《EBC金融外匯交易前瞻分析人工智能和機(jī)器學(xué)習(xí)對交易和投資的影響》

<ebc金融外匯交易前瞻分析人工智能和機(jī)器學(xué)習(xí)對交易和投資的影響》（第二期）分析題材：EBC金融外匯交易前瞻分析時(shí)間：2021年07月15日分析地點(diǎn)：公開場所分析背景：藍(lán)色背景下的分析【EBC金融外匯交易前瞻系列，深度解析金融交易的未來趨勢】作者：邁克爾?哈里斯是一名量化交易員兼暢銷書作者。他也是20年前第一個(gè)用于識別價(jià)格行為中無參數(shù)模式的軟件開發(fā)者。在過去的10年里，他一直致力于DLPAL機(jī)器學(xué)習(xí)軟件的開發(fā)，這是一個(gè)可以用來識別市場數(shù)據(jù)中短期異?，F(xiàn)象的軟件，用于固定和機(jī)器學(xué)習(xí)模型。FollowMichaelHarrisQuanttrader,blogger,tradingbookauthoranddeveloperofDLPALmachin巳FollowMichaelHarrisQuanttrader,blogger,tradingbookauthoranddeveloperofDLPALmachin巳learningsoftware.Noinvestmentadvice.#tradingSfinanceWebsite3.3KFollowers以下是三年前邁克爾?哈里斯在歐洲作為特邀分析者為一群高凈值投資者和交易者所做的分析摘錄。主題是關(guān)于人工智能和機(jī)器學(xué)習(xí)對交易和投資的影響。下面的摘錄分為四個(gè)部分，涵蓋了原始分析50%左右的內(nèi)容，希望給諸位帶來啟發(fā)。1、人工智能和機(jī)器學(xué)習(xí)對交易的普遍影響人工智能（AI）允許用機(jī)器取代人類。在20世紀(jì)80年代，人工智能研究主要集中在專家系統(tǒng)和模糊邏輯上。隨著計(jì)算能力越來越普及，使用機(jī)器來解決大規(guī)模的優(yōu)化問題變得經(jīng)濟(jì)可行了。由于硬件和軟件的進(jìn)步，現(xiàn)在的人工智能側(cè)重于使用神經(jīng)網(wǎng)絡(luò)和其他學(xué)習(xí)方法來識別和分析預(yù)測因素，也被稱為特征，或因素，具有經(jīng)濟(jì)價(jià)值，可以與分類器一起使用，以開發(fā)盈利模型。人工智能的這種特殊應(yīng)用通常被稱為機(jī)器學(xué)習(xí)（ML）?；谌斯ぶ悄荛_發(fā)交易策略的方法應(yīng)用，無論是短期時(shí)間框架內(nèi)還是長期投資，都越來越受歡迎，有一些對沖基金在這個(gè)領(lǐng)域非?；钴S。然而，由于各種因素，對這項(xiàng)新技術(shù)的廣泛運(yùn)用的普及率還比較低。大多數(shù)基金使用基本面分析，因?yàn)檫@是基金經(jīng)理們在MBA課程中學(xué)習(xí)的內(nèi)容。沒有多少對沖基金能完全依靠人工智能。人工智能在零售交易層面的運(yùn)用正在日益顯著，但大多數(shù)交易者仍使用二十世紀(jì)中期提出的方法，包括傳統(tǒng)的技術(shù)分析，因?yàn)樗鼈兏子趯W(xué)習(xí)和應(yīng)用。請注意，人工智能和ML不僅用于開發(fā)交易策略，也用于其他領(lǐng)域，例如開發(fā)流動(dòng)性搜索引擎算法和向客戶提供投資組合建議。因此，隨著人工智能應(yīng)用的普及，參與交易和投資決策的人類數(shù)量正在減少，這顯然會影響市場和價(jià)格行為。現(xiàn)在推測這項(xiàng)新技術(shù)對行業(yè)的整體影響還為時(shí)過早，但廣泛使用人工智能有可能形成更有效的市場，在很長一段時(shí)間內(nèi)波動(dòng)性較低，隨后由于制度變化偶爾會出現(xiàn)波動(dòng)性高峰。這是很有可能的，因?yàn)槿祟悓π畔⒌闹饔^評價(jià)的影響將被最小化，隨之而來的是相關(guān)的噪音。但這在實(shí)踐中還有待觀察。2、人工智能和機(jī)器學(xué)習(xí)對阿爾法收益產(chǎn)生的影響在采用人工智能技術(shù)的初始階段，那些了解它并知道如何管理風(fēng)險(xiǎn)的人將會有機(jī)會施展拳腳?；谌斯ぶ悄艿慕灰撞呗杂幸粋€(gè)問題是，它們可能產(chǎn)生比隨機(jī)策略更糟糕的模型。我將嘗試解釋我的觀點(diǎn)：傳統(tǒng)的技術(shù)分析是一種無利可圖的交易方法，因?yàn)榛趫D表模式和指標(biāo)的策略在任何交易成本之前都是從均值為零的分布中獲取收益。一些交易者總是在分布的右尾部被發(fā)現(xiàn)，這給人一種錯(cuò)誤的印象，即這些方法具有經(jīng)濟(jì)價(jià)值。我的研究表明，特別是在期貨和外匯市場，無論使用哪種方法，都很難實(shí)現(xiàn)長期的盈利，因?yàn)檫@些市場的設(shè)計(jì)是為了讓做市商受益。然而，在較短的時(shí)間內(nèi)，由于運(yùn)氣好，一些交易者可以在杠桿市場上實(shí)現(xiàn)大量利潤。然后，這些交易者將他們的成功歸功于他們的策略和技能，而不是運(yùn)氣。有了人工智能和機(jī)器學(xué)習(xí)，還有額外的影響，比如說一些偏差--變量的權(quán)衡。數(shù)據(jù)挖掘偏差可能導(dǎo)致策略對過去的數(shù)據(jù)過度擬合，但在新數(shù)據(jù)上馬上就失敗了，或者策略過于簡單，沒有捕捉到數(shù)據(jù)中具有經(jīng)濟(jì)價(jià)值的重要信號。這種權(quán)衡的結(jié)果是比隨機(jī)的策略更差，甚至在加入交易成本之前，這些交易者的回報(bào)分布就已經(jīng)出現(xiàn)了負(fù)偏斜。這給后量化寬松時(shí)代的大型基金和投資者帶來了盈利的機(jī)會。然而，隨著那些不如意的人工智能交易員被從市場中剔除，只剩下那些擁有強(qiáng)大算法模型的，利潤之爭將變得更激烈?，F(xiàn)在猜測AI交易員或大型投資者是否會贏得這場戰(zhàn)斗還為時(shí)過早。我還想提一下這個(gè)領(lǐng)域的一個(gè)常見誤區(qū)：有些人認(rèn)為AI價(jià)值在于所使用的機(jī)器學(xué)習(xí)算法。這其實(shí)是不正確的。真正的價(jià)值在于所使用的預(yù)測器，也被稱為特征或因素。機(jī)器學(xué)習(xí)算法不能在沒有黃金的地方找到黃金。一個(gè)問題是，大多數(shù)機(jī)器學(xué)習(xí)的專業(yè)人員使用相同的預(yù)測器，并試圖以迭代的方式開發(fā)模型，以產(chǎn)生最佳結(jié)果。這個(gè)過程被數(shù)據(jù)挖掘的偏差所困擾導(dǎo)致最終會失敗。簡而言之，數(shù)據(jù)挖掘偏差源于許多數(shù)據(jù)被多次使用在許多模型中的危險(xiǎn)做法，直到訓(xùn)練和測試樣本的結(jié)果可以接受為止。我在這一領(lǐng)域的研究表明，如果一個(gè)簡單的分類器，如二元邏輯回歸，在一組給定的預(yù)測因素下不能令人滿意地工作，那么很可能沒有經(jīng)濟(jì)價(jià)值。因此，成功取決于所謂的特征工程featureengineering，這既是一門科學(xué)，也是一門藝術(shù)，需要知識、經(jīng)驗(yàn)和想象力來提出具有經(jīng)濟(jì)價(jià)值的特征，而只有一小部分專業(yè)人士才能夠做到這一點(diǎn)。3、人工智能和機(jī)器學(xué)習(xí)對技術(shù)分析的影響我們必須對傳統(tǒng)技術(shù)分析和定量技術(shù)分析進(jìn)行區(qū)分，因?yàn)樗幸揽糠治鰞r(jià)格和成交量序列的方法都?xì)w屬于這個(gè)主題。傳統(tǒng)的技術(shù)分析，即圖表形態(tài)，一些簡單的指標(biāo)，某些價(jià)格行為理論等，一開始并不有效。除了一些范圍和程度有限的不完整的統(tǒng)計(jì)之外，吹捧這些方法的出版物從來沒有提出他們的長期統(tǒng)計(jì)預(yù)期，而只是提供承諾，如果使用這個(gè)或那個(gè)規(guī)則，就會有盈利機(jī)會。由于市場上的利潤和虧損遵循某種統(tǒng)計(jì)分布，總有一些人把他們的運(yùn)氣歸功于這些方法。同時(shí)，整個(gè)行業(yè)都圍繞著這些方法發(fā)展起來了，因?yàn)檫@些方式很容易學(xué)習(xí)。不幸的是，許多人認(rèn)為他們可以通過更好地使用其他人都知道的方法來獲利，結(jié)果是大量的財(cái)富從這些天真的交易者手中轉(zhuǎn)移到做市商和其他消息靈通的專業(yè)操盤手中。在20世紀(jì)90年代初，一些市場專業(yè)人士意識到，大量的零售交易員正在使用這些天真的方法進(jìn)行交易。一些人開發(fā)了算法和人工智能專家系統(tǒng)，以提前識別陣型，然后針對它們展開交易，在此過程中造成了散戶交易者（也被稱為弱手）無法應(yīng)對的波動(dòng)。從更根本的角度來看，傳統(tǒng)技術(shù)分析的失敗可以歸因于從20世紀(jì)90年代開始市場上高序列相關(guān)性的消失?；旧鲜歉咝蛄邢嚓P(guān)性給人們錯(cuò)誤的印象，認(rèn)為這些方法奏效。如今，除了少數(shù)例外情況，市場都在進(jìn)行均值回歸，沒有給簡單的技術(shù)分析方法留下發(fā)揮作用的空間。然而，一些定量技術(shù)分析方法往往能很好地發(fā)揮作用，如均值反轉(zhuǎn)和統(tǒng)計(jì)套利模型，包括使用具有經(jīng)濟(jì)價(jià)值特征的機(jī)器學(xué)習(xí)算法。請注意，這種類型的套利不太可能在人工智能和機(jī)器學(xué)習(xí)的情況下重復(fù)出現(xiàn)，因?yàn)槟Ｐ头N類繁多，而且大多數(shù)都被保留了專利，但這種新技術(shù)的主要問題不是像傳統(tǒng)技術(shù)分析那樣確認(rèn)的偏差，而是數(shù)據(jù)挖掘的偏差。在我看來，觀察市場和看圖表正在變成一個(gè)過時(shí)的方法。交易的未來是處理信息，實(shí)時(shí)開發(fā)和驗(yàn)證模型。未來的對沖基金將不依賴于圖表分析。有些人仍然這樣做，因?yàn)樗麄兲幱谂f方式與新時(shí)代交替的過渡期。許多不熟悉人工智能的交易員將發(fā)現(xiàn)在未來很難競爭，并將考慮退出。4、新交易技術(shù)的贏家和輸家人工智能的應(yīng)用將在很多方面改變交易，這已經(jīng)在發(fā)生了。投資者可能很快就會發(fā)現(xiàn)，在目前由QE引起的趨勢結(jié)束后，中期回報(bào)將大大低于預(yù)期。如果這種情況實(shí)現(xiàn)了，那么投資者將不得不回到以往方式，尋找一個(gè)好的財(cái)務(wù)顧問，他可以建議投資組合，并挑選會升值的證券。在某些情況下，該顧問將是一個(gè)人工智能程序，這個(gè)過程將在網(wǎng)上執(zhí)行。交易員需要熟悉這種新技術(shù)。大多數(shù)交易員仍然在用舊方法掙扎，只是希望"買跌"能起作用，多獲得幾年的收益。問題之一是中央銀行在過去八年里直接支持金融市場所建立的道德風(fēng)險(xiǎn)。大多數(shù)市場參與者對下一次重大的市場制度變化毫無準(zhǔn)備，而他們可能會面臨毀滅性的損失。網(wǎng)絡(luò)上有關(guān)于ML、AI和交易的優(yōu)秀資源。學(xué)習(xí)的最好方式是嘗試解決一些實(shí)際問題。但我相信對于大多數(shù)交易者來說，過渡是很難的。理解和應(yīng)用人工智能所需的綜合技能，就刪掉了95%習(xí)慣于在圖表上畫線和觀察移動(dòng)平均線的交易者。投資者應(yīng)該做好自己的研究，并咨詢熟悉這些新發(fā)展的金融顧問。每