一步要資料視覺化，看出趨勢向上向下

## 預估每股盈餘EPS
平均稅後淨利率
預估每股盈餘EPS = 近12個月營收*平均稅後淨利率/股本

機器學習的方法
- 多變數回歸
- 目前結合此方法與平均稅後淨利率
- 隨機森林回歸法
- [xgboost](https://xgboost.readthedocs.io/en/latest/)
- 未來嘗試的此法，此法結合回歸與決策樹的優點

## 預估價值(1)
- 平均配息(常見)
- 平均過去五年的現金股利

## 預估價值(2)
- 預估EPS
- 平均配息率 x 預估EPS = 預估最新配息

## 預估價值(3)
- 本益比
- 預估合理股價 = 過去平均本益比 x 預估EPS
- 缺點
- 公司未來成長趨快時會低估
- 公司未來成長趨緩時會高估


## 預估價值(4)
- 機器學習的方法
- 決策樹找出適合本益比法的個股
- 輸入 ROE, 成長率、配習率、目標價入決策樹計算
- 特徵值從哪來?
- 請從財務管理課本去找，資料太多了
- 沒有財務背景的話會拿"價"、"量"，後面會講缺點

- **估不準的不要買**
- 1 - FDR= TP/(TP+TF)
- FDR = 錯誤發現率
- 建議買進時 （預估大於1），準確度要高
- 沒買的漲了也沒差

## 人工智慧開發流程
1. 下載資料(爬蟲與資料庫)
2. 訓練資料與預估(統計/機器學習/人工智慧)
3. 賺錢養家賠錢修正

## 下載資料
爬蟲
- 取得網頁資料·
- 爬蟲
抓網頁資料 - 財報 股價 成交量 籌碼
ETL(Extract Transform Load)
- 萃取 Extract
- 轉置 Transform
- 載入 Load 至目的端(資料庫)的過程
清資料
- 資料很多錯誤，需要校正的地方

## 資料來源
- 公開資訊觀測站
- 台灣證卷交易所
- 證卷櫃台買賣中心

## 人工智慧/統計分析等方法
統計(不算人工智慧)
回歸
決策樹/隨機森林
**事後機率 (貝氏定理)**
**深度學習**

## 事後機率 (貝氏定理)

全部股票40%會上漲
- p(A=股價上漲) = 0.4
全部股票25%股價低估
- p(B=股價低估) = 0.25
上漲的股票有50%是因為價值低估

依照貝氏定理可得 股價低估的股票中 80%曾上漲

任意選股會有4成交量0%賺到錢，透過價值分析賺錢機率變成80%

## 深度學習
LSTM 利用時間上的相關性

利用深度學習預估台積電股價
22天日開盤 高價 低價 收盤價 以及 成交量做隔日收盤的預估
看起來很好，但如果用同樣東西估計別的股票 會賠錢

## 過適 overfitting
訓練時參數過度貼近資料，造成不同資料時無法準確預估

### 處理 overfitting 的問題
Validation Data Set
好的模型是不同區間的資料都能適用
Traning Set = 50%
Validation Set = 20%
Test Set = 30%

假設台積電長期趨近向上，用這種Data訓練出來的Model，如果哪天突然 不上漲打平 或 下跌 就掛了
因為Model從來沒學過盤整或下跌

要怎樣在Model訓練過程中選最佳的點，避免Overfiting
參數調整過程中，要找到Validation最低點，才是最佳參數點
但大部分的人因為沒有Validation，所以都是在找training set的最低點，就會宣稱自己報酬非常好

市面上9成程式交易都是避免Overfiting
結果剛買來都會準 一陣子之後就不準了

> 造成都是用真金白銀在validation

一開始多頭績效驚人 (AI-Traders 2017/11/22)
11月中疊200點 損益超過-50%

大盤大多數都在盤整和上漲，看不出很差，但金融風暴才會大跌，一次就賠光，再也不更新也沒有model了

人工智慧投資股票實際上是模仿智慧
如果學巴菲特就是慢慢存錢

輔助人類的智慧 減少情緒的判斷

###### tags: `COSCUP2018` `data`