分类
如何在外汇市场获利

機器學習在演算法交易中的應用

SVM模型指出,如果超平面能够将训练样本没有错误地分开,并且两类训练样本中离超平面最近的样本与超平面之间的距离是最大的,则把这个超平面称作最优超平面,即上图中的B平面。两类样本中距离最优超平面的点成为支持向量,支持向量机模型的名字由此得出。

機器學習在演算法交易中的應用

对于Buy Side的矿工(quant)来说,由于其交易体量太过巨大,一个重要的研究内容就是如何能够理解和掌握自己公司的交易对市场价格的影响,也就是所谓的“市场冲击”,并把这种冲击降低到最低。很多时候人们都把大额的交易比作“把大象推入游泳池” ,避免市场冲击就自然被比作避免“大象入水”的水花了。

正因为如此,类似于彭博(Bloomberg),摩根大通(JP Morgan)和Portware等公司已经转向机器学习模型寻求答案。负责摩根大通欧洲、中东和非洲的算法研究负责人David Fellah表示:“只有当我们具备了硬件技术,更快的机器学习算法,以及对市场冲击的作用模式的更好理解之后,我们才能够把这些因素综合起来并加以运用。”

据Capital Fund Management研究主管Jean-Philippe Bouchaud介绍,对一个系统性基金来说,市场冲击带来的成本可能会侵蚀掉多达三分之二的交易收益。一名对冲基金的订单执行专家说,该基金每年由不利市场冲击带来的成本达到约100万美元,约占税前利润的十分之一。

目前主流的机器学习技术包括聚类分析(无监督学习),贝叶斯回归,随机森林和强化学习等监督学习技术。聚类分析(Cluster analysis)首先在70多年前作为宽泛的统计技术被开发出来,用于识别复杂数据中难以觉察的相似之处。 贝叶斯回归(Bayesian regression)和随机森林(Random Forest)是预测技术,给出既定场景的出现概率。强化学习的目的是通过许多模拟来训练所谓的人工智能(AI)单元,以在特定的情境下选择最佳的行动方式。

例如,交易500手的一种不活跃的美国国债(obscure bond),LQA将在多维向量空间内寻找与该国债“距离最近”也就是最为相似的债券。 然后LQA将使用它们的组合数据池来校准模型参数,从而达到解决历史数据稀疏的问题。

金融机器学习 - 当前和未来的应用

我们采访了 威尔逊 关于如何在我们的播客上重新思考人工智能时代的银行业, 银行业的AI .当威尔逊说,当被问及如何鼓励银行业领导到艾迪的想法,

“在您的组织中,您必须具有可以教育的AI函数。. 当他们考虑滚动AI进入企业或进入银行时,很多人,他们从技术角度考虑它。对我来说,银行在银行运行的AI元素是教育。这种过程流动了解这些能力可以在银行进入银行以使其成为DNA的一部分。所以这就是你开始使这些有这些想法的人能够意识到现在可能有一种能力[表现出来。] .

机器学习(股票)

假设有一个线性可分的二分类问题如图所示。

SVM模型指出,如果超平面能够将训练样本没有错误地分开,并且两类训练样本中离超平面最近的样本与超平面之间的距离是最大的,则把这个超平面称作最优超平面,即上图中的B平面。两类样本中距离最优超平面的点成为支持向量,支持向量机模型的名字由此得出。

利用支持向量机预测股票涨跌

参数符号 参数说明
C 罚函数,错误项的惩罚系数,默认为1。C越大,对错误样本的惩罚力度越大,准确度越高但泛化能力越低(泛化能力是指拓展到测试集中的准确率)。C越小,允许样本增加一点错误,使泛化能力提高。
Kernel 核函数,包括linear(线型核函数)、poly(多项式核函数)、rbf(高斯核函数)、sigmod(sigmod核函数)。
degree 当核函数选成多项式核函数时对应的阶数。
Gamma 核函数系数。

本示例采用网格搜索算法优化参数,训练好的参数为C = 0.6, gamma = 0.001,训练后的准确率为 機器學習在演算法交易中的應用 0.50。(这个准确率虽然看起来很低,但在现实生活中准确率都处于较低水平,这里暂时用这个优化后的参数进行建模。)

2. 策略思路

x 表示输入的特征值,共7个,分别为:

機器學習在演算法交易中的應用
参数符号 计算方法
x1 最新收盘价/15日收盘价均值
x2 现量/15日均量
x3 最新最高价/15日均价
x4 最新最低价/15日均价
x5 现量
x6 15日区间收益率
x7 15日区间标准差

y 表示5个交易日后收盘价是否上涨,

参数符号 含义
y = 1 表示股价上涨
y = 0 表示股价下跌

回测时间:2017-07-01 09:00:00 機器學習在演算法交易中的應用 到 2017-10-01 09:00:00
回测初始资金:1000万
回测标的:SHSE.600000

深度學習與機器學習:簡單辨別兩者差異

機器學習與深度學習

Google 的 AlphaGo 就是深度學習的最佳例子。 AlphaGo 是由 Google 設計的電腦程式,擁有專用的神經網路,能夠學習如何在抽象的圍棋 (Go) 比賽上對奕,並且以習得敏銳的智力和直覺判斷聞名。 AlphaGo 的深度學習模型透過和專業棋手對奕,學會超越先前人工智慧境界的棋藝,而且不需要人為介入就知道如何走下一步棋 (標準的仍需人為介入的機器學習模型)。 因此,當 AlphaGo 擊敗好幾名世界知名的圍棋大師時,造成一股不小的轟動;機器竟然不僅能夠精通複雜的西洋棋技巧與抽象的概念,還成為了最偉大的棋士之一。

深度學習與機器學習的比較

以資料做為前進未來的動力

身兼中國主流搜尋引擎「百度」的首席科學家和 Google Brain 專案領導人之一的 Andrew Ng,在接受 Wired Magazine 採訪時,提出了一項出色的比喻。他向 Wired 的記者 Caleb Garling 表示: 「我認為人工智慧就像是在打造一艘火箭。 你需要一顆龐大的引擎和大量的燃料。 如果光只有龐大的引擎,但是燃料不夠,就無法把火箭推送至軌道上。 如果引擎太小,而燃料太多,那根本升不了空。 所以如果要打造火箭,就需要龐大的引擎和大量燃料。」

機器學習和深度學習對客戶服務所代表的意義是什麼?

饋入這些演算法的資料來自不斷湧進的客戶諮詢;演算法會將相關的情境與客戶目前所面臨的問題進行比對與推算。 將該情境彙整至人工智慧應用程式後,便能夠產生更迅速準確的預測。 許多企業紛紛對人工智慧寄予厚望,產業領導者更推測和企業相關的最實用人工智慧將會落在客戶服務產業。

隨著深度學習技術日益成熟精進,我們也將會在客戶服務方面,見證更先進的人工智慧應用。 Zendesk 自家結合了深度學習模型的 Answer Bot (自動回覆聊天機器人) 也是非常好的範例,可瞭解支援工單的背景情境,並學習應向客戶推薦哪些說明文章。