黄国华 │ 机器学习能否取代传统基本面分析？

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。