解讀：機器學習在量化金融中的應用

01

來自金融數據的挑戰

隨著大數據時代的到來，可用的 實時金融數據集範圍大幅增加，包括從在線交易記錄到高頻限價單簿(以特定價格買賣股票的訂單)等各種數據。由於低信噪比和龐雜多模態等問題，利用 機器學習技術從這些金融數據流中提取資訊非常具有挑戰性。數據中的 噪聲可能會被誤讀為信號，從而導致潛在的財務損失，甚至引起 金融危機。（我在艾倫圖靈研究所主持了一個分析噪聲數據的研究項目，重點研究噪聲數據在金融領域的應用。有興趣的讀者可以參閱下面的網址 了解更多項目資訊：https://www.turing.ac.uk/research/research-projects/analysing-noisy-data-streams。）

此外，越來越多的 非結構化數據體現出潛在的價值，可以為金融服務提供有用的資訊。例如金融新聞、地球衛星圖像、投資論壇的聊天記錄等，這些數據也被稱為替代數據。但是，傳統的統計分析方法無法有效地處理和分析這些非結構化數據。

而且一些金融數據可能在可用性方面受到限制。例如，一些金融工具才出現不久，這可能導致龐雜機器學習算法可使用的數據不足。最後，金融數據可能是非平穩的。這意味好康據容易發生結構變化，從而降低了歷史數據和預測的相幹性 [Sirignano and Cont，2018].

02

機器學習的金融應用

近年來，越來越多的金融公司開始使用機器學習方法以期在市場競爭中贏得優勢。對沖基金逐漸拋棄傳統的分析方法，轉而使用機器學習算法預測基金走勢和選擇投資組合。

Why Data Matters?的一篇題為 7 Ways Fintechs Use Machine Learning to Outsmart the Competition （https://igniteoutsourcing.com/fintech/machine-learning-in-finance/）的文章介紹了機器學習算法在金融領域中的各種成功應用。

隨著可以獲得的數據量越來越大，金融領域的各種應用已經驗證了使用 機器學習可以更好地進行投資或業務決策，人們也更加相信機器學習在金融領域的應用前景。機器學習提供了一種適用於從個人數據(例如新聞情緒、推特等)到業務流程(例如信用記錄等)的高效數據分析工具。

03

量化金融的未來

機器學習在未來逐漸應用於量化金融是一個必然的趨勢。可解釋性、數據融合 (data fusion) 和硬件技術是機器學習在量化金融領域的主要發展方向。

• 第一個重要的研究方向是黑盒算法的 可解釋性 ，這是一個新興的研究領域。對算法原理的研究可以使沒有量化背景的人更加有信心地使用黑盒算法，並運用自身擅長的領域知識查驗算法產生的結果。

本書第5章中介紹的神經網路是一種十分流行的黑盒算法。[Zhang and Zhu，2018]概述了近年來關於理解神經網路表示方法的研究進展。雖然深度神經網路在各種任務的預測方面表現出了優越的性能，但可解釋性是深度神經網路的薄弱環節。[Gunning，2017] 總結了可解釋的機器學習模型研究的最新進展，其中包括機器學習算法的可視化，這是未來一個很有前景的研究方向。機器學習在金融領域的廣泛應用必須首先為投資者和監管者使用算法樹立信心，可解釋的機器學習在這方面發揮著關鍵作用。

• 第二個重要的研究方向是設計高效的 數據融合算法 。金融數據通常是各種類型的，如新聞數據、交易歷史等。如何從各種類型的金融數據中提取有用的資訊是研究的重點。
• 第三個研究方向是 硬件技術 ，機器學習的發展離不開硬件和高性能計算的發展。大多數深度學習算法已經提出了幾十年，但由於技術條件的限制，大部分算法的成功應用都在近幾年才出現。未來的數據量將呈指數增長，算法也將越來越龐雜，這就需要大規模的計算技術來滿足計算的需求。分布式系統和量子計算是一個潛力巨大的研究領域。

本文節選自 《機器學習在量化金融中的應用》