QuantMinds启示录

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。 Saeed Amen

近日在英国伦敦，QuantMinds举办了一年一度的量化大会。此次活动大咖云集，人工智能和机器学习的话题出现在了一系列讨中。

在本篇文章中，我们阐述其中一些嘉宾的观点，希望对大家有所启迪！

AI in investments

数据的重要性

在第一天的全体会议上，一个关于《AI in investments》的主题，嘉宾分享的观点如下：

人工智能可以在许多领域提供帮助，无论是为投资组合生成更多信号，还是在合规性和交易监控等用例方面。数据的爆炸式增长，无论是财务报表、社交媒体、地缘政治数据等等，越来越多的市场事件变得更加相互关联。

虽然新技术在某些情况下创造了一个公平的竞争环境，即使代码本身是开源的（例如TensorFlow，PyTorch等），但数据任然很重要，它可能是一条护城河（开源数据的组织或机构却很少）。

讨论嘉宾从左至右：Stefano Pasquali (BlackRock), Chandni Bhan (Wise), Nicole Konigstein (Wyden Capital), Yehuda Dayan (Citi)

GANs

生成式对抗网络的一些研究成果由牛津大学Rama Cont教授进行了精彩分享。

计算 VaR 的方法有很多种。我们可以查阅历史收益数据，我们也可以应用蒙特卡罗方法，假设我们的标的遵循几何布朗运动。然而，这些方法可能会忽略一个点，那就是捕捉尾部风险场景。Rama教授的演讲讨论了“Tail-GAN”如何使用生成对抗网络来模拟更真实的场景，这些场景将捕获这些尾部风险，以缓解这个问题（详见下面的论文）。

阅读地址：https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3812973

LLMs和NLP

在有关NLP的主题演讲中，德意志银行的Vivek Anand分享了如下观点：

在使用自然语言处理时，历史上最困难的事情之一是识别关键字或主题，以过滤与我们可能希望交易的特定主题或资产相关的文本。在某些情况下，关键字可能是相当明显的，但在其他上下文中，这是相当具有挑战性的。在实践中，这确实是一个费力的过程，需要一些试错，需要由某些领域的专家进行指导。

Vivek Anand

Alexander Sokol提出了一种看待LLMs的有趣方法。他指出，我们可以将LLMs视为蒙特卡罗，其中LLMs是模拟token概率的数值算法。事实上，正如LLMs可能具有不可预测的输出，其中的答案可能在运行之间发生变化，这也是我们在量化金融（例如蒙特卡洛定价）所观察到的。从本质上讲，LLMs将文本映射到meaning（潜在空间中的一个点），基本上将大量输入压缩到相对较小的潜在空间中。给定的句子如此密集，你可以在它们之间做“插值”。

Alexander Sokol (CompatibL)

女性&量化投资

在另外一个会议上，还有一个关于量化金融领域女性的小组，成员包括Diana Ribeiro（花旗）、Blanka Horvath（牛津大学）、Leila Korbosli（瑞银）、Wafaa Schiefler（摩根大通）和Svetlana Borovkova（Vrije Universiteit）。

对于任何从事量化金融工作的人来说，很明显，女性的比例远远低于男性。然而，至少在junior level，这种情况还算好。但在董事总经理等更高级别职位上，女性量化分析师仍仍然相对较少。

未来几年，初级职位的增加是否会转化为更多女性担任高级量化职位。还有一些关于学术界和工业界在女性量化代表方面的差异的讨论，尽管最后在这一点上存在分歧，正如一位嘉宾所指出的那样：“这山望着那山高。”

特征构建

在时间序列中。我们可以用这种Signatures来提取可以用于机器学习的特征。彭博的Bruno Dupire出了一些Signatures可以用于金融领域的例子。

Bruno Dupire

与此同时，Marcos Carreira从构建利率曲线的角度讨论了Signatures问题，特别是在巴西利率市场。在观察利率曲线的期限结构时，存在有许多挑战。有些可能更具流动性，有些可能更新缓慢（由于缺乏报价或交易）。你也可以从时间序列的角度来看利率曲线，而不是从交易者的角度来看任何时间点。在计算风险度量时，风险管理者可能会更多地关注历史数据。此外，曲线的许多点常常最终被捆绑在一起。Marcos展示了如何使用Signatures来给出路径的层次表示，并比较了原始路径与由Signatures重构的路径。

Marcos Carreira

量化市场影响并在短期定价预测中使用深度学习

去年，美国银行的Robert De Witt在QuantMinds上提出了一种在短期股票价格预测中使用深度学习的方法。今年，他们带来了最新进展，并展示了真实的交易情况。

其中最主要的其使用Transformers对时间序列数据进行编码，作为预测过程的一部分。他们提到了一个概率模型如何帮助他们了解其预测的准确性可能是最高的。

Robert De Witt (Bank of America)

Zoltan Eisler谈到了交易成本的测量。他指出，这需要大量的数据来验证。在实践中，许多公司将执行外包卖方。他的目标是加快对交易成本的了解，以构建可以与更容易获得数据集一起使用的模型，而不需要非常昂贵的资源。

量化分析的宏观视角

传统上，从交易角度来看，量化分析师更关注股票。事实上，可用于股票的数据集要多得多，而且资产类别大多比宏观数据更早地电子化。在宏观空层面，“电子化”与外汇现货交易等资产的电子化程度仍存在较大差距，而其他资产的电子化程度仍然较高，但仍处于过渡阶段。

Fidelity的Joe Hanmer发表了主题为从固收角度对新兴市场主权债券进行因子投资的演讲。他指出了该方法的许多困难，特别是从数据可用性的角度，以及它需要大量的工作，特别是为这些工具建立曲线。他将这项任务分为issuer因子和债券特定因子。issuer因子包括考虑基本面、估值和人气等因子，考虑包括增长和通胀在内的投入。虽然这种方法在股票领域可能相当常见，但在信贷领域应用这种方法仍然（相对）罕见。可能一个原因是构造曲线等以及解决数据可用性问题的复杂性。但这是一个很有前途的研究领域。

Richard Turner的演讲更广泛地讨论了时间序列，并将其应用于外汇预测。他讨论了使用小波作为一种表示时间序列的方法，以帮助理解不同时间的驱动因素。一般方法是增加小波表示的额外步骤，作为预测流程的一部分。他还详细讨论了在进行预测时使用分数差分作为转换步骤之一。分数差分背后的思想是它使你能够尽可能少地差分一个时间序列这样它就不会失去记忆，但同时，使它在输入到回归中时保持平稳。他展示的结果表明，在预测过程中加入小波步骤有助于提高预测外汇的准确率。

Richard Turner (Mesirow)

宏观中的Alpha

Alexey Ermilov也也紧扣宏观主题，讨论了在传统的趋势跟踪因子之外，讨论了如何在宏观空间中寻找Alpha。他指出，全球宏观战略是如何投资于主要资产类别，包括股票、外汇、大宗商品、利率衍生品等。然而，这些资产类别之间的执行存在差异，其中上市产品和外汇更容易，利率互换更具挑战性，而且执行不能完全自动化。

Alexey Ermilov

基于全球宏观的策略在尾部往往是独立的。他指出，我们可以从可自由选择的宏观经济方法中学习，特别是在围绕经济事件的交易方面，但也可以从更广泛的基于基本面分析的交易中学习，如查看近期与历史价格水平，宏观预测和查看市场错误定价。当然，宏观数据也存在复杂性。大家可能需要“汇集”信号，但也需要注意不要避免对特定资产产生单独的影响。