【当金融遇到人工智能】富者越富,穷者愈穷?

《21世纪资本论》通过详实的数据研究,提出了一个观点:20世纪70年代以来,在全球范围内投资增长率高于经济增长率。

全球范围内贫富差距扩大,富有者越发富有,而贫穷者愈发贫穷。

钱本身代表了赚钱能力,而当金融遇到人工智能后,这种能力从过去的粗放式,逐步可以通过大数据、精准计算以及人工智能的手段,变得稳定而精准。

我们不妨看几个案例:

高频程序化交易 Virtu Financial LLC 公司在 1238 个交易日中,仅有一个交易日出现了亏损。

第一个以人工智能驱动的基金 Rebellion 预测了 2008 年的股市崩盘,并在2009年9月给希腊债券F评级,而当时惠誉的评级仍然为A。通过人工智能手段,Rebellion 比官方降级提前了一个月。

掌管 900 亿美元的对冲基金 Cerebellum 也使用了人工智能技术,结果从 2009 年以来,没有一个月是亏损的。

所以有钱人纷纷把资产投入到人工智能公司,通过专业化的人工智能投资顾问管理财产。根据花旗银行的最新研究报告,人工智能投资顾问管理的资产,2012年才基本为0,到了2014年底已经到了 140 亿美元。在未来10年的时间里,它管理的财产还会呈现指数级增长的势头,总额达到 5 万亿美元。

5 万亿是什么概念?中国 2014 年的 GDP 是 10 万亿美元,相当于每 2 元就得给机器人上交 1 元。

在这样的大趋势下,我们来看看金融和人工智能的结合,背后究竟是怎么回事。

量化交易的人工智能趋势

量化交易近些年一直很火热,而随着大数据和人工智能的兴起,它在产品上有越来越大的用处。

量化交易模型的三个类别

最简单的量化交易以约翰·墨菲的《期货市场技术分析》为代表,主要用到了指数、对数等简单数学知识,它更适合于作为辅助手段,最多由计算机发出交易信号,但最后还得人手动下单交易。

层次更高一点的,以丹尼斯的《海龟交易法则》为代表,主要涉及到均值、方差和正态分布的数学内容,策略上也更有科学性。这是一种基于交易规则的排列组合式交易,如果策略设计的好,而且行情和大趋势不错,也能取得不错效果。

更高一层体现在交易信号的整合上,会涉及到对回归分析、神经网络、支持向量机等传统技术指标进行整合,同时还需要考虑到金融数据的时间特征,使用滚动优化来获取样本外的测试结果。

更多的信息来源

基本上可以认为,越高层次的量化交易,背后需要处理越多数据。量化投资公司的持仓时间往往能达到 1 到 2 个星期,要进行这么长时间的价格趋势预测,需要处理的信息会非常庞大。

目前一些公司不仅利用传统的金融数据,还会用到卫星拍摄到的港口集装箱图像等图片信息,或者从新闻报道、博客、名人讲话中获得经济发展的线索。在图像识别和自然语言处理的技术支持下,很多非结构化的数据也能成为分析对象。

而大数据、非结构化数据以及训练模型,都需要人工智能技术介入其中。

FRM 对冲基金在伦敦的负责人 Patric 对此有很好的解释,他说:

“在这个互联网时代,我们获得的数据远远超过了人类可能的处理能力。要在这个巨大的信息海洋中分析和识别模式,唯一的办法就是使用机器学习工具和技术。这是一条发展更优的投资策略路径。”

自动进化交易策略

在对数据的处理上,人工智能技术扩宽了数据来源,使得有更多数据能够被纳入分析。而在算法上,人工智能技术也让金融工具能自动进化交易策略。Rebellion 首席投资官 Alexander 介绍自己的产品说:

“我们给了系统 20 年的全球经济和市场数据,以及让它学习现代金融的历史,让它找出不同因素是如何影响各资产类别、行业和地区的价格。它不是按照程序遵循任何特定的交易策略,因为我们没有告诉它去寻找这些。系统会自动识别概念,并在特定市场状况下,将概念通性能绩效联系起来。”

相比之下,传统的量化投资方法往往严格应用事先设定好的策略,它的基本假设是现在的相关性会无限持续下去。但这往往会造成很大问题,因为市场瞬息万变。所以人工智能系统的优势在于,它能够随着旧关系的衰减以及新关系的出现,不断进化自己的投资策略。

以 Rebellion 的例子看,它在分析了金融和贸易数据后,发现在过去的 18 个月丽,大宗商品和外汇市场周期变短了。所以它会自动重新校准,计算周期变短的影响,以新的策略进行交易。

模仿专家决策

这是一种对规则的学习过程,人工智能会在基本原则的基础上,识别出哪些是真实的规则,哪些是虚假情报。这也许会发现某些套利的机会。

但对于计算机来说,难点经常在于对规则和机会的权重把握。所以 Castilium 采用了模仿专家的方法,选择某一领域的一群专家,复制他们的决策过程,并导入可重复的计算框架。虽然这样做费时又费力,但专家系统可以带来连贯的决定,这很透明,也比较便于理解。

高利润的长尾市场

而且相比于专家,人工智能能应用在更多长尾的市场。我们可以用亚马逊销售图书的方式做比较,由于有限的货架空间,实体书店必须专注于销售量大但利润低的书籍。而亚马逊有容易扩展的货架和预测能力,就能从小众的书籍中获得超高额利润。量化投资也能触及这样的长尾,一些总量少但利润高的领域,人力覆盖很不划算,这时候人工智能系统就有很强的优势。

基本上可以看到,人工智能在金融领域有着越来越多的应用。它也能够从简单的数据和计算辅助者,变成能学习规则、发现套利机会、模仿专家行为的系统,而且还能在长尾市场获取高额利润。

挑战:缺少常识

但人工智能在金融领域的发展,也面临着非常多挑战。其中一个非常重要的是常识,我们可以理解为基本的价值观,以及人类社会运转的基本规律。

有一个有趣的例子:1990 年代金融和计算机专家 David 发现孟加拉国生产的黄油,加上孟加拉国羊的数量以及美国生产的奶酪,与标准普尔 500 指数从 1983 年开始的 10 年时间内,有 99% 以上的统计相关性。

对于人类来说,他会很清楚这背后的巧合性。但人工智能没有这种常识,它会把这种规律理解为很强的相关性。在 1993 年后,孟加拉黄油的关系莫名其妙破裂了。

而在一些突发的情况下,例如恐怖袭击、监管变革和卖空禁令。人工智能系统没有遇到过这些情况,即便是资深从业者们,也经常在这类情况中持有非常相反的意见。这时候如果让人工智能管理资产并自动交易,就可能会有很大的风险。

总结

我们认为,从大趋势而言,人工智能在金融领域的应用会加深加快。但基础研究的限制,让它很难单独面对复杂的金融市场,更好的方法是让它去处理大数据,找到数据和市场之间的关联,发现套利机会。但在这个过程中,人也不应该缺席。人和人工智能的混合系统,会在未来的金融市场中唱主角。

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2015-10-20

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

跨界,圈外人该如何闯入数据科学家的世界?

1626
来自专栏新智元

【走近2050】为全球脑编程——关于人机关系的新思考

? 张江,北京师范大学系统科学学院副教授。主要关注领域:计算社会科学、复杂系统、人工智能。2003年创办早期的集智俱乐部网站,2007年开始俱乐部的线下活动,...

3627
来自专栏summer it专栏

大数据时代(BIG DATA)

结语,正在发生的未来。凡是过去,皆为序曲。历史最悠久的做事方法并不是最好的。大数据时代是名副其实的“信息社会”。大数据给我们带来了巨大的风险,但我们可以建立规范...

2045
来自专栏数据科学与人工智能

机器学习的十大使用案例|机器学习

机器学习是当前科技行业的一大流行词,原因很充分:它代表着计算机学习方式的一大跃进。福布斯近日盘点了机器学习技术的十大使用案例。 ? 从根本上说,机器学习算法...

3275
来自专栏罗超频道

视觉搜索是移动搜索的未来?

罗超为虎嗅网、钛媒体、TECH2IPO、DONEWS、爱科技和新浪科技撰稿。 愚人节当天发布消息很容易会让人产生联想。比如苹果的道歉,再比关于百度的两则消息:一...

2614
来自专栏AI科技评论

学界 | Jeff Dean撰文:谷歌大脑是如何完成科研使命的?

AI科技评论按:如果说起谷歌,想必你一定不会忽略Google Brain(谷歌大脑团队)。谷歌大脑在2011年初由吴恩达、Jeff Dean牵头组成,并在后来相...

3458
来自专栏企鹅号快讯

人工智能的界定

在2017年,“人工智能”这个词得到了公众前所未有的关注,究其原因我认为与两方面有关,一方面人工智能学术领域自身产生了一些进步,另一方面则更多与媒体和业界噱头式...

1807
来自专栏华章科技

数据为谁而用?——人性化交互金融知识图谱问答探索

《经济学人》五月第一期杂志中,头条新闻中将数据比作世界上最有价值的资源。早在2014年马云董事长就说过阿里巴巴从本质上来讲已经成为一家数据公司。文章[4]中说现...

682
来自专栏人工智能快报

科学家利用深度学习与百亿亿次计算探索抗癌密码

据美国阿贡国家实验室网站消息,该实验室正在探索如何利用深度学习和即将出现的百亿亿次计算来获取抗癌密码。 癌症的诊断是无比重要的事情,其治疗过程往往是复杂而不确定...

33510
来自专栏机器之心

除了深度学习,你需要知道AI技术的23个方向 | 机器之心首份技术报告

35312

扫码关注云+社区