财神彩票 > 互联网资讯 > 人工智能步入金融领域的主流玩法

原标题:人工智能步入金融领域的主流玩法

浏览次数:55 时间:2020-04-15

除了基本面研究、量化研究,算法在大类资产配置也能发挥作用。

量化交易从很早开始就运用机器进行辅助工作,分析师通过编写简单函数,设计一些指标,观察数据分布,而这些仅仅把机器当做一个运算器来使用。直到近些年机器学习的崛起,数据可以快速海量地进行分析、拟合、预测,人们逐渐把人工智能与量化交易联系得愈发紧密,甚至可以说人工智能的3个子领域(机器学习,自然语言处理,知识图谱)贯穿量化交易的始终。

怎么做到的呢?我们使用的算法是WordEmbedding+BiLSTM-CRF,召回率均在90%以上。而基于情感辞典的算法和基于机器学习的自动分类算法,我们可以做到情感分析,自动分类处理。情感分析算法主要采用XGBoost、SUM,情感分类准确召回率可以在75%以上。

传统投资顾问需要站在投资者的角度,帮助投资者进行符合其风险偏好特征、适应某一特定时期市场表现的投资组合管理。而这些工作都需要以大量昂贵的人工方式完成,所以财富管理服务也因此无形的提高了进入门槛,只面向高净值人士开设。

未来五到十年,金融行业、教育行业、汽车行业都会经历算法帝国的崛起。总结来看就是三个方向:在线化、智能化、网络化。

  1. 机器学习:从数字推测模型

从2008年比特币白皮书发布,2015年以太坊诞生,到如今,区块链世界发生了翻天覆地的变化,也涌现出了很多区块链2.0技术。今年有一个非常重要的趋势——区块链将从2.0过渡到3.0阶段,3.0会带来更快的网络。

3.文章生成

财神彩票 1

自动报告生成已经被广泛的运用到新闻行业中,代表的科技公司有美联社投资的Automated Insights已为美联社自动生成出10多亿篇文章与报告。法国公司Yseop可以每秒生产3000页内容,支持英语,法语,德语等多种语言,产品广泛用于银行、电信公司的客户服务部门以及财经新闻网站。

A:智能投顾对分析师带来的挑战更多体现在智能投研,因为智能投研跟分析师是相辅相成的。虽然机器算法的崛起替代了很多初级分析师的工作。但是高级分析师无法替代,人对趋势的判断和另类信息收集的能力比机器更强。未来的趋势是,算法取代初级工作,高级分析师是如虎添翼。

率先使用自然语言处理技术的人工智能对冲基金的是今年6月份在伦敦新设的对冲基金CommEq。CommEq的投资方法结合了定量模型与自然语言处理(NLP),使计算机能够如人类一样通过推断和逻辑演绎理解不完整和非结构化的信息。

一直以来,投资研究有两大门派,一个是基本面门派,一个是量化门派。AI又能为这两大门派做什么呢?

经过处理海量异构数据与分析数据的过程后,即可生产新闻,券商分析研报,上市招股书,企业年报,定增公告,甚至基金研究员开每日晨会所需的投资建议书也都可以用类似方式生成。用户只需选择符合其需求的模板确定主题与关键信息,以及报告呈现形式,便可生成基本内容。而且投行分析师可以进行校对与人工二次编辑,加入有价值的观点与结论,并提升报告精准度。

以下是薛昆演讲原文,雷锋网作了不改变原意的编辑:

然而真正生成报告还需要利用以上技术完成3个步骤:

在近日深圳举办的预见2018新财富新春投资策略会上,通联数据金融工程董事总经理薛昆带来了题为“机器智能时代的投资管理”的主题演讲。据雷锋网了解,薛昆曾任瑞士银行投行全球量化团队董事,摩根大通量化研究团队副总裁,拥有十余年量化投资、金融平台研发经验。

券商/私募基金研究员在进行研究工作的时候需要搜集海量信息,再整理和分析其中内容,如上下游分析,对标企业研究,竞争对手研究,企业亮点/风险点分析等等。

总结一下,机器学习虽然有用,但是也不是万能的。它的优势在于,它能够建立非线性模型。当然问题也是随之而来的,简单模型的解释度更高,人们更理解。所以大部分基金经理还是会选择线性模型,因为比较容易理解。但是在一些特殊领域,比如知识图谱,这是人脑没有办法掌控的,那就需要人机结合。其实人对小数据是更敏感的,有一些人做不了的事情可以用机器帮助我们。

而这一投资方法也受到市场的肯定,Wealthfront管理资金规模在2015年至2016年终增长将近64%,截至2016年2月底,Wealthfront的资产管理规模已达近30亿美元。

在量化投资领域,机器可以帮助量化研究员更好地挖掘数据。传统投资研究,大家关注的都是各种结构化的数据。结构化的数据带来的信息是有限的,大部分投资者都能看到这些数据,所以你没有提前效应。但如果在卫星图像上应用AI算法,比如实时监测券商营业所门口的车辆数字,那么我们可以更早获得一些帮助

伦敦的对冲基金机构Castilium由金融领域大佬与计算机科学家一同创建,包括前德意志银行衍生品专家、花旗集团前董事长兼首席执行官和麻省理工的教授。他们采访了大量交易员和基金经理,复制分析师、交易员和风险经理们的推理和决策过程,并将它们纳入算法中。

免责声明:TechWeb.com.cn是一个公益、共享网络平台,目的是为公众提供丰富的资讯,服务社会公众,不声明也不保证其内容的有效性、 正确性与可靠性,更不对您的投资构成建议;数字货币投资存在较大的风险与不可预知性,我们不鼓励任何形式的投资行为。网站发布的共享资讯均来自互联网,用户由于共享资讯而产生的投资行为,与TechWeb无关。

自然语言生成(NLG):将由机器拆分好的结构化数据以人们能看懂的自然语句表达出来。

在线化和网络化会使得数据极度扩张,区块链和AI技术将会极大推动这个进程。在任何一个产业,“黑洞效应”都会使得产业链蓬勃发展。而在智能化和网络化当中,最重要的是两个技术:区块链、人工智能。

全球估值第四高,被称为“下一个独角兽”的公司——Palantir曾推出一个基于知识图谱的金融数据分析平台—Palantir Metropolis,可以整合多源的量化资料,并提供一套方便易用的分析工具来满足复杂的研究需求,其中的组件能够进行复杂搜索,可视化编辑与分析,有非常丰富的人机交互能力。目前Palantir将结构化客户内部数据,关联相关数据,让客户自己创立分析规则整合并优化模型,量化处理数据,从而解决客户的特定需求。

知识图谱可以帮助我们研究基本面。首先要有基础数据,即新闻公告研报数据、交易所披露数据、工商登记数据,这些是AI的原料。然后我们利用知识图谱用实体识别算法,可以把公司高管作为实体抽取出来,并抽取投资持股关系等,形成公司关系图谱。有了这些数据以后,我们可以做关联分析,比如同业竞争关系分析,高管能力均衡分析,实际控制人的分析,并且动态变更。

最早应用知识图谱在金融领域的Garlik就是这一代表。这家公司2005年成立于英国,核心成员来自南安普顿大学(University of Southampton,是语义网的核心研究机构之一),主要业务是在线个人信息监控。Garlik收集网络和社交媒体上的个人信息,当发生个人信息盗窃时会及时报警。Garlik总计融资2469千万美金后被美国的三大个人信用记录公司之一Experian收购,其技术被用于个人信用记录、信用盗窃的分析。Garlik的核心技术之一是大规模语义数据库,前后开源发布了3store, 4store, 5store等高性能数据库。

举一个例子,在A股市场,每天都有超过50个上市公司的资本运作事件发生。中国工商登记注册的公司数1000万家,涉及的核心自然人超过500万。如果人工地去分析资本运作,基本上是不可能的。但是机器可以非常容易地帮助人类做到这个事情。

机器学习与自然语言处理的技术经常会在一些意外(如“黑天鹅”事件)发生的时候预测失败,例如911、熔断机制和卖空禁令等等。人工智能系统没有遇到过这些情况,无法从历史数据中学习到相关模式。这时候如果让人工智能管理资产,就会有很大的风险。

另外一项重要技术是大数据与人工智能。大数据与人工智能存在差异,但是在概念上两个联系紧密。因为人工智能依赖于大数据,如果没有数据,很多算法都只是流于表层。语音识别、自然语言处理、Chatbot、知识图谱,底层都是依赖于大数据,离开大数据,这些都是无源之水。

全球最大的对冲基金桥水联合(Bridgewater Asspcoates)早在2013年就开启一个新的人工智能团队,该团队约有六名员工,由曾经供职IBM并开发了认知计算系统Watson的David Ferrucci领导。据彭博新闻社报道,该团队将设计交易算法,通过历史数据和统计概率预测未来。该程序将随着市场变化而变化,不断适应新的信息,而不是遵循静态指令。而桥水基金的创始人也曾公开表示,其旗下基金持有大量多仓和空仓,投资120种市场,持仓组合高达100多种,并且以人工智能的方式考虑投资组合。

比如,在构建公募基金组合时,我们可以用机器学习去做基金收益率的预测,并基于历史数据做统计风险模型。我们可以针对不同目标,产生最优的基金组合,比如说目标风险下收益最大化、目标收益下风险最小化。

3 金融搜索引擎

在自动驾驶领域也是如此。我们可以看到一个趋势,相关公司现在也越来越趋于自己去收集数据。现在BAT、谷歌可能会说,“我来给你提供算法,然后你到我的生态系统里面玩。”但是更多企业希望自己掌握数据,自己设计数据,数据直接上云。拥有这种技术的公司,未来会有非常高的壁垒。

  1. 自然语言处理:把握市场动态

此外,还可以进行基金特征选择。首先对所有的基金打标签,我们给每个基金打上大约150个标签,这150个标签包含8个时间维度。然后用机器学习算法去做筛选。比如,我们可以计算基金池中每只基金当期收益率与前期各性能指标之间的相关系数ic,这是量化里面通用的算法。如果再往前滑动多期,得到每个前期性能指标与当期收益率的ic序列,再计算分别计算每个ic序列的均值ic序列得到最后结果。

Narrative Science的CEO Frankel 表示“我们的目标是替代人工做绝大部分基础工作,让机器来处理数据和信息”。

物联网极大扩张了数据边界,以后的数据会越来越多,现在只是一个起点。比如当新能源汽车、自动驾驶汽车在今年普及开来以后,数据的边界将会超过手机边界。以后能够产生数据的模式将是非常有吸引力的模式,因为在未来数据会变成最重要的生产要素。

坐落在香港的Aidyia致力于用人工智能分析美股市场,依赖于多种AI的混合,包括遗传算法(genetic evolution),概率逻辑(probabilistic logic),系统会分析大盘行情以及宏观经济数据,之后会做出自己的市场预测,并对最好的行动进行表决。与其类似的公司还有Point72 Asset,Renaissance Technologies,Two Sigma。

如何将AI应用于投资管理?

而以投资关系为例,知识图谱可以将整个股权沿革串起来,方便地展示出哪些PE机构在哪一年进入,进入的价格是多少,是否有对赌条款,这些信息不仅可以判断该机构进入当时的估值,公司未来的发展情况(公司成长的节奏),还可以看清PE机构的投资偏好,投资逻辑是如何变更发展的。

通联数据金融工程董事总经理薛昆

Wealthfront就是一家非常具有代表性的智能投顾平台,借助于机器与量化技术,为经过调查问卷评估的客户提供量身定制的资产投资组合建议,包括股票配置、股票期权操作、债权配置、地产资产配置,旨在提供一个自动化的投资管理服务最大化投资回报。

Q:智能投顾对分析师带来的挑战主要体现在哪些方面?它还有哪些方面可以改进?

Narrative Science由西北大学的新闻系和计算机科学系的联合创立,旨在通过给定主题的数据分析,自动生成文章报告。该公司的著名数据分析平台Quill可以分析结构化数据,将人工智能与大数据进行技术融合,理解这些数据的重要性,从而产生简短的文字表述或结构化的报告内容。Quill的主要面向对象为——金融服务提供商。

财神彩票,今天我会结合行业趋势和热点来分享这个话题,比如区块链。抽象来说,人工智能以及区块链最终都是算法,现在的算法已经应用到大部分行业,潜移默化改变我们的生活。

Rebellion Research是一家运用机器学习进行全球权益投资的量化资产管理公司,Rebellion Research在2007年推出了第一个纯人工智能(AI)投资基金。该公司的交易系统是基于贝叶斯机器学习,结合预测算法,响应新的信息和历史经验从而不断演化,利用人工智能预测股票的波动及其相互关系来创建一个平衡的投资组合风险和预期回报,利用机器的严谨超越人类情感的陷阱,有效地通过自学习完成全球44个国家在股票、债券、大宗商品和外汇上的交易。

另外,我们也可以用算法挖掘文本数据来辅助量化投资。面对海量的文本数据,包括新闻、公告、研报、微博、雪球、股吧、互动易、论坛等,我们使用知识图谱进行关联分析。比如说,贾跃亭在回函中表示无力履行无息借款与增持承诺,“深表歉意”!通过情感分析算法,我们知道这样的文本是利空的,这样就可以帮助投资人很快的进行判断。

其中最为知名的是号称”取代投行分析师“的投资机器人——Kensho。Kensho是一家致力于量化投资大众化的人工智能公司,旗下有一款产品Warren被称之为金融投资领域的“问答助手Siri”。Kensho结合自然语言搜索,图形化用户界面和云计算,将发生事件关联金融市场,提供研究辅助,智能回答复杂金融投资问题,从而加速交易时间,减少成本,用动态数据与实时信息,及时反映市场动态。

当量化交易分析师发现数字推测模型的局限性后,开始考虑引入新闻,政策,社交网络中的丰富文本并运用自然语言处理技术分析,将非结构化数据结构化处理,并从中探寻影响市场变动的线索。

此外,机器学习擅长发现数据间的相关性而非因果性。很有名的一个例子是早在1990年,对冲基金First Quadrant发现孟加拉国生产的黄油,加上美国生产的奶酪以及孟加拉国羊的数量与标准普尔500指数自1983年开始的10年时间内均具有99%以上的统计相关性,1993年之后,这种关系莫名其妙的消失了。这就是由于自学习的机器无法区分虚假的相关性所导致的,这时候就需要专家设置的知识库(规则)来避免这种虚假相关性的发生。

这一技术也被广泛运用于风控与征信。通过爬取个人及企业在其主页、社交媒体等地方的数据,一来可以判断企业或其产品在社会中的影响力,比如观测App下载量,微博中提及产品的次数,在知乎上对其产品的评价;此外将数据结构化后,也可推测投资的风险点。这方面国内的很多互联网贷款,征信公司都在大量使用自然语言处理技术,例如宜信,闪银等。另外一些公司则利用这些技术进行B端潜在客户的搜寻,如Everstring,并将信息出售给其上游公司。

除此之外还有Dataminr,这家基于Twitter及其他公开信息的实时风险情报分析公司。致力于从数据爆炸的社交网络提取精简且价值的风险情报与挖掘关键信息,如舆情热点、金融相关的非交易信息、公共机构安全预警、企业安全等,并直接向客户推送。除此之外,Dataminr还加入早期预警系统,并实时推送警报

其中语义搜索就是提供不同类型的查询(比如企业、基金、事件等),如智利地震对铜期货的影响,中东危机对整体货币市场的影响等。再将信息切片后再聚合,提供纵览的可视化元素,比如影视传媒相关定增的平均市值和融资市盈率。

1.处理海量异构数据

本文由财神彩票发布于互联网资讯,转载请注明出处:人工智能步入金融领域的主流玩法

关键词:

上一篇:知名双胞胎亿万富豪预测:比特币会涨到现在的

下一篇:没有了