自DeepMind开发的AlphaGo战胜世界顶尖围棋选手李世石开始,人工智能就引发了巨大关注。我们开始听到或看到人工智能一词频频出现在生活中,人工智能从一个遥不可及的概念,慢慢开始被广泛应用在现实生活中的各个领域。芝加哥投资研究院一直紧密关注新科技在投资领域的应用。
所以,今天我们就来讨论人工智能在量化投资领域的应用和前景。
什么是量化交易
首先我们来介绍一下什么是量化交易。
根据Investopedia的定义,量化交易由基于量化分析的交易策略构成,依赖数学计算和程序来发现交易机会——量化交易员利用现代科技、数学和大型数据库来做出理性的交易决策。他们选取交易策略并在此基础上建立数学模型,然后编写程序并应用在历史数据上,对模型进行回测和优化。如果结果令人满意,那么量化交易员将把模型应用于市场进行投资。
量化交易的模型通常基于价格、成交量和其他变量。量化交易技术多为短线交易,包含高频交易、算法交易和统计套利。
这里我们可以用类比的方法来帮助大家理解量化交易——
假设我们正在准备一份北京市的天气预报报告。气象学家预测说有90%的可能下雨,但是目前的天气还是阳光灿烂。气象学家是怎么给出与现状不同的预测的呢? 首先,气象站提供北京的气象数据,气象学家收集并处理数据,通过计算机程序进行量化分析,从数据中发掘特定的规律。然后,用发掘出的规律对比历史数据里的相似的规律(回测),得出在100次相似的情况里有90次下雨。那么,气象学家就可以说有90%的可能会下雨。量化交易员就是用类似的方法做交易决策的。
量化交易有许多优势,所以量化交易不仅在金融机构和对冲基金中非常流行,越来越多的个人投资者也采用量化交易策略来进行投资——
比如,量化交易可以避免因交易员情绪的起伏造成的交易损失。此外,电脑没有体力限制,可以不知疲倦的分析和运算。电脑还可以利用其运算能力进行高频交易。这些都是人类交易员做不到的。
当然,量化交易也有局限性——
比如,量化交易模型不够灵活,不能自动很好的适应市场变化。当原来建立模型基于的市场条件出现重大变化时,需要量化交易员修改并重新回测程序。
什么是机器学习
机器学习是人工智能的一个应用,其主要思路给机器数据让它自己去学习。
机器学习一词是上世纪50年代由美国电脑游戏和人工智能先驱——亚瑟. 萨缪尔在IBM工作时提出的。
图源:IBM
根据萨缪尔的定义,机器学习是研究电脑在没有被明确编程的情况下进行学习的科学领域。亚瑟. 萨缪尔声名鹊起是因为他开发的国际象棋程序。他编写程序让电脑自己和自己下了成千上万局国际象棋。通过观察下在什么位置更可能获胜,下在什么位置更可能输掉,随着局数的增加,下棋程序逐渐学习并最终超越了萨缪尔——这在当时是一个了不起的结果。
-
随着机器学习领域的发展,对应不同的目的,机器学习有不同的方法。首先我们用一幅图来生动说明机器学习技术的分类。
图源:J.P. Morgan Macro QDS
监督学习通常用于基于样本数据的趋势预测,
通过训练样本集得到满意的输出值。