TW202133089A

TW202133089A - 最佳化驅動決策之方法及其電腦程式產品

Info

Publication number: TW202133089A
Application number: TW109105558A
Authority: TW
Inventors: 許正乾; 范姜中岑; 卓瑩鎗
Original assignee: 台灣財金科技股份有限公司; 台灣資料科學股份有限公司
Priority date: 2020-02-20
Filing date: 2020-02-20
Publication date: 2021-09-01
Also published as: US20210264265A1

Abstract

本發明提供一種最佳化驅動決策之方法及其電腦程式產品，透過一計算機執行一非線性計算並產生一最佳化資訊。最佳化驅動決策之方法包含：正規化多個來源的原始數據為一特徵集合；從該特徵集合中選取出多個指標而形成一決策集合；接收該決策集合並判斷該些指標對應的該些來源的原始數據是否發生一變化，當判斷該變化已產生時，則對應調整一學習權重向量，並根據該學習權重向量與該決策集合求得一最佳解與一最差解；以及依據該最佳解與該最差解產生該最佳化資訊。據此，本發明能快速且精準的提供最佳化資訊，提供執行決策的參考依據。

Description

最佳化驅動決策之方法及其電腦程式產品

本發明係關於一種最佳化驅動決策之方法及其電腦程式產品，特別是關於一種透過大數據與人工智慧技術，提供決策者或投資者最佳化資訊。

每個人每天幾乎都會遇到做決策的問題，然而不知什麼樣的決策才是當前最適合自己或是企業，特別是對於投資者（或稱為決策者）。有時候不論投資者或是決策者面對數十個指標或選擇機會時，往往這數十個指標或選擇機會都很難全部都是往心中最理想的方案走，絕大多數都是某些指標很好，但其他指標的表現就很差，如此一來，人們在數十個指標或選擇機會中面臨「權衡得失」（trade-off）的窘境。以下將以金融領域的投資決策作為說例。

目前一般投資者或學有專精的專業投資人（包含基金經理人）面對金融市場每天詭譎多變的大量資訊時，大致上依靠市面上的兩大類軟體，即看盤軟體和策略回測系統，這些軟體最大的特徵在於僅將過去歷史資料做統計，更甚者，再將統計後的結果以資料視覺化呈現給投資人。

看盤軟體主要是呈現大盤、個股與全球金融市場等即時報價資訊，甚至其過去歷史的價格資訊。前者係提供投資者了解當下即時的金融資訊，而後者係提供投資者查閱過去至今的漲跌狀況。然而，這樣的看盤軟體就純粹只是一個針對過去至今的數據進行統計並予以資料視覺化的一種軟體。

至於策略回測系統就比看盤軟體更複雜。一般來說，策略回測是針對個股提供投資人「選股條件」的設定，其中「選股條件」相當依賴技術面（如技術線型）與籌碼面（如三大法人持股），所以策略回測系統就被投資人當成「操作買賣條件」的依據。然而，這樣的策略回測系統的「選股條件」的設定卻存在以下若干缺點：

第一、需要過往經驗。根據投資人過去所觀察到的股價變動經驗選取「選股條件」，例如：價穩量縮、（日、月、季）均線突破、單日個股成交量爆量等設定條件。然而，這些過往的經驗全憑投資人的主觀認定。

第二、需要了解市場與股價變動結構間的關係。專業投資人每天需要花大量時間了解市場與股價變動間的關係，尤其每一檔個股所屬的產業類別不同，甚至還涉及景氣循環，這些都需要相當的研究和專業知識才能設定技術指標。專業投資人都需要如此費心，更遑論一般上班族或學生會有時間學習投資理財的專業知識。

第三、不知如何設定參數。非常依賴投資者的過往經驗而設定艱澀難懂的統計學如：MACD、RSI、5日移動平均（moving average）、10日移動平均、布林通道、DMI、KDJ、EMA、ROC、…等數十種參數，透過這些參數的設定後再根據對過去歷史的回測獲利率後再重新調整參數。也就是說，策略回測系統不具有最佳化參數之功能，以至於投資者只能在數千種的排列組合中靠運氣與經驗回測出較佳的獲利模式。此外，一般投資者不可能對統計學指標具有如此專業的知識，因此這樣複雜的軟體設定實際上並未真正解決一般投資者在使用上的問題。

第四、並非所有統計學指標可用於回測。實務上，投資者（即便是專業投資人）選用過多的指標將可能造成過度調適（over fitting）之問題，也就是說，由於過多的指標將可能造成某些指標的特性重複，以至於回測結果發生嚴重偏差。目前策略回測系統並無提供這樣的演算法解決此一問題，因此投資者使用時還是在不知是否過度調適的狀況下根據過往經驗去設定，可想而知發生嚴重回測偏差的機率將大大提升。

以上所述的問題可歸納為：第一、僅針對過去歷史數據做一個簡單的描述性統計與資料視覺化；第二、太多的艱澀難懂的統計學指標將使得投資人困惑；以及，第三、投資者在不知是否過度調適的狀況下根據過往經驗去設定選股條件進行回測，將大幅提升嚴重回測偏差的機率。

有鑑於此，為解決上述問題，如何降低投資者（或決策者）對於策略回測系統的使用門檻，而又能透過人工智慧吸收所有複雜難懂的統計學指標並每天隨著市場環境的變化而最佳化地修正偏差的參數，然後以簡單易懂的結果呈現給投資者（或決策者）做決策，乃為業界亟需解決之問題。

本發明一實施例提供一種最佳化驅動決策之方法，其可透過人工智慧而可快速、簡單、準確度高的資訊而輔助決策者做最佳化決策。透過一計算機執行一非線性計算並產生一最佳化資訊，其中該計算機擷取多個來源的原始數據後，即時進行該非線性計算並提升該最佳化資訊的準確度。該最佳化驅動決策之方法包含以下步驟：正規化該些來源的原始數據為一特徵集合；從該特徵集合中選取出多個指標而形成一決策集合，其中該決策集合係為影響該非線性計算的效率及該最佳化資訊的準確度的因子之一；接收該決策集合並判斷該些指標對應的該些來源的原始數據發生一變化；當判斷該變化已產生時，則對應調整一學習權重向量，並根據該學習權重向量與該決策集合求得一最佳解與一最差解，其中該學習權重向量中的各元素分別與該些指標相對應，且實質上介於0與1之間且各元素之和為1；以及依據該最佳解與該最差解產生該最佳化資訊。

本發明一實施例還提供一種用於最佳化驅動決策之電腦程式產品，用以執行一非線性計算後，產生一最佳化資訊並提升該最佳化資訊準確度的電腦程式產品。該電腦程式產品包含：一擷取原始數據模組，擷取多個來源的原始數據；一正規化模組，正規化該些來源的原始數據為一特徵集合；一選取特徵模組，從該特徵集合中選取出多個指標而形成一決策集合，其中該決策集合係為影響該非線性計算的效率及該最佳化資訊的準確度的因子之一；一學習權重向量模組，接收該決策集合並判斷該些指標對應的該些來源的原始數據是否發生一變化，當該變化已產生，則對應調整一學習權重向量，並根據該學習權重向量與該決策集合求得一最佳解與一最差解，其中該學習權重向量中的各元素分別與該些指標相對應，且實質上介於0與1之間且各元素之和為1；以及一最佳化模組，依據該最佳解與該最差解產生該最佳化資訊。

根據本發明實施例提出的最佳化驅動決策之方法及其電腦程式產品，利用最佳解與最差解，能快速獲得最佳化資訊，具有節省運算資源與運算時間之功效。此外，透過自動調整學習權重向量，可以客觀傳達資訊的正確性並即時予以修正過去數據所發生的偏誤，提高分析準確度。也就是說，本發明透過人工智慧並針對大量的數據而做出非線性最佳化的演算法後，不僅可將所有待決策的事項予以量化，而且確實可快速且大幅提升最佳化資訊的準確度。

以下將透過數個實施例與數個圖式來解釋本發明內容，然而，本發明的實施例以及圖式所示之結構外型、尺寸僅用以闡釋本發明，並非用以限制本發明需在如實施例所述之任何特定的環境、應用或特殊方式方能實施。

為方便說明本發明之最佳化驅動決策之方法及其電腦程式產品，以下將以如何輔助人們進行股市投資決策作為說例。然而，需強調的是，本發明並非用以限定股市投資決策，實施時更可擴展至企業決策者對於重大投資，如擴廠或投入某技術開發時的投資決策；此外，本發明對於輔助個人的任何決策也在本發明之範疇內。

請參考圖1所示，其係為本發明一實施例的最佳化驅動決策之方法之流程圖。最佳化驅動決策之方法係透過一計算機21（如圖2所示）執行一非線性計算並產生一最佳化資訊，其中該計算機21可為電腦或伺服器，並擷取多個來源的原始數據後，即時進行該非線性計算並提升該最佳化資訊的準確度，該最佳化驅動決策之方法包含下列步驟。

首先，如步驟S101，擷取多個來源之原始數據，其中該些來源原始數據更包含一結構化數據、一非結構化數據以及一半結構化數據中的至少其中之一。結構化數據係指可量化的資訊，如收盤價、平滑異同移動平均線指標（MACD）、相對強弱指標（RSI）、5日均線、指數移動平均（EMA）、…等；而非結構化數據係指難以被量化的資訊，如文字；而半結構化數據係指如XML格式的資料。

接著，執行步驟S103，清洗該些來源之原始數據。由於計算機21所接收的原始數據可能包含遺失值（missing value）或其他錯誤的資訊，因此需要透過程式在複雜的數據中針對遺失值進行內插補值或是捨棄。步驟S103必須根據數據的特性和該領域知識而決定如何處理遺失值。

執行步驟S105，正規化（normalize）該些來源之原始數據為一特徵集合（characteristic set）S，其中特徵集合

，N為正整數。實施本發明時，X₁ 可為開盤價、X₂ 為收盤價、X₃ 為MACD、X₄ 為RSI、X_p-1 為股本以及X_p 為產業趨勢等指標。以上特徵集合S中的各指標與數目僅為說明用，並非用以限定本發明。

執行步驟S107，從特徵集合S中選取出多個指標而形成一決策集合D，其中決策集合D係為影響非線性計算的效率及最佳化資訊的準確度的因子之一。執行步驟S107時，決策集合D可透過奇異值分解（singular value decomposition, SVD）或主成分分析（principal component analysis, PCA）而使得決策集合D的指標數目不僅減少而降低運算量，且其兩兩指標彼此互為正交向量（orthogonal vector）。以本發明之實施例，某一時期的決策集合D經SVD或PCA計算後，

，p>5且其分別對應

，其中產業趨勢可為半結構化或非結構化之數據。本發明技術特徵之一為決策集合D中的各指標均為時間的函數；也就是說，收盤價、MACD、RSI、年增率與產業趨勢的數據會隨時間而有所變化，並各指標分別形成一時間序列向量，同時各指標分別對應一權重，例如：收盤價對應權重w₁ ，MACD對應權重w₂ ，RSI對應權重w₃ ，年增率對應權重w₄ ，以及產業趨勢對應權重w₅ ，以形成一學習權重向量

。如此一來，熟習該技術領域之人士應當理解此為非線性計算的範疇，絕非簡單的人為數學推演而能在複雜的巨量資料準確地、隨時、快速地計算出結果。

執行步驟S109，接收決策集合D並判斷該指標對應的該些來源的原始數據是否發生一變化。具體而言，當判斷為「是」，代表該變化已產生，則執行步驟S111，對應調整學習權重向量W，而後執行步驟S113。步驟S113係根據學習權重向量W與決策集合D求得一最佳解A⁺ 與一最差解A^- ，其中學習權重向量W中的各元素分別與該些指標相對應，且實質上介於0與1之間且各元素之和為1。反之，若步驟S109判斷為「否」，則維持調整學習權重向量W原先的最佳解A⁺ 與最差解A^- ，並回到步驟S101繼續監測來源的原始數據是否有新的變化。

本發明技術特徵之一係為了更準確並迅速地求出該最佳化資訊而設計出最佳解A⁺ 與最差解A^- 。一般習知技術均教導在線性代數的空間中求出一局部（或全域）最大解或最小解的觀念，並非就是最佳解A⁺ 與最差解A^- 的觀念。透過代入最佳解A⁺ 與最差解A^- 後而可得到其對應的最佳解決方案。本發明求出最佳解A⁺ 而相應求出空間中的最差解A^- 後，而能快速找到模型的最佳解決方案，一改習知的類神經網路需要反覆遞迴，並花費大量運算資源與時間而間接求得較佳的權重向量才得到模型的最佳解。本發明的最佳解A⁺ 與最差解A^- 的計算方法如下：

其中，

，x_ij 為決策集合D中各指標所對應得時間序列向量的元素，而J為效益準則，代表績效分數越高越好，如年增率；J'為成本準則，代表績效分數越低越好，如收盤價；以及w_j 為學習權重向量W的元素，在本發明實施例中，

。更進一步來說，相較於類神經網路，本發明實施例透過將

歸類為效益準則J的集合內並代入

的公式而求得最佳解A⁺ ，而

歸類為成本準則J'最佳解A⁺ 的集合內並代入

的公式而求得最差解A^- ，最後結合最差解A^- 進行一次性整體運算而快速地找出最佳的學習權重向量W。

習知技術中，不論是大數據或人工智慧領域，對於權重的處理多半是藉由人為的主觀認定或根據過去某一領域的經驗而設定。如此一來，在計算時有很高的機率將發生嚴重偏誤而致使決策者做出不當的決策。然而，於步驟S111至S113過程中，本發明技術特徵之一就是為了解決上述問題而推導出一種因應數據發生該變化時，就可自動調整學習權重向量W，以客觀傳達資訊的正確性並即時予以修正過去數據所發生的偏誤。

學習權重向量W係根據決策集合D於空間中所包含的元素x_ij 分佈所給定。具體而言，各指標的變異大小可透過δ_j 間接衡量之，然後再決定其w_j 的分佈，δ_j 的定義與w_j 的分佈如下：

在本發明實施例中，

，並將w_j 代入至v_ij ，則可求出最佳解A⁺ 與最差解A^- 。最後，執行步驟S115，依據最佳解A⁺ 與最差解A^- 產生最佳化資訊，其中最佳解A⁺ 係為線性代數的空間中找尋效益準則J中排名前若干名中的最大效益解，而最差解A^- 係為線性代數的空間中找尋成本準則J'中排名前若干名中的最小成本解。所述最佳化資訊即指最大效益解與最小成本解。

在一些實施例中，在執行本發明步驟S107後，還執行步驟S117，因應決策集合D的特性定義一機器學習模型，其目的是為了透過該機器學習模型而進入步驟S119，以便估測一風險機率，使該風險機率更準確被估測，其中該機器學習模型為支援向量機（Support Vector Machine, SVM）、人工神經網路（Artificial Neural Network, ANN）、貝氏分類器（Bayes’ classifier）、馬可夫鏈（Markov’s chain）、隱馬可夫鏈（Hidden Markov’s Model, HMM）或聚類（clustering）等數學模型。

請參圖2，其係為本發明用於最佳化驅動決策之電腦程式產品之示意圖。電腦程式產品2經計算機21載入後執行一非線性計算後產生一最佳化資訊293，並提升最佳化資訊293的準確度。電腦程式產品2包含一擷取原始數據模組201、一正規化模組203、一選取特徵模組205、一學習權重向量模組207、一最佳化模組209以及一風險預估模組211等模組。

擷取原始數據模組201用以擷取來自計算機21所儲存的多個來源的原始數據291。正規化模組203用以正規化來自擷取原始數據模組201的該些原始數據291為一特徵集合S。選取特徵模組205用以從特徵集合S中選取出多個指標而形成一決策集合D，其中決策集合D係為影響該非線性計算的效率及該最佳化資訊的準確度的因子之一。學習權重向量模組207用以接收決策集合D並判斷該些指標對應的該些來源的原始數據291是否發生一變化，當該變化已產生，則對應調整一學習權重向量W，並根據該學習權重向量W與決策集合D而求得最佳解A⁺ 與最差解A^- ，其中學習權重向量中的各元素分別與該些指標相對應，且實質上介於0與1之間且各元素之和為1。倘若當學習權重向量模組207判斷該變化未產生時，則維持學習權重向量所求得的最佳解A⁺ 與最差解A^- 。最佳化模組209用以依據最佳解A⁺ 與最差解A^- 產生該最佳化資訊293。此最佳化資訊293可於計算機21顯示，也可以是透過如網路等方式傳送至另一電子裝置23（如行動裝置）上顯示。

請參圖3，其係為本發明用於最佳化驅動決策之電腦程式產品之另一實施例之示意圖。在本實施例中，用於最佳化驅動決策之電腦程式產品2大致上與圖2相同，相同之處於此不在贅述。唯差異在於實施本發明時，可接收來自一無線訊號裝置31的原始數據291。

請參圖4，其係為本發明一實施例中呈現台北股市所有個股的最佳化資訊293的示意圖。最佳化資訊293主要包含的欄位有「AI排名」、「股票代碼」、「AI評分」、「風險指數」、「多方機率」以及「多空訊號」等透過本發明之機器學習模型所推導出的一最佳化計算後進行排序。舉例來說，在某一日的盤後交易經由最佳化驅動決策針對台北股市所包含的近1700檔股票所對應的原始數據291進行大量計算後，可以得出該日近1700檔股票的「AI排名」及其對應的資訊。例如某日的「AI排名」第一名的股票代碼為“5439“，其「AI評分」為66.75分，且其對應的「風險指數」為1.88，其未來週線的「多方機率」為98%，「多空訊號」為週線偏多連續38日等資訊，其中前述的原始數據291係包含市場上所有的籌碼面、技術面以及產業基本面。

更進一步而言，若一檔股票的「AI評分」大於60分，甚至逐日增高，代表市場上所有或大部份的資訊導向多方，因此代表該檔股票利多籠罩。

綜上所述，有別於習知的類神經網路需要反覆遞迴而花費大量運算資源與時間才得到模型的最佳解之問題，本發明一實施例提供的最佳化驅動決策之方法及其電腦程式產品，利用最佳解與最差解，能快速獲得最佳化資訊，具有節省運算資源與運算時間之功效。此外，透過自動調整學習權重向量W，本發明一實施例提供的最佳化驅動決策之方法及其電腦程式產品，可以客觀傳達資訊的正確性並即時予以修正過去數據所發生的偏誤，提高分析準確度。也就是說，本發明透過人工智慧並針對大量的數據而做出非線性最佳化的演算法後，不僅可將所有待決策的事項予以量化，而且確實可快速且大幅提升最佳化資訊的準確度。因此，當應用在投資領域時，不僅可快速選出具有價值的投資標的，而且還可提供投資人挑選出適合自己屬性的投資組合。如此一來，投資人便可以透過客觀的大數據進行投資決策。

2:電腦程式產品 201:擷取原始數據模組 203:正規化模組 205:選取特徵模組 207:學習權重向量模組 209:最佳化模組 211:風險預估模組 21:計算機 23:電子裝置 291:原始數據 293:最佳化資訊 31:無線訊號裝置 S101~S119:步驟

[圖1]係為本發明一實施例的最佳化驅動決策之方法之流程圖； [圖2]係為本發明用於最佳化驅動決策之電腦程式產品之一實施例之示意圖； [圖3]係為本發明用於最佳化驅動決策之電腦程式產品之另一實施例之示意圖；以及 [圖4]係為本發明一實施例中呈現台北股市所有個股的最佳化資訊的示意圖。

S101~S119:步驟

Claims

一種最佳化驅動決策之方法，透過一計算機執行一非線性計算並產生一最佳化資訊，其中該計算機擷取多個來源的原始數據後，即時進行該非線性計算並提升該最佳化資訊的準確度，該最佳化驅動決策之方法包含以下步驟：正規化該些來源的原始數據為一特徵集合；從該特徵集合中選取出多個指標而形成一決策集合，其中該決策集合係為影響該非線性計算的效率及該最佳化資訊的準確度的因子之一；接收該決策集合並判斷該些指標對應的該些來源的原始數據是否發生一變化；當判斷該變化已產生時，則對應調整一學習權重向量，並根據該學習權重向量與該決策集合求得一最佳解與一最差解，其中該學習權重向量中的各元素分別與該些指標相對應，且實質上介於0與1之間且各元素之和為1；以及依據該最佳解與該最差解產生該最佳化資訊。
如請求項1所述之最佳化驅動決策之方法，其中該「接收該決策集合並判斷該些指標對應的該些來源的原始數據是否發生一變化」步驟包含：當判斷該變化未產生時，則維持該學習權重向量所求得的該最佳解與該最差解。
如請求項1所述之最佳化驅動決策之方法，其中該「當判斷該變化已產生時，則對應調整一學習權重向量以求得一最佳解與一最差解」步驟包含：進行一次性整體運算而調整該學習權重向量。
如請求項1所述之最佳化驅動決策之方法，其中於該「選取」步驟之後，更包含：估測一風險機率。
如請求項4所述之最佳化驅動決策之方法，其中該「估測」步驟是因應該決策集合的特性，定義一機器學習模型，以使該風險機率更準確被估測，其中該機器學習模型為支援向量機（Support Vector Machine, SVM）、人工神經網路（Artificial Neural Network, ANN）、貝氏分類器（Bayes’ classifier）、馬可夫鏈（Markov’s chain）、隱馬可夫鏈（Hidden Markov’s Model, HMM）或聚類（clustering）。
如請求項1所述之最佳化驅動決策之方法，其中該計算機為電腦或伺服器。
如請求項1所述之最佳化驅動決策之方法，其中該些來源的原始數據包含一結構化數據、一非結構化數據以及一半結構化數據中的至少其中之一。
一種用於最佳化驅動決策之電腦程式產品，經由一計算機載入以執行一非線性計算後，產生一最佳化資訊並提升該最佳化資訊的準確度，該電腦程式產品包含：一擷取原始數據模組，擷取多個來源的原始數據；一正規化模組，正規化該些來源的原始數據為一特徵集合；一選取特徵模組，從該特徵集合中選取出多個指標而形成一決策集合，其中該決策集合係為影響該非線性計算的效率及該最佳化資訊的準確度的因子之一；一學習權重向量模組，接收該決策集合並判斷該些指標對應的該些來源的原始數據是否發生一變化，當該變化已產生，則對應調整一學習權重向量，並根據該學習權重向量與該決策集合求得一最佳解與一最差解，其中該學習權重向量中的各元素分別與該些指標相對應，且實質上介於0與1之間且各元素之和為1；以及一最佳化模組，依據該最佳解與該最差解產生該最佳化資訊。
如請求項8所述之用於最佳化驅動決策之電腦程式產品，其中當該學習權重向量模組判斷該變化未產生時，則維持該學習權重向量所求得的該最佳解與該最差解。
如請求項8所述之用於最佳化驅動決策之電腦程式產品，其中當該學習權重向量模組判斷為該變化已產生，則進行一次性整體運算而調整該學習權重向量。
如請求項8所述之用於最佳化驅動決策之電腦程式產品，更包含一風險預估模組，用以接收該選取特徵模組所輸出的該決策集合後，將該決策集合代入至已定義的一機器學習模型，以估測一風險機率。
如請求項11所述之用於最佳化驅動決策之電腦程式產品，其中該最佳化模組依據該最佳解、該最差解與該風險機率產生該最佳化資訊。
如請求項11所述之用於最佳化驅動決策之電腦程式產品，其中該機器學習模型係因應該決策集合的特性而定義，以使該風險機率更準確被估測，其中該機器學習模型為支援向量機（Support Vector Machine, SVM）、人工神經網路（Artificial Neural Network, ANN）、貝氏分類器（Bayes’ classifier）、馬可夫鏈（Markov’s chain）、隱馬可夫鏈（Hidden Markov’s Model, HMM）或聚類（clustering）。
如請求項8所述之用於最佳化驅動決策之電腦程式產品，其中該些來源的原始數據包含一結構化數據、一非結構化數據以及一半結構化數據中的至少其中之一。