黃國華 │ 機器學習能否取代傳統基本面分析？

這些演算法也可以整理，預先處理有關數據，排除掉錯誤、不一致和不相關的資訊。

機器學習的型號，例如迴歸分析、決策樹隨機森林及中立網絡，可以依靠歷史性金融數據來訓練，以便對公司未來股價、盈利成長或其他關鍵表現進行預測。這些型號從數據的程式學習，然後根據不同變數之間的關係做預測，通過檢測複雜的程式及數據中的聯繫、機器學習型號對未來盈利表現的預測，可以取得較高精準度。

其演算法也可以評估投資個別股，或者是組合投資涉及的風險，分析的因素包括波動性，與其他資產、宏觀經濟指標的相關性，這有助於投資者對組合投資的分配和風險管理，做出知情決策。

此外，自然語言處理（NLP）的技巧，可以用來分析報紙的文章、社交媒體、金融報告的文本數據，以測試市場觀點——投資者對個別股或公司的情感。

機器學習的演算法可以將看法區分為正面、負面或是中立，並使用這個訊息做出投資決策。

缺乏解釋能力

那麼，機器學習是否能取代傳統的基本面分析？雖然機器學習演算法可以根據數據進行預測，但是他們可能缺乏解釋那些預測背後潛在原因的能力，對投資者瞭解投資決策背後的合理性，可以解釋性的元素是不可少的，這也是人類可以解釋價值的所在。

基本面分析涉及的不只是量化分析，也包括質量判斷與專業知識，考慮的因素包括管理層的素質、企業監管、競爭優勢及市場動力，都不能量化或是輕易看待，可能需要人類的質量判斷和專業的評估。

機器學習演算法，可能力爭將它們的型號，有效融入這些量化因素。金融市場是具有活力的，而且受到廣泛因素的影響，例如：地緣政治事件、管制條規的改變及投資者的情感。

因此，深入瞭解這些因素，這些因素對投資決策潛在的影響，是至關重要的。可是這樣的要求，要想機器學習演算法的準確掌握，可能有些困難。

輸入完善數據才能發揮

俗話說：“廢料進，廢品出”（簡稱GIGO），機器學習型號唯有在輸入完善的數據才能發揮好，假如數據有限，或者存在偏差，又或者不完整，該型號可能產出不準確，或不可靠的預測。

況且，機器學習演算法可能不經意間，放大現有的偏差數據，導致不合理或歧視性的結果出現。

今天，機器學習正轉型基本面分析的模式，從一個以人工可能出錯的程序，轉向一個比較準確、自動化的科學程序。

應被視為互補工具

雖然機器學習可以自動化數據的分析、監督交易模式，根據過往數據做出預測，但它應被視為一個互補的工具，而不是傳統基本面分析的替代品。

隨著機器學習科技快速演進，將這類技術加入投資策略也變得更為普遍。對於任何涉及投資的人而言，瞭解和善用機器學習可能讓他們成為遊戲規則改變者，為他們在瞬間萬變的股票交易世界中提供競爭優勢。說到底，成功的投資決策往往來自於量化分析、質量判斷及人類專業評估的結晶。