摩根大通报告：机器学习与量化交易

前微软人工智能首席科学家、IEEE Fellow邓力离职，加盟华尔街对冲基金公司 Citadel。

CMU机器学习系主任Manuela Veloso加入摩根大通，担任人工智能研究院负责人。

本文内容源自摩根大通报告：Big Data and AI Strategies: Machine Learning and Alternative Data Approach to Investing

在美国等允许即时交易的市场中，人类已经被排除在高频交易之外了。在未来，摩根大通认为机器也会成为中期交易的主要玩家：「机器可以快速分析新闻源、推特，处理收益报表，搜索网站，并瞬间完成交易。」这些优势对于基本面分析师、多空分析师和宏观投资者非常有帮助。

而对于长线投资而言，人类仍然会保持自己的优势。「机器在评估结构性变化（市场拐点）和预测方面不会比人更好，这些复杂情况的预测涉及政治家和中央银行等复杂的人类反应，同时需要了解客户定位，同时预测大众情绪，」

新形式的数据需要用新的方法进行处理以用于制定交易策略。金融机构也需要评估「Alpha 内容」——生成预期市场可得收益水平的能力。Alpha 内容取决于数据收集的花费，数据处理需要的能力以及数据集的质量。

监督学习算法通过历史数据，可以找到规律，对未来进行预测。监督学习算法有两种形式：回归和分类方式。回归形式的监督学习方法尝试基于输入变量来预测输出。例如：如果通货膨胀速度加快，它可能会判断下一步市场的走向。

无监督学习中，机器被输入了一整套资产组合的回报，同时并不知道其中的关联和独立变量。在高层次上，无监督学习方法被归为聚类或因素分析。聚类分析基于一些相似性概念将数据集分成较小的组。例如：它可以包含历史数据中高低波动性、经济上升和下降速率或通货膨胀的增减。因素分析旨在识别数据的主要内在规律或确定数据的最佳表示方法。例如：收益曲线的运动可以被解释为曲线的平行位移、曲线变陡峭或变凸。在复杂资产组合中，因素分析将提炼出数据的主驱动力，如动量、价值、进位、波动或流动性。

摩根大通在报告中认为深度学习特别适合非结构化大数据集的预处理（例如，可应用于分析卫星图像中的汽车、或新闻稿中的情绪）。深度学习模型可以用虚拟财务数据来预测市场修正概率。深度学习方法基于神经网络，而神经网络是受到人类大脑神经活动的形式而受到启发的。在网络中，每个神经元接收来自其他神经元的输入，并计算这些「神经元」的加权平均值。权重的计算则基于从历史数据中得来的经验。神经网络的特征指标，其中包括成本函数、优化器、初始化方案、激活函数、正则化方案。

强化学习的目标是选择一系列成功的行动以最大化目标（或累积）收益。不同于监督学习（通常只是一步的过程），强化学习模型并不知道每一步的确切行动是什么。