📧公众号：进击的Matrix
🚫特别声明：创作不易，未经授权不得转载或抄袭，如需转载可联系小编授权。
为什么是机器学习，现在它有什么特别之处
先进技术在金融领域的应用和金融市场本身一样古老，在竞争激烈、风险回报丰厚的环境中，获取价格、情绪和交易流相关信息的渴望是一个自然因素。在过去十年左右的时间里，人们对各种形式的机器学习(ML)的兴趣急剧上升。虽然计算机科学的这一领域里并不新鲜，但受到互联网更新换代、大数据涌现和一系列提取、分析和操作信息的工具的支持，机器学习现在正蓬勃发展。
在量化金融中，机器学习在资产估值、资产配置、风险管理和合规方面发挥着作用。作为一种技术手段，机器学习可以提高定价的准确性，确定新的投资策略，揭示各种形式的风险，在金融和银行业很受欢迎。
机器学习如何改变量化金融格局
那么，机器学习和量化金融是如何结合在一起的呢？在CQF研究所最近进行的一项调查中显示，88%的受访者预测，机器学习将在未来五年内改变量化金融的实践。
- 量化金融在使用模型、理论和证明方面有坚实的基础，基本上是从抽象到行动。
- 机器学习则采取了相反的方法——专注于历史经验数据，并开发基于现实世界的模型。
如果说通常的量化金融被视为一种自上而下的方法，那么机器学习则提供了一种互补的自下而上的替代方案。 机器学习的数据驱动模型和策略可以利用两个世界的优势，以此挑战已塑造的现代投资实践的概念和理论。
不要数典忘祖
尽管机器学习的使用令人信服，但人们必须记住古希腊的格言，“凡事都要适度”。回顾CQF的调查结果，大多数受访者确实认为机器学习为量化金融从业者带来了一系列令人兴奋的功能，但他们也坚持认为，传统的量化技术也将继续发挥重要作用。
在最近一期新的CQF研究所的QuantSpeak中，Vola Dynamics的Misha Fomytskyi博士解释说：“人们不能像黑匣子一样使用机器学习和某种神秘的算法——你只是把数据扔给它，并认为它会给你答案。我认为正确的方法是将这两种方法（机器学习和传统定量技术）结合起来，并将这些方法分层“。从某种意义上说，你可以将工作流的不同层分成子问题，在每个级别上，你可以使用传统的数学工具或机器学习工具解决它，然后转到可能使用不同方法的另一个步骤。对于许多量化分析师来说，这将是一个学习如何使用机器学习工具以及如何不使用它们的学习过程。
显然，大量的资产和期权定价模型塑造了现代金融业，尽管它们有缺点和缺陷，但围绕它们已经产生了大量的研究和实际工作。即使是著名的，但有时被诟病的布莱克斯科尔斯模型（Black Scholes Model）仍然是量化金融的试金石。在这种环境下，机器学习将有助于推动新的见解，也许可以验证一些模型和方法，同时有助于重塑或降低其他模型和方法。真正的优势在于这些观点的融合——通过大量的回溯测试、评价、实验和更深入的分析。
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
