人工智能和机器学习对投资交易领域的四类影响

2017 年 8 月 19 日 人工智能学家

概要:在不久的未来,将会有大量的机器人顾问出现,如何选择一个适合特定的需求和目标机器人顾问,可能会比较有挑战性。

来源:将门创投


人工智能和机器学习对投资交易的普遍影响


人类希望通过人工智能可以从机械繁琐的工作中解放出来。早在20世纪80年代,人工智能的研究主要集中在专家系统和模糊逻辑等分支。随着计算能力的增强和相应成本的降低,用机器来解决大规模优化问题变得可行。再加之硬件和软件的进步,现在的人工智能主要是使用神经网络和其他学习方法来识别和分析预测器,也称为特征,或者可理解为具有经济价值、和分类器一起用来开发可盈利模型的因子。这种人工智能的应用通常是通过机器学习(ML)来实现的。

 

以人工智能为基础的交易策略应用,无论是在短期还是长期投资,都越来越受青睐,还活跃在很多的对冲基金中。但由于各种因素,要想广泛接受这种新技术仍是缓慢的,最重要的是发展人工智能所需要的新工具和人才的投入。大多数基金使用的是基本面分析(fundamental analysis),因为MBA项目中就是这么教的。没有多少对冲基金是完全依赖人工智能。人工智能的应用在零售层面上发展突飞猛进,但相较之下大多数交易员仍在使用20世纪中期提出的方法,包括传统的技术分析,因为它们很容易上手和应用。

 

需要注意的是,AI和ML不仅用于制定交易策略,而且还用于其他领域,例如开发流动性搜索算法和给客户的投资组合提建议。因此,随着人工智能应用程序的普及,参与交易和投资决策的人数量在减少,显然这对市场和价格行为也会带来影响。目前人工智能对该行业的总体影响进行预测还为时过早,但人工智能的普及将会带来更有效、更稳定、波动更小的市场。这并不是空穴来风,因为技术会让人类对信息的主观判断的影响最小化,同时也会减少相关噪音的干扰。但具体在实际中将如何演进,我们还要拭目以待。


人工智能与机器学习的早期影响


人工智能技术在应用的最初阶段,我们还是有机会去了解它是如何管理风险的。基于人工智能的交易策略可能会出现的一个问题是,他们产生的模型可能比随机还要差。我要说的是,传统的技术分析是一种无利可图的交易方式,因为基于图表模式和指标的策略在交易成本之前从一个零均值的分布中获得回报。我们总是会在图像分部的右尾看到一些交易员,这就给人一种错觉,好像这种方法是有经济价值的。但我的研究表明,特别是在期货和外汇市场上,无论采用哪种方法,长期盈利都很难实现,因为这些市场本身就是为做市商(Market maker)而设计的。但在短期内,一些运气好的交易者可以在杠杆市场中获得巨大的利润。然后,他们就将成功归因于他们的策略和技能,而不是运气。

 

有了AI和ML,就带来了更多的可能,比如机器学习算法中的偏差-方差权衡(Bias-Variance Tradeoff)。数据挖掘偏差的结果可能会出现对旧数据过拟合而在新数据上瞬间就失效了,或者由于策略过于简单而错过了抓取有价值的重要数据信息。这种交易会比随机策略还要糟糕,甚至在交易成本增加之前,这些交易者的收益率分布也会呈现负偏态。这为大型基金和后量化宽松时代的投资者提供了一个获利的机会。然而,随着那些比随机还不靠谱的”人工智能”交易员被从市场淘汰,只有那些拥有稳健模式的交易员仍在继续,争夺利润的斗争将变得激烈起来。现在推测人工智能交易员或大型投资者是否会赢得这场战斗还为时过早。然而,随着不靠谱AI交易员被市场所淘汰,留下的都是稳健型交易,利润争夺也会越来越激烈。最终AI交易员和大型投资者,鹿死谁手,犹未可知…

 

我还想提一下人们对这个领域常有的误解:有些人认为价值是在于使用了机器学习算法。实际上并不是这样。真正的价值在于所使用的预测因子或特征。算法就算再强大也不能在没有金矿的地方挖到金子。现在的问题就是大多数ML从业人员想使用同样的预测器,并尝试以迭代的方式开发模型,从而产生最好的结果。但数据挖掘的偏差往往会导致失败。也就是说,数据挖掘的偏差来自于把数据多次使用到各种模型里,直到在训练和测试的样本中得到满意的结果,这其实是很不靠谱的。我在这个领域的研究表明,如果一个简单的分类器,比如二元逻辑回归,不能很好地运用一组给定的预测器,那么它就很有可能没什么经济价值。因此,成功的关键其实是特征工程,这既是一门科学,同时也是一门为经济价值的特征,需要知识、经验和想象力相结合的综合学科,目前只有一小部分专业人士能做到这一点。


人工智能和机器学习对技术分享的影响

 

我们必须区分传统的和量化的技术分析,因为所有依赖于价格和流量分析的方法都属于这个主题。从传统的,如图表模式、一些简单的指标、价格行动的某些理论等这样的技术分析开始着手并不是有效的方法。除却一些特殊的例子外,那些夸大的宣传从来不会给出长期的统计预期,而只是表述如果采用这些方法,会有潜在的利益收入。由于市场上的利润和损失遵循一定的统计分布,所以总是有人把运气归因于这些方法。同时,整个行业围绕这些方法发展,因为它们比较容易学习。但不幸的是,许多人认为他们更善于使用这些其他人也知道的方法来获利,结果是大量的财富从这些天真的散户那里转移到了市场的创造者和其他消息灵通的专业人士那里。

 

20世纪90年代早期,一些市场专业人士意识到大量的散户交易者使用这些天真的方法进行交易。一些公司开发了算法和AI专家系统来进行识别,然后进行逆向交易,致使了散户们根本无法应付的过程波动。从更基本的角度看,传统技术分析的失败可以归因于从上世纪90年代开始的市场上的高序列相关性消失。从根本上说,这是一种高度的序列相关性,给人一种错误的印象,认为这些方法是有效的。如今,除了少数例外,市场是均值回归的,没有给简单的技术分析方法生效的空间。然而,一些量化技术分析方法却通常很有效,比如均值回归和统计套利模型,也包括使用具有经济价值特征的ML算法。

 

但这种套利在AI和机器学习的情境下是不可持续的,因为各种各样私有模型的存在。这种新技术存在的主要问题不是在传统的技术分析方法中出现的确认偏见(confirmation bias),而是数据挖掘偏见。

 

在我看来,观察市场和看图表正在慢慢过时。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。

 

新交易技术下的胜出者和失败者

 

人工智能的应用将以多种方式改变交易,这已经发生了。投资者可能很快就会发现,在量化宽松导致的当前的趋势结束后,中期回报率将远低于预期。如果这种情况成为现实,那么投资者将不得不回到原来的方法,找到一个好的财务顾问,可以提出一个投资组合,并挑选出有价值的证券。在某些情况下,顾问将是一个人工智能程序,这个过程将在网上执行。

 

交易员们需要熟悉这项新技术。大多数交易员仍在与旧的方法作斗争,只是希望这些方法还能够用上几年。

 

其中一的个问题是过去8年里,央行直接支持金融市场的道德风险。许多交易员和投资者现在认为熊市是不可能的,因为央行将会帮他们擦屁股。因此,大多数市场参与者没有做好准备迎接下一个主要市场机制的改变,并可能面临毁灭性的损失。

 

如今,网络上有很多关于ML、AI和交易的资源。最好的学习方法就是试着解决一些实际的问题。但我认为,大多数交易员的转变是不可能的。了解和应用人工智能的技能组合的交易员将会将95%的习惯于在图表上画线,观察移动平均线的交易员甩在身后。

 

投资者也应该自己进行研究,或咨询一位已经熟悉这些新技术发展的财务顾问。每个投资者都有不同的风险偏好,很难有一个一以贯之的指导方针。在不久的未来,将会有大量的机器人顾问出现,如何选择一个适合特定的需求和目标机器人顾问,可能会比较有挑战性。不熟悉机器学习和人工智能以及它们与交易和投资的关系的人会发现去请教那些已经熟悉这些技术的专业人士要比自己看书从头学要收益更大。


来源:将门创投


欢迎加入未来科技学院企业家群,共同提升企业科技竞争力

一日千里的科技进展,层出不穷的新概念,使企业家,投资人和社会大众面临巨大的科技发展压力,前沿科技现状和未来发展方向是什么?现代企业家如何应对新科学技术带来的产业升级挑战?


欢迎加入未来科技学院企业家群,未来科技学院将通过举办企业家与科技专家研讨会,未来科技学习班,企业家与科技专家、投资人的聚会交流,企业科技问题专题研究会等多种形式,帮助现代企业通过前沿科技解决产业升级问题、开展新业务拓展,提高科技竞争力。


未来科技学院由人工智能学家在中国科学院虚拟经济与数据科学研究中心的支持下建立,成立以来,已经邀请国际和国内著名科学家、科技企业家300多人参与学院建设,并建立覆盖2万余人的专业社群;与近60家投资机构合作,建立了近200名投资人的投资社群。开展前沿科技讲座和研讨会20多期。  欢迎行业、产业和科技领域的企业家加入未来科技学院


报名加入请扫描下列二维码,点击本文左下角“阅读原文”报名


登录查看更多
0

相关内容

人工智能(Artificial Intelligence, AI )是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支。
专知会员服务
123+阅读 · 2020年3月26日
【综述】金融领域中的深度学习,附52页论文下载
专知会员服务
163+阅读 · 2020年2月27日
【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
301+阅读 · 2019年12月23日
IBM《人工智能白皮书》(2019版),12页PDF,IBM编
专知会员服务
20+阅读 · 2019年11月8日
2019年机器学习:追踪人工智能发展之路
人工智能学家
4+阅读 · 2018年10月14日
【机器学习】如何通过机器学习预测维护设备?
产业智能官
16+阅读 · 2018年7月9日
人工智能与机器学习技术在医疗保健行业中的应用
深度学习与NLP
11+阅读 · 2018年3月25日
关注人工智能:人工智能+ 金融添双翼
专知
5+阅读 · 2018年2月5日
2018年4个需要关注的人工智能趋势
大数据技术
7+阅读 · 2018年1月30日
抽奖送书 | 用AlphaGo背后的人工智能做金融投资
机器学习算法与Python学习
5+阅读 · 2018年1月27日
人工智能时代的量化投资策略
七月在线实验室
8+阅读 · 2017年12月19日
投资,重要的是未来
雪球
5+阅读 · 2017年12月17日
Arxiv
26+阅读 · 2020年2月21日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Meta-Learning with Implicit Gradients
Arxiv
13+阅读 · 2019年9月10日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
12+阅读 · 2018年9月5日
Arxiv
11+阅读 · 2018年7月8日
Arxiv
7+阅读 · 2018年6月8日
VIP会员
相关资讯
2019年机器学习:追踪人工智能发展之路
人工智能学家
4+阅读 · 2018年10月14日
【机器学习】如何通过机器学习预测维护设备?
产业智能官
16+阅读 · 2018年7月9日
人工智能与机器学习技术在医疗保健行业中的应用
深度学习与NLP
11+阅读 · 2018年3月25日
关注人工智能:人工智能+ 金融添双翼
专知
5+阅读 · 2018年2月5日
2018年4个需要关注的人工智能趋势
大数据技术
7+阅读 · 2018年1月30日
抽奖送书 | 用AlphaGo背后的人工智能做金融投资
机器学习算法与Python学习
5+阅读 · 2018年1月27日
人工智能时代的量化投资策略
七月在线实验室
8+阅读 · 2017年12月19日
投资,重要的是未来
雪球
5+阅读 · 2017年12月17日
相关论文
Arxiv
26+阅读 · 2020年2月21日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Meta-Learning with Implicit Gradients
Arxiv
13+阅读 · 2019年9月10日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
12+阅读 · 2018年9月5日
Arxiv
11+阅读 · 2018年7月8日
Arxiv
7+阅读 · 2018年6月8日
Top
微信扫码咨询专知VIP会员