我們於前兩篇文章中，介紹了常用的兩種演算法，也展現出簡單演算法就能有效提升股價預測的準確度。但台灣目前充斥著標榜機器人理財的投資工具，難道投資人只要任意挑選一種，便可放心將投資交給機器人或背後的演算法，之後便高枕無憂嗎？「鉅亨買基金」帶你認識機器人理財一代與二代，可別買錯。
1. 演算法萬千種，流程只有一種
建構機器學習模型流程
資料來源：「鉅亨買基金」整理，資料日期: 2019/6/12。
除了我們先前介紹過的 KNN 與 K Means 演算法，常用的演算法還有決策樹、隨機森林、深度學習等。但無論演算法有多少種，建立一個預測模型的流程只有一種。
假設要建立一個身高預測模型，資料可能會是台灣地區的所有居民身高，其中有些人的身高資料可能有異常或是缺失（若有人的身高為 220 公分，則有很大機率是登記錯誤），資料處理過程便包含刪掉或調整異常的身高數據。而特徵工程則是將與身高有關的變數納入模型中，像是出生年、父母身高、家庭所得等變數。之後變是將資料送進幾個演算法中，並藉由調整參數來提高預測準確度（如 KNN 模型中的 K），最後再統合不同演算法的答案（假設 A 演算法預測身高是 170 公分、B 演算法是 180 公分，最簡單的統合方式便是取其平均值），整個預測模型便完成了。
2. 機器人理財分兩代，買前先搞清楚
機器人理財一代產品與二代產品，差別就在我們前段提到預測模型的有無。第一代的機器人理財通常只著重於各類資產權重的優化與再平衡，目的是在滿足投資人期望報酬率的前提下，降低整體資產的波動程度。而第二代理財機器人除了對資產權重進行優化外，還加入了對於資產價格、景氣週期或基金表現的預測模型，希望藉由判斷未來各類資產表現，來避開大跌可能性較高的資產（如我們之前文章提到的 KNN 與 K Means 模型，可協助判斷未來美股上漲機率與目前景氣週期）。
3. 不單純是冰冷的算式，人腦才是關鍵
很多投資人都會認為機器人理財就像過往的計量模型，透過歷史回測與預先寫好的交易規則，死板的進行買進與賣出。但納入預測模型的第二代理財機器人卻大不同，無論是建構模型過程中的資料處理與特徵工程等步驟，都需要人的介入，電腦無法自動整理好資料、也無法自己決定要納入哪些變數，並不用說演算法的挑選與參數的設定，都是人必須介入的。因此，相較於偏向單純依賴歷史數據回測的第一代機器人理財產品，第二代機器人理財產品更是結合電腦快速計算與人腦理解能力的優勢。
資料來源：鉅亨網
本文內容僅供參考，無任何買賣建議，投資人應謹慎評估，風險自負。
