AI和机器学习对量化交易领域的影响

本文为Michael Harris 在欧洲作为邀请嘉宾为高净值客户和交易者所做的一场演讲概要,主题为“人工智能机器学习将对交易与投资产生的巨大影响”。文章主要从四个方面进行阐释,包括交易、阿尔法策略、技术分析和交易员。以下为原文主要内容,对AI量化感兴趣的朋友可以直接前往人工智能量化投资平台进一步学习研究。

1. 人工智能机器学习对于交易领域的影响

交易领域的人工智能应用,通常是通过机器学习(ML)来实现。机器学习利用神经网络或其他学习方法鉴别、分析、预测特征或者因子,这些特征、因子具有经济价值,可用于构建盈利交易策略。在金融市场上,人工智能将取代人执行交易。

尽管以人工智能为基础的策略应用日渐广泛,但由于传统认知问题,大多数交易员还在使用传统方法。人工智能的发展需要新的工具与人才投入。

人工智能的发展不仅仅局限于制定交易策略,同样也应用于开发流动性搜索算法,生成投资建议等。随着人工智能的发展,参与交易和投资的人数将会慢慢降低,届时市场也会更有效,更稳定,尽可能避免人类主观意见的影响。对于这样的未来,我们将拭目以待。

2. 人工智能机器学习对于阿尔法收益的影响

在AI科技应用于市场的早期,对于了解新科技并能管理风险的人们存在巨大机会。目前基于AI产生的策略,产生的问题之一就是模型有可能会比随机产生的模型效果还要差。作者想要表达的是,传统技术分析是一种无利可图的交易方式,特别是在期货和外汇市场,长期盈利很难实现。但在短期内,运气好的交易者会在杠杆市场中获取巨大利润,而他们将原因归咎于策略和能力,而不是运气。

AI和机器学习将改变这一局面。拥有糟糕人工智能交易策略的交易者会很快被市场淘汰,留下的会是稳健性的交易者。届时,到底是人工智能交易员还是大型投资者胜利,犹未可知。

特别需要提到的是人们对于本领域的误解:有些人认为最重要的是机器学习的算法,这是不对的。真正有价值的是使用的预测因子或特征。目前机器学习的专业人士都在使用相同的预测因子,尝试以迭代的方法开发不同的模型,希望产生良好的结果,但最后都因为数据偏差而失败。作者的研究表明,使用简单的分类器,例如二元逻辑回归就可以检测一组预测因子之间否具有可产生经济价值的联系。因此,成功的关键在于特征工程,这是一门艺术与科学相结合的学科,需要知识,经验和想象力才能发现具有经济价值的特征。只有少部分专业人士能够做到这一点。

3. 人工智能机器学习对于技术分析的影响

依赖于价格和成交量的分析方式大多属于技术分析的范畴,这种传统的、基于图表形态、技术指标的技术分析方法并不是有效的投资方法。

在作者看来,技术分析方法正在慢慢过时。交易的未来在于处理信息,实时开发和验证模型。未来的对冲基金将不会依赖于图表分析。一些交易员仍然会这样做,因为他们处于过渡的边界,旧的方式与新时代相交汇点。许多不熟悉人工智能的交易员将发现他们很难保持竞争力,并会选择退出。

4. 新交易技术时代的赢家与输家

AI 会改变交易市场状况,取代投资顾问的位置,可在线咨询投资建议,证券推荐等。

现在有很多学习机器学习,AI和交易的资源,但大多数交易员都无法完成这个转变,95%的交易员会被淘汰。

未来将会有很多人工智能投资顾问,如何挑选一个适合特定需求的投资顾问将会成为具有挑战性的任务。

对于不熟悉AI和机器学习的人们,与该领域的专业人士交流将比自己埋头看书要有效得多。


Michael Harris很多观点,我们有一致的见解:

我们需要更好的AI工具和服务

微软/Google等大型互联网公司在10年前就开始使用大规模机器学习深度学习。在量化投资等行业,普遍还在用着几十年前的过时的分析方法。AI人才缺乏,技术门槛高,把很大部分人挡在外面。BigQuant,面向量化投资领域的AI平台,希望通过我们团队多年的机器学习经验和投资经验,能将AI的使用门槛降到最低,让每一个投资者都能使用。

特征工程是关键

是否有了AI,我们就什么都不用做了。答案是否定的,至少在可见的未来,在弱人工智能时代,AI还不能达到这样的水平。AI是工具,在量化投资上,因子/特征代表了投资者的领域知识和领域积累,好的因子/特征和AI结合才能发挥最大的价值。在BigQuant上,我们提供了AI算法、金融数据和大规模算力,让投资者可以专注在因子/特征的发掘和创新上,重复和大数据计算工作让AI来辅助完成。

以前赚钱的人在未来不一定能赚钱

文章提到很多投资者靠运气在短期内能赚钱,并归结于自己的能力。我们分析了过往大量投资者和基金的业绩数据,深表认同。很多投资者在短期内能盈利甚至大幅跑赢市场,但能在市场上长期盈利的凤毛麟角。只靠运气,是不能在这个市场上长期存在的。技术和时代在进度,投资者需要紧跟技术的趋势,才能立于不败之地。在数据时代,AI即未来,拥抱AI的人才能赢得未来。

原文链接:《AI和机器学习对量化交易领域的影响

若您对这篇文章产生认同或有不同意见,欢迎到BigQuant社区中与我们讨论。

本文由BigQuant人工智能量化投资平台原创推出,版权归BigQuant所有,转载请注明出处。 

宽邦科技
宽邦科技

提供金融行业人工智能平台和服务解决方案,研发了全国首个人工智能量化投资平台BigQuant,拥有全栈人工智能平台和大规模机器学习和深度学习框架与算法,为券商、银行、保险、资管等金融机构以及更多企业提供AI技术方案和业务解决方案,实现机构及企业的AI转型和升级。

理论特征工程量化投资机器学习
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

逻辑回归技术

逻辑回归(英语:Logistic regression 或logit regression),即逻辑模型(英语:Logit model,也译作“评定模型”、“分类评定模型”)是离散选择法模型之一,属于多重变量分析范畴,是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

弱人工智能技术

弱人工智能(weak AI),也被称为窄AI,是专注于某一特定狭窄领域任务的人工智能。 相对于可以用来解决通用问题的强(泛)人工智能,几乎目前所有的人工智能都属于弱人工智能的范畴I。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

特征工程技术

特征工程是利用数据所在领域的相关知识来构建特征,使得机器学习算法发挥其最佳的过程。它是机器学习中的一个基本应用,实现难度大且代价高。采用自动特征工程方法可以省去采用人工特征工程的需求。Andrew Ng 说“挖掘特征是困难、费时且需要专业知识的事,应用机器学习其实基本上是在做特征工程。”

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

推荐文章
暂无评论
暂无评论~