量化金融中的机器学习是什么? 定义、类型和示例

384 阅读7分钟

✏️写作:个人博客InfoQ掘金知乎CSDN

📧公众号:进击的Matrix

🚫特别声明:原创不易,未经授权不得转载或抄袭,如需转载可联系小编授权。

机器学习是什么

机器学习是更广泛的人工智能领域的一个分支,它利用统计模型来进行预测。它通常被描述为预测建模或预测分析的一种形式,传统上,它被定义为计算机在没有明确编程的情况下学习的能力。

在技术的基本术语来讲:机器学习使用的算法可以从历史数据中吸收经验,分析数据,并在分析的基础上生成输出。在某些方法中,算法首先处理所谓的“训练数据”,然后学习、预测,并找到随着时间推移提高预测准确性的方法

Marchine learning

人工智能(AI)是什么

在计算机科学中,人工智能领域是由艾伦·图灵于1950年发起的。在接下来的几十年里,随着计算机硬件的发展进步,人工智能领域得到了政府和行业的大量投资。然而,在这一过程中遇到了重大障碍,该领域也经历了几次收缩和平静期。

进一步的发展在20世纪80年代完成,1997年,IBM的国际象棋计算机“深蓝”击败了国际象棋大师加里·卡斯帕罗夫,这是人工智能的一个里程碑。2016年,谷歌的AlphaGo击败围棋大师李世石,这是另一个重要的里程碑。过去几十年人工智能的其他领域也取得了巨大的进步,包括机器人技术的发展,以及语音识别技术的发展。

金融中的机器学习和人工智能(AI)

人工智能和机器学习都受到金融市场的关注,特别的是,机器学习和人工智能影响了量化金融的发展。

例如,在CQF研究所举办的“基于强化学习和隐马尔可夫模型的智能交易策略”的演讲中,摩根大通的Samit Ahlawat解释说:传统的交易策略是基于静态规则的,由于市场变量之间的复杂相关性,这些规则可能无法适用于所有类型的市场条件,这可能会混淆此类交易规则。但是,有可能重新校准这些规则的参数,以适应不断变化的市场条件。尽管时间很重要,重新校准的频率要么交给其他规则,要么交给专家的人来判断。Samit表示:人工智能和机器学习是解决静态或半静态交易策略中这一缺点的有前途的工具。

Stock trading

机器学习的类型

机器学习有三种主要的方法:有监督学习、无监督学习和强化学习,还包括半监督学习在内的混合方法,它可以针对研究人员正在寻求解决的问题进行定制。每种方法都有特定的优点和缺点,有些技术比其他技术更适合于特定类型的问题。

根据CQF研究所进行的一项调查显示,受访者的公司采用了监督学习(27%),其次是无监督学习(16%)和强化学习(13%)。然而,许多公司还没有涉足机器学习领域;27%的受访者表示,他们的公司尚未将机器学习技术应用于量化金融。

Machine learning

  • 监督学习中,计算机根据一组数据输入和输出进行训练,目标是学习将给定输入映射到给定输出的一般规则。监督学习的主要类型有两种:

    1)分类,它需要预测类别标签;

    2)回归,它需要预测数值。

  • 无监督学习中,学习算法不给予和监督学习的这种目标的指导;相反,需要它自己发现输入中的模式或结构。无监督学习的两种主要类型是:

    1)聚类,这涉及到在数据集中发现具有相似特征的类别(组);

    2)密度估计,这涉及到评估数据集的统计分布。

    无监督学习方法还包括数据可视化和投影,这降低了数据的维度,是一种简化形式。

  • 强化学习中,计算机和算法将在动态环境中面对一个问题,当它执行给定的目标时,它将收到反馈(奖励),得到的反馈将继续加强到其学习和目标寻求中。AlphaGo的例子就是一个强化学习的例子;强化学习算法包括Q学习、时间差学习和深度强化学习。

根据CQF研究所进行的一项调查显示,53%的受访者表示,强化学习将在未来五年内看到最大的增长,其次是深度学习,获得了35%的选票。

机器学习的应用例子

在金融市场中,机器学习被用于自动化交易、投资组合优化、风险管理,并为投资者提供金融咨询服务(机器人客服顾问)。

对于自动化交易,交易员将建立数学模型,分析金融新闻和交易活动,以识别市场趋势,包括交易量、波动性和可能的异常情况。这些模型将根据一组给定的指令执行交易,一旦系统建立和运行,就可以在没有直接人工参与的情况下进行交易。

对于投资组合优化,机器学习技术可以帮助评估大量数据,确定模式,并为给定的平衡了风险和回报的目标,寻找解决方案。机器学习还可以帮助检测投资信号和时间序列预测。

对于风险管理,机器学习可以协助信贷决策,还可以检测可疑交易或行为,包括KYC合规工作和反欺诈。

KYC是金融机构、银行、交易所等企业必须对用户进行实名认证的一项操作规则,主要用于验证客户身份信息,一般验证需要的三要素就是:姓名+身份证+手机验证,KYC已经是国际社会中所有金融活动中必不可少的环节,主要用于预防反洗钱、身份盗窃、金融诈骗等犯罪行为。

在金融咨询服务方面,机器学习为某些类型的散户投资者提供咨询顾问,帮助他们实现投资和储蓄的目标。

根据CQF研究所进行的一项调查显示,26%的受访者表示,投资组合优化将在量化金融中看到机器学习技术的最大应用,其次是算法交易,占23%投票,资产定价、金融科技和加密货币之间三方平局,各获得11%的投票。

回到Samit Ahlawat在2022年4月的演讲中,机器学习在量化金融中使用的具体例子包括以下几个:

  • 用于组合简单证券交易规则的遗传算法,例如当价格低于或高于某个阈值时买入或卖出。
  • 通过训练深度神经网络,利用历史收益预测未来收益,找到股票价格的非线性模式。
  • 使用概率神经网络来识别证券价格的模式。
  • 应用量化模型来评估有效市场假说与现有市场数据的一致性。

Samit指出,在这些例子中,即使使用人工智能技术制定盈利目标,也很困难。在考虑到交易成本后,之前的研究得出结论,许多简单的人工智能策略都无法击败简单的交易规则。正如他解释的那样,有很多研究,致力于应用新的AI/ML工具来构建能够适应不断变化的市场条件的模型。因此,研究人员不仅要对量化金融的数学和金融市场知识有透彻的了解,而且要有很强的机器学习和相关编程技术的技能。从大型资产管理公司,到自营交易公司,再到对冲基金,在数学、金融和编程这三个领域的扎实基础对整个行业的量化分析师越来越重要。

Computer programming


最后欢迎大家点赞、收藏、评论,转发!欢迎大家关注我的微信公众号!

随机分享无用的计算机知识,微信搜索:进击的Matrix