所有數據應用在收集到資料後都是為了唯一目的：決策。然而大數據系統的特性不僅在於取得資料數眾多，更因為源源不絕的數據進入後被分析，所以相應的決策模式也與傳統商學院或企業所慣用者有革命性的改變。傳統的決策方式以賽門決策模型為基礎或相仿形式，其之於大數據系統，類似傳統的量化交易模式之於使用十分逼近法求得真實市場走向的新式交易模型。賽門決策的理論基礎是經濟理論，特別是消費者抉擇理論，即在一定的合理性前提下，通過對各種行為的比較和選擇，使總效用或邊際效用達到最大。上述決策環節的關鍵在於「比較和選擇」，顯然可觀察出人為的主觀判定決定性影響了結論。也就是同一份數據會因為不同分析者而得到相左之結論。交易模型的設計亦同，從指標、濾網等各方面公式或條件設定，每一部分都牽涉到設計者的經驗或主觀意識，因此這類系統通常沒有良好的穿透性，或是自我重新適應市場變革後的獲利能力。
《 經驗模型又稱黑箱模型（Black box )，指內部規律仍不為人們所知。如生命科學、社會科學等問題。》
相對於傳統賽門決策模型，大型的數據應用平台 ( ex. Facebook, Google ) 則使用經驗模型 ( Empirical Modelling ) 作為整個數據演算模式。這種經驗模型的應用有別於傳統決策由一或多個 input 對應至單一 output，轉為一種新的決策模式：無窮迴圈。當每一個新的 output 產出後再重新投入市場並重新接受市場反饋，這個市場反饋在交易上則為權益曲線 ( Equity Curve )，它真實反映了行為的目的。
既然交易得以套用經驗模型，那些過往難以量化的公式再也不重要，交易者已無需編寫複雜的邏輯去推測市場趨勢。經過迴圈決策方式，系統能由市場迅速收集而得的資料數據統計出市場真實值，這個真實值不需演算，一旦跨越有效的樣本空間就具有實際使用效益。附帶一提，我們如何界定何謂有效的樣本空間？所需的資料筆數是 500、2000 或是 100000？若系統所收集得最新資料 x 筆與前 x 筆可得相符的結論 ( 例如第 1 ~ 500 與 500 ~ 1000 筆 )，那麼 x 即為樣本空間大小有效的初步判定，系統只要對 x 這個數字由小而大做滾動式測驗，獲得的 x 最小值即為所求。
取得有效的數據後經過演算而來的值用於改變參數 ( 交易系統中則為自適化參數或加減碼依據 )，分析系統的每一個演算結論用於調整單一參數。整體系統經過市場循環式校調後重新決策，使系統在「收集資料 → 決策 → 將決策重新投放市場中接收新反饋」這樣一個迴圈內不斷循環，達到求取逼近於真實世界的解。這個解不需要任何特別的演算法則，而是湧入的數據經常性自動校條系統參數所得的事實。
交易邏輯有時候過於複雜，是因為人們對於市場的型態或假設過度預設立場，欲藉由過往經驗及觀察架構出固定條件的預測系統。這種模式存在的問題是固定條件會隨市場演變而失效，甚至可能一直以來皆為無效，看似有效的原因來自於回測當中過度最佳化。因此若以大數據商業平台的逼近法模式套用於資本市場交易，將無疑能解決很多棘手的問題。
《 本文由 PROG 璞格交易團隊 提供 》Facebook 新浪博客
0 意見:
張貼留言