人工智能概念近一两年来非常火爆,每隔一段时间就有人出来喊话,似乎机器很快要抢走多数人的饭碗,事实果真如此吗,现在火爆的机器学习真的无坚不摧吗。金融交易是否会成为下一个被机器攻破的阵地。
机器学习能够处理什么问题
现在,机器学习得到良好应用的场景包括,人脸识别,自然语言处理,专家系统,推荐系统,围棋等等。这些问题是否有共性呢,要理解这个问题,要从“学习”这个概念入手。
如果一个系统能够通过执行某个过程改进它的性能,这就是学习。
这里有两个关键字,执行过程和性能。性能需要有明确的定义标准:人脸识别率,NLP正确率,专家系统答题准确率,围棋胜负率。而执行过程实际上是从数据中建立知识,就是以一种模型“理解”这个问题,在样本外执行时就可以按照现有模型的“理解”给出答案输出,从而达到“改进”。这其中,由于“知识”以模型形式存在,那么此种知识一定是具备规律的,在一定程度上是稳定不变的。从这个意义上来说,具备内在规律的事物,只要给定足够的样本,机器学习模型都能够找出其中蕴含的规律从而指导人对事物的认识,或者更进一步代替人进行一些问题处理。因此,可以说机器学习适用于这样一类问题:评价标准明确,给定样本充足,样本数据与评价标准之间蕴含稳定规律。当然,有时候样本并不充足,甚至无样本,无监督学习也可以起到效果,但是,无监督学习也需要一些给定规则,例如AlphaGo理论上可以不使用人类历史棋局进行自我演化,这是因为围棋规则是很明确的,天然就是一个在极大样本空间中寻优的问题。至于无样本无规则的问题,我认为应该属于强人工智能的范畴了,典型的如知乎上“如何评价”系列问题。因此,概括来说,现在机器学习适用于这样的问题:在给定样本或给定规则下,性能评价标准清晰且样本或规则中存在稳定规律的问题。机器学习用于这类问题,可以一定程度上发掘其中蕴含的规律,最终改进其性能。当然,有些问题人类不能明确认识其规律,这时可以尝试使用机器学习等方法寻找其规律,一旦成功就是极具价值的发现,最新的例子正是AlphaGo。
金融交易是一类什么问题
金融市场由千千万万投资者组成,市场价格由市场参与者的报价和交易经过博弈形成。学者们提出各种理论和假说以分析解释各种市场现象,或者提出金融产品定价理论,虽然有些理论得到广泛认可,但是类似于基差极高,收益率曲线极端倒挂这种不合理的事情仍然不时发生。这是因为,实际市场运行中影响市场的因素非常复杂,价格表现只是结果,在一种理论中考虑所有市场影响因素是不现实的,因而只能做出合理假设,使之适用范围尽量广泛,但不论怎样仍将有所偏差。那么,以上文标准来界定,金融市场交易是否可以直接应用机器学习呢。
性能评价,虽然性能评价的角度有很多,年化收益,回撤金额,回撤时间,胜率,盈亏比等等,但是在一个模型中还是可以固定一个性能评价标准。
样本,历史价格的数据是不缺的,tick,bar,从数据量上来看似乎足够而且是标准化易于处理的。但单单历史行情的样本真的足够吗。
稳定规律,金融交易中一定存在其规律。不过,历史价格走势中是否存在规律呢,我认为很大程度不存在,因为历史价格只是结果的表现,规律只蕴含在价格影响因素传导至价格的过程中。直接由机器学习分析历史价格走势无异于分析中国历史朝代年表。跳过价格影响因素直接拿价格本身做样本有点本末倒置的味道。这么看,似乎纯技术分析,或基于纯技术分析的量化交易都是不合理的了,其实不然。
技术分析和量化交易与机器学习基于历史价格进行交易的区别
技术分析和量化交易寻找的是有一定逻辑基础的相对规律,这些逻辑来源于交易者对市场的理解,而且这些理解不是一成不变的,市场运行逻辑也不是一成不变的,交易者可以根据新的变化调整交易行为。
而机器呢,机器只能执行过程,且这个过程一定是确定性的,在这个过程中建立机器的“逻辑”。理论上,如果能够将所有市场影响因素标准化,进行处理,是可以得到结果的。但遗憾的是,金融市场有一个重要因素是无论如何也无法标准化处理的,这就是人,即交易者、监管者、政策制定者,企业管理者等。实际上,只要人的主观起到作用的问题,恐怕现在的机器学习都无能为力。类似这样的问题有很多,历史,政治,经济等等,因此我说过人文社会科学类的大问题并不适合机器学习。
交易中机器学习是否可以起到作用
如上文所述,机器学习无法解决“怎么进行交易”这个问题,是不是说机器学习在交易中无用呢。我认为机器学习虽然不能解决全部问题,但很可能可以解决类似“如果使用x y z这几个因素指导交易,在a这样的仓位限制下,在b这样的回撤条件下,在c这样的交易成本下,如何实现最大化性能指标d”这样的问题。可以看到,在加上诸多限定条件之后,机器要处理的问题更明确了。不过,这其中规律是否稳定呢,结果是否靠谱呢,过拟合是否严重,又几乎完全取决于提出的问题本身。实际上,如何找到x y z提出这样的问题在机器学习中叫做feature engineering即特征工程。在金融交易的问题中提取出数据中的特征是核心,而由于上文提到的原因,提取特征无法全部交由机器代劳,其中主要工作仍需要人的主观干预。因此我认为,目前机器学习在交易领域只能充当工具的角色。
综上,我认为在短暂的可见将来,至少投资经理的职能,不会被机器代替,现在机器学习只能在交易领域作为工具处理合适的问题。
文章评论