人工智能用于量化對沖的優勢與質疑

使用量化分析做交易的公司，希望機器學習可以為他們在全球金融市場日益升級的技術軍備競賽中取得優勢。如果這些公司是對的，神經網絡可以幫助推進金融業的改革，讓機器和人類同場競技，同時也會影響到老派的投資工作。但是今天的研究者在經歷了之前的一輪推銷和失望之后，對此技術表現得不以為意，表示其只是眾多投資技巧工具中的另外一種而已。

“見證了1990年代聲稱使用神經網絡的對沖基金的迅速走紅和緊接著更快的失敗后，我們現在對‘深度學習可以解決投資管理中的通常問題’這樣的言論是傾向于質疑的態度，”管理著315億美元的倫敦量化交易公司Winton在一則聲明中這樣提到。

而在像Google這樣科技巨頭已經證明了深度學習的能力之后，量化交易公司也開始跟隨這些巨頭的腳步。這項需要非常強大計算機和大量數據來完成任務的技術已經為Telsa帶了自動駕駛汽車，并為Amazon帶來了語音激活的智能音響，Echo。

計算機科學家Nicolas Chapados稱，“目前我們距離深度學習成為對沖基金行業的主流技術還有5年的時間。”

Chapados曾與深度學習的先驅Yoshua Bengio一起合作過，曾是位于蒙特利爾的量化交易基金Chapados Couture Capital的高管之一，也是一間使用深度學習技術的研究公司的高管。他說道，“在科技企業中存在著很多可以為金融信息處理而改寫的深度學習模型。”

人工智能在對沖基金中如何發揮作用？

對沖基金在部署深度學習的浪潮中遲了一步，因為他們缺少將這樣技術應用于復雜金融數據的專業經驗。比如有能力從圖片中辨認出狗的Facebook圖片識別系統，這樣的系統之所以能夠成功，是因為它可以從幾乎無限的數據中學習，這些數據是社交網絡用戶上傳的圖片像素數據。相較而言，金融市場的數據就顯得非常有限而又永遠都在變化中，這讓比如預測股票走勢之類的工作變得更具挑戰性。

深度學習技術大體上是模仿人腦中多層神經元的活動。神經元被以非常稠密而復雜的形式互相連接，相互傳遞信息并且隨著我們的學習過程而產生新的連接。深度學習的力量來源于相似的非線性、多層次的數據處理，這樣計算機可以從簡單的概念上去構造更加復雜的概念。

想象一個量化交易的研究員正在尋找會導致一支股票表現強于基準指數的因子。今天的一個分析師必須手動地選取類似市盈率這樣的因子去測試。使用深度學習的研究員會給神經網絡一個價格目標，然后就向模型注入原始的公司股票和股票市場數據。人工神經元就是處理數據的數學公式。當它經過不同層次的時候，神經元會自行調整——或者說學習——來接近價格目標：這就能找到可以預測股票會達到目標的因子。

深度學習的挑戰

Anothony Ledford，位于倫敦的 Man AHL的首席科學家，表示他的研究員已經花費了超過一年的時間來發展深度學習，希望可以盡快將這項技術應用到實盤交易中去。而這家基金公司業已經為一項機器學習的交易策略準備好投資資金。

“在深度學習領域中，并不需要去事先設定特征，深度學習的目標是為你找到它們，”Ledford在Man Group Plc的部門管理著大約183億美元的資產，他說道，“我們在AHL 30年的歷史中了解到很多可能具備預測能力的特征，所以真正的挑戰在于調整策略，數據和計算來讓我們發現新的特征，而不是我們已知的特征，這讓這項工作本身就非常的具有挑戰性。”

Two Sigma，來自紐約管理著400億美元資產的量化交易對沖基金，也正在為一個全新的深度學習團隊招聘研究員。

學術界研究員也紛紛開始AI金融投資的研究，并已經發現深度學習可以通過投資例如公司間收購這樣的事件來獲取回報。2015年一項旨在探索深度學習技術在預測S&P500指數中15支股票走勢能力的研究顯示，超過1000萬的事件被從金融新聞中抽取作為訓練計算機的樣本數據的一部分。

與此同時，來自中國哈工大社會計算及信息收集中心的以丁曉為首的研究員們表示，在模擬股票交易中，模型最終獲得了正向的交易利潤，

人才爭奪戰

Chapados稱，深度學習也可以勝過比它更簡單的其他模式。神經網絡比機器學習在防止過度擬合現象方面表現的更好。（雷鋒網注：過度擬合是指一個模型被過度調整來擬合訓練數據，以至于無法在實際數據上工作的現象。）這項技術也可以幫助應對比如市場劇烈變化這樣的非線性事件，而標準的量化交易模型在這樣的事件中必須被手工矯正。

“神經網絡會從一個足夠靈活、可以代表廣泛的非線性事件的模型出發，而不用花費大量的人力去發現哪些非線性事件是相關的，還要痛苦地一個接一個地去驗證它們是否是有意義的，”Chapados說道。

在和科技公司爭奪人才的戰爭中，對沖基金在招聘科學家方面很吃力。Chapados表示，這也拖慢了他們追逐深度學習技術的腳步。這些基金同時也面臨在一些市場缺乏數據的情況。

Alpaca的聯合創始人Hitoshi Harada說道，“深度學習手段可以非常好地使用外匯和大宗商品市場中相互相關的以百萬甚至是以十億計的數據點來達到很好的效果，但是要只使用一只股票一天的交易數據來訓練一個好的模型是很困難的。”

但盡管面臨挑戰，Winton的研究員正在進行深度學習的研究，不過他們并不是把它作為一種革命性的力量，更多是作為一種有用的武器。

“我們相信這項技術在最近幾年中取得了長足的進步，使它有機會幫助改進我們流程中的一些元素。深度學習是Winton長期研究中的一個活躍的研究領域。”

總結

以上是生活随笔為你收集整理的大型对冲基金正训练AI交易 5年后AI在量化中将成主流的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。