EBC交易前瞻｜深度對話量化交易的當下與未來

【EBC交易前瞻系列，深度解析金融交易的未來趨勢】

交易是一個極其殘酷競争激烈的世界。随着人工智能被描繪成一切事物的颠覆性武器，專業人士開始對如何使用人工智能作出更好的交易決策産生起了濃厚的興趣。

例如，使用AI無情緒機器學習和神經網絡算法處理全天候 24/7所有的市場機會，利用邏輯回歸、決策樹、随機森林或不同類型的神經網絡，來測算交易的預期回報率。

那麽量化交易中的智能技術，究竟是一場史無前例的投資革命還有純粹的炒作？我們普通的投資者又能從量化交易、機器學習中獲得什麽啓示？

今天，EBC爲大家揭開智能化技術的層層面紗。

在這裏，先給大家講述下如何使用人工智能和機器學習，以及它将如何影響未來的量化交易變革。

首先，人工智能和機器學習之間是存在一定差異的。人工智能是賦予計算機像人類一樣思考能力的集合概念。而機器學習是人工智能的一個子集，是機器從沒有明确編程的數據中學習的能力。  

人工智能和機器學習都是量化交易的熱門話題。雖然對很多人來說都有些虛幻，但兩者都是植根于數學體系。機器學習技術是統計學驅動的，并且已經被量化學者使用了很長時間了。

機器學習在改善交易生命周期流程中最爲有效，例如數據處理和建模、預測和信号研究、風險管理以及執行方面。

數據處理和建模都受益于機器學習。它能使數據的積累和研究變得更加容易。通過機器學習，量化交易能實現在更短的時間内查看到更多的數據。

但要使機器學習更有效，就需要非常大且曆史悠久的數據集。任何機器學習算法的好壞都取決于我們提供給它的數據，因此它需要是高質量的數據。許多統計的大數據集隻有幾年的曆史，可能不完整或不準确，那就幾乎沒有預測價值。

我們現在已經将機器學習應用到分析情緒、預測真實世界的數據、尋找識别交易中的局部模式和調整高頻交易中。我們一一展開下。

分析情緒

有了人工智能，機器現在可以處理很多影響投資者情緒的事情，包括分析和總結。

比如爬蟲收集關于特定主題的每日新聞、推文和其他社交媒體帖子，然後人工智能算法（尤其是自然語言處理）總結正面或負面觀點哪方面更強勁。這對于交易者來說都是非常有價值的信息，因爲他們必須盡快了解市場上正在發生的事情。

預測真實世界的數據

交易者可以使用人工智能來提高數據預測的可靠性。比如歐洲的太陽能供應，政治選舉的結果等。還能訓練一種算法，将多個專家的預測組合成另一個預測，這會比基于其他任何的單一預測更準确些，這個稱爲ensembling集成的方法。

尋找交易中的形态模式

人工智能算法基本上是模式識别器，用于識别K線的局部模式。然後交易者使用這些模式，将它們與自己的經驗和直覺相結合，然後加以應用。

調整高頻交易

在高頻交易中，機器每天會執行數千或數百萬次的交易，一般人類是無法進行這些交易的，因爲實在是太多了，但我們可以定義這些機器的運行規則。

由于市場不斷變化，這些機器需要不斷調整。這需要花費大量的時間和精力。人工智能就可以自動執行這些的重新校準工作——并完成分析人員原本需要做的大量重複性統計工作。

機器學習還增加了量化交易可以處理的規模，比如數據規模、研究規模等。機器學習可以更好地組合非線性信号或彙集許多弱預測器。在預測中，深度學習是機器學習的一種形式，它具有出色的預測能力。

未來，我們将看到更多機器學習算法的應用，尤其是在交易執行方面。強化學習是另一種機器學習，正被用于在微觀結構層面上對交易執行的多代理方法進行建模，分析限價訂單。事實上，強化學習是研究量化交易的趨勢，包括投資組合構建和優化，以及不同的聚類和預測問題。

機器學習當前面臨的一個主要障礙就是金融市場的複雜性和規模性。金融市場是一個高度複雜的多智能系統，人與算法之間存在數十億次交互。

在不斷變化的市場中，爲量化交易中的重要因素構建良好的機器學習模型非常困難。你需要大量高質量的數據（鑒于新的金融産品、新的監管和新的算法市場一直在動态變化，這些數據甚至可能不存在）、一個“好”的模型和匹配的超參數。

因此，我們距離擁有完全自動化的基于機器學習的量化策略，還有很長的路要走。該策略能夠以人爲不幹涉的方式完成整個投資過程。

盡管如此，對于機器學習來說，将在未來 10 年内繼續對量化交易産生巨大的影響。特别是在投資過程的各個部分，如預測、建模或執行。

但是投資者還需要注意以下幾個重要的陷阱：

1.當前的人工智能、機器學習即便采用了最先進的智能算法，但與人腦相比還顯得非常稚嫩。它隻能完成在某些狹隘定義下的任務。

2.機器學習所開發的交易策略在實際中通常也不能起作用。我看到有大量的研究文章承諾基于 AI 的交易算法是能穩定盈利的。但是這些模型在現實中并不适用，原因有很多。比如說錯誤的設置（使用了被洩漏的數據、或根據當前價格而不是未來價格來作爲評估預測的變量）；選擇偏差（如果你嘗試很多算法，最終會找到一種似乎能産生一定利潤的算法。但絕對不能确保此策略對進行測試的特定數據之外的數據會起作用）；交易費用和滑點（事實上，建立一個跑赢市場的交易策略通常很簡單，如果你沒有把進行交易的實際成本，交易費用和滑點考慮在内）；模式會随着時間而改變（機器學習中最重要的概念之一是在過去的數據中發現模式并使用它們對未來做出正确的預測。但是，這在交易中起不了作用。因爲其他交易者正在競相尋找相同的模式——因此模式被發現、利用，然後就會消失。這意味着模式很少會長期存在，你必須不斷地尋找新的。這需要極大的适應性，這方面人類目前比機器更擅長做到。）

3.僅靠算法永遠不會給你帶來長久的優勢。因爲數據勝過算法。你提供給算法的數據對模型性能的影響遠大于算法的好壞。

普通的投資者從量化交易、機器學習中獲得的啓示

-不要走捷徑。沒有策略是已經足夠好了。如果你無法制定穩健的策略，請不要滿足于當下你所認爲的“最好的結果”。

-将你的行動和決定建立有效的實踐統計之上。永遠不要相信樣本内測試，并始終支持良好的策略的泛化，注，泛化（generalization）是指一個機器學習算法對于沒有見過的樣本的識别能力。不要因爲過度拟合而蒙蔽了你的判斷力。

-确保始終相信自己，但同時永遠不要完全相信自己。你需要時刻問自己，我在這個分析中是否存在偏見？我的行爲是基于現實，還是我過度拟合并告訴自己這個策略是完美的？

今天的分享到此結束，希望大家有所收獲。

英國券商EBC始終将優化客戶交易體驗放在首位，研發前沿的算法系統來優化報價的傳輸和訂單的執行情況，通過客戶交易偏好來搭建自動化流程。

EBC交易黑盒采用精準優化抛單算法，讓85%以上的訂單成交于更有的價格。并且采用機器學習、概率模型、神經網絡模型和人工智能算法等進行綜合研判，最終匹配更适合每位交易者屬性的流動性，以此達成最優的成交價格。