EBC交易前瞻｜論人工智能和機器學習對交易和投資的影響

【EBC交易前瞻系列，深度解析金融交易的未來趨勢】

作者：邁克爾·哈裏斯是一名量化交易員兼暢銷書作者。他也是20年前第一個用于識别價格行爲中無參數模式的軟件開發者。在過去的10年裏，他一直緻力于DLPAL機器學習軟件的開發，這是一個可以用來識别市場數據中短期異常現象的軟件，用于固定和機器學習模型。

以下是三年前邁克爾·哈裏斯在歐洲作爲特邀演講者爲一群高淨值投資者和交易者所做的演講摘錄。主題是關于人工智能和機器學習對交易和投資的影響。下面的摘錄分爲四個部分，涵蓋了原始演講50%左右的内容，希望給諸位帶來啓發。

1.人工智能和機器學習對交易的普遍影響

人工智能（AI）允許用機器取代人類。在20世紀80年代，人工智能研究主要集中在專家系統和模糊邏輯上。随着計算能力越來越普及，使用機器來解決大規模的優化問題變得經濟可行了。由于硬件和軟件的進步，現在的人工智能側重于使用神經網絡和其他學習方法來識别和分析預測因素，也被稱爲特征，或因素，具有經濟價值，可以與分類器一起使用，以開發盈利模型。人工智能的這種特殊應用通常被稱爲機器學習（ML）。

基于人工智能開發交易策略的方法應用，無論是短期時間框架内還是長期投資，都越來越受歡迎，有一些對沖基金在這個領域非常活躍。然而，由于各種因素，對這項新技術的廣泛運用的普及率還比較低。大多數基金使用基本面分析，因爲這是基金經理們在MBA課程中學習的内容。沒有多少對沖基金能完全依靠人工智能。人工智能在零售交易層面的運用正在日益顯著，但大多數交易者仍使用二十世紀中期提出的方法，包括傳統的技術分析，因爲它們更易于學習和應用。

請注意，人工智能和ML不僅用于開發交易策略，也用于其他領域，例如開發流動性搜索引擎算法和向客戶提供投資組合建議。因此，随着人工智能應用的普及，參與交易和投資決策的人類數量正在減少，這顯然會影響市場和價格行爲。

現在推測這項新技術對行業的整體影響還爲時過早，但廣泛使用人工智能有可能形成更有效的市場，在很長一段時間内波動性較低，随後由于制度變化偶爾會出現波動性高峰。這是很有可能的，因爲人類對信息的主觀評價的影響将被最小化，随之而來的是相關的噪音。但這在實踐中還有待觀察。

2.人工智能和機器學習對阿爾法收益産生的影響

在采用人工智能技術的初始階段，那些了解它并知道如何管理風險的人将會有機會施展拳腳。基于人工智能的交易策略有一個問題是，它們可能産生比随機策略更糟糕的模型。我将嘗試解釋我的觀點：傳統的技術分析是一種無利可圖的交易方法，因爲基于圖表模式和指标的策略在任何交易成本之前都是從均值爲零的分布中獲取收益。

一些交易者總是在分布的右尾部被發現，這給人一種錯誤的印象，即這些方法具有經濟價值。我的研究表明，特别是在期貨和外彙市場，無論使用哪種方法，都很難實現長期的盈利，因爲這些市場的設計是爲了讓做市商受益。

然而，在較短的時間内，由于運氣好，一些交易者可以在杠杆市場上實現大量利潤。然後，這些交易者将他們的成功歸功于他們的策略和技能，而不是運氣。

有了人工智能和機器學習，還有額外的影響，比如說一些偏差--變量的權衡。數據挖掘偏差可能導緻策略對過去的數據過度拟合，但在新數據上馬上就失敗了，或者策略過于簡單，沒有捕捉到數據中具有經濟價值的重要信号。

這種權衡的結果是比随機的策略更差，甚至在加入交易成本之前，這些交易者的回報分布就已經出現了負偏斜。這給後量化寬松時代的大型基金和投資者帶來了盈利的機會。然而，随着那些不如意的人工智能交易員被從市場中剔除，隻剩下那些擁有強大算法模型的，利潤之争将變得更激烈。現在猜測AI交易員或大型投資者是否會赢得這場戰鬥還爲時過早。

我還想提一下這個領域的一個常見誤區：有些人認爲AI價值在于所使用的機器學習算法。這其實是不正确的。真正的價值在于所使用的預測器，也被稱爲特征或因素。

機器學習算法不能在沒有黃金的地方找到黃金。一個問題是，大多數機器學習的專業人員使用相同的預測器，并試圖以叠代的方式開發模型，以産生最佳結果。這個過程被數據挖掘的偏差所困擾導緻最終會失敗。

簡而言之，數據挖掘偏差源于許多數據被多次使用在許多模型中的危險做法，直到訓練和測試樣本的結果可以接受爲止。我在這一領域的研究表明，如果一個簡單的分類器，如二元邏輯回歸，在一組給定的預測因素下不能令人滿意地工作，那麽很可能沒有經濟價值。因此，成功取決于所謂的特征工程feature engineering，這既是一門科學，也是一門藝術，需要知識、經驗和想象力來提出具有經濟價值的特征，而隻有一小部分專業人士才能夠做到這一點。

3.人工智能和機器學習對技術分析的影響

我們必須對傳統技術分析和定量技術分析進行區分，因爲所有依靠分析價格和成交量序列的方法都歸屬于這個主題。傳統的技術分析，即圖表形态，一些簡單的指标，某些價格行爲理論等，一開始并不有效。除了一些範圍和程度有限的不完整的統計之外，吹捧這些方法的出版物從來沒有提出他們的長期統計預期，而隻是提供承諾，如果使用這個或那個規則，就會有盈利機會。

由于市場上的利潤和虧損遵循某種統計分布，總有一些人把他們的運氣歸功于這些方法。同時，整個行業都圍繞着這些方法發展起來了，因爲這些方式很容易學習。不幸的是，許多人認爲他們可以通過更好地使用其他人都知道的方法來獲利，結果是大量的财富從這些天真的交易者手中轉移到做市商和其他消息靈通的專業操盤手中。

在20世紀90年代初，一些市場專業人士意識到，大量的零售交易員正在使用這些天真的方法進行交易。一些人開發了算法和人工智能專家系統，以提前識别陣型，然後針對它們展開交易，在此過程中造成了散戶交易者（也被稱爲弱手）無法應對的波動。

從更根本的角度來看，傳統技術分析的失敗可以歸因于從20世紀90年代開始市場上高序列相關性的消失。基本上是高序列相關性給人們錯誤的印象，認爲這些方法奏效。如今，除了少數例外情況，市場都在進行均值回歸，沒有給簡單的技術分析方法留下發揮作用的空間。然而，一些定量技術分析方法往往能很好地發揮作用，如均值反轉和統計套利模型，包括使用具有經濟價值特征的機器學習算法。

請注意，這種類型的套利不太可能在人工智能和機器學習的情況下重複出現，因爲模型種類繁多，而且大多數都被保留了專利，但這種新技術的主要問題不是像傳統技術分析那樣确認的偏差，而是數據挖掘的偏差。

在我看來，觀察市場和看圖表正在變成一個過時的方法。交易的未來是處理信息，實時開發和驗證模型。未來的對沖基金将不依賴于圖表分析。有些人仍然這樣做，因爲他們處于舊方式與新時代交替的過渡期。許多不熟悉人工智能的交易員将發現在未來很難競争，并将考慮退出。

4.新交易技術的赢家和輸家

人工智能的應用将在很多方面改變交易，這已經在發生了。投資者可能很快就會發現，在目前由QE引起的趨勢結束後，中期回報将大大低于預期。如果這種情況實現了，那麽投資者将不得不回到以往方式，尋找一個好的财務顧問，他可以建議投資組合，并挑選會升值的證券。在某些情況下，該顧問将是一個人工智能程序，這個過程将在網上執行。

交易員需要熟悉這種新技術。大多數交易員仍然在用舊方法掙紮，隻是希望 "買跌 "能起作用，多獲得幾年的收益。

問題之一是中央銀行在過去八年裏直接支持金融市場所建立的道德風險。大多數市場參與者對下一次重大的市場制度變化毫無準備，而他們可能會面臨毀滅性的損失。

網絡上有關于ML、AI和交易的優秀資源。學習的最好方式是嘗試解決一些實際問題。但我相信對于大多數交易者來說，過渡是很難的。理解和應用人工智能所需的綜合技能，就删掉了95%習慣于在圖表上畫線和觀察移動平均線的交易者。

投資者應該做好自己的研究，并咨詢熟悉這些新發展的金融顧問。每個投資者都有不同的風險規避情況，很難提供統一的指導方針。很快就會有大量的機器投顧出現，選擇一個适合特定需求和目标的機器投顧可能會成爲一項具有挑戰性的任務。

任何不熟悉ML和AI及交易的人，可能會發現咨詢這個領域的專業人士比開始閱讀書籍和文章更有幫助，這是在了解基本知識後可以做的事情。我希望我在這個演講中提供了一個大緻的思路，可以作爲這個有趣、有回報的努力的一個起點。