EBC金融外汇交易前瞻｜论人工智能和机器学习对交易和投资的影响

作者：迈克尔·哈里斯是一名量化交易员兼畅销书作者。他也是20年前第一个用于识别价格行为中无参数模式的软件开发者。在过去的10年里，他一直致力于DLPAL机器学习软件的开发，这是一个可以用来识别市场数据中短期异常现象的软件，用于固定和机器学习模型。

以下是三年前迈克尔·哈里斯在欧洲作为特邀演讲者为一群高净值投资者和交易者所做的演讲摘录。主题是关于人工智能和机器学习对交易和投资的影响。下面的摘录分为四个部分，涵盖了原始演讲50%左右的内容，希望给诸位带来启发。

1、人工智能和机器学习对交易的普遍影响

人工智能（AI）允许用机器取代人类。在20世纪80年代，人工智能研究主要集中在专家系统和模糊逻辑上。随着计算能力越来越普及，使用机器来解决大规模的优化问题变得经济可行了。由于硬件和软件的进步，现在的人工智能侧重于使用神经网络和其他学习方法来识别和分析预测因素，也被称为特征，或因素，具有经济价值，可以与分类器一起使用，以开发盈利模型。人工智能的这种特殊应用通常被称为机器学习（ML）。

基于人工智能开发交易策略的方法应用，无论是短期时间框架内还是长期投资，都越来越受欢迎，有一些对冲基金在这个领域非常活跃。然而，由于各种因素，对这项新技术的广泛运用的普及率还比较低。大多数基金使用基本面分析，因为这是基金经理们在MBA课程中学习的内容。没有多少对冲基金能完全依靠人工智能。人工智能在零售交易层面的运用正在日益显著，但大多数交易者仍使用二十世纪中期提出的方法，包括传统的技术分析，因为它们更易于学习和应用。

请注意，人工智能和ML不仅用于开发交易策略，也用于其他领域，例如开发流动性搜索引擎算法和向客户提供投资组合建议。因此，随着人工智能应用的普及，参与交易和投资决策的人类数量正在减少，这显然会影响市场和价格行为。

现在推测这项新技术对行业的整体影响还为时过早，但广泛使用人工智能有可能形成更有效的市场，在很长一段时间内波动性较低，随后由于制度变化偶尔会出现波动性高峰。这是很有可能的，因为人类对信息的主观评价的影响将被最小化，随之而来的是相关的噪音。但这在实践中还有待观察。

2、人工智能和机器学习对阿尔法收益产生的影响

在采用人工智能技术的初始阶段，那些了解它并知道如何管理风险的人将会有机会施展拳脚。基于人工智能的交易策略有一个问题是，它们可能产生比随机策略更糟糕的模型。我将尝试解释我的观点：传统的技术分析是一种无利可图的交易方法，因为基于图表模式和指标的策略在任何交易成本之前都是从均值为零的分布中获取收益。

一些交易者总是在分布的右尾部被发现，这给人一种错误的印象，即这些方法具有经济价值。我的研究表明，特别是在期货和外汇市场，无论使用哪种方法，都很难实现长期的盈利，因为这些市场的设计是为了让做市商受益。

然而，在较短的时间内，由于运气好，一些交易者可以在杠杆市场上实现大量利润。然后，这些交易者将他们的成功归功于他们的策略和技能，而不是运气。

有了人工智能和机器学习，还有额外的影响，比如说一些偏差--变量的权衡。数据挖掘偏差可能导致策略对过去的数据过度拟合，但在新数据上马上就失败了，或者策略过于简单，没有捕捉到数据中具有经济价值的重要信号。

这种权衡的结果是比随机的策略更差，甚至在加入交易成本之前，这些交易者的回报分布就已经出现了负偏斜。这给后量化宽松时代的大型基金和投资者带来了盈利的机会。然而，随着那些不如意的人工智能交易员被从市场中剔除，只剩下那些拥有强大算法模型的，利润之争将变得更激烈。现在猜测AI交易员或大型投资者是否会赢得这场战斗还为时过早。

我还想提一下这个领域的一个常见误区：有些人认为AI价值在于所使用的机器学习算法。这其实是不正确的。真正的价值在于所使用的预测器，也被称为特征或因素。

机器学习算法不能在没有黄金的地方找到黄金。一个问题是，大多数机器学习的专业人员使用相同的预测器，并试图以迭代的方式开发模型，以产生最佳结果。这个过程被数据挖掘的偏差所困扰导致最终会失败。

简而言之，数据挖掘偏差源于许多数据被多次使用在许多模型中的危险做法，直到训练和测试样本的结果可以接受为止。我在这一领域的研究表明，如果一个简单的分类器，如二元逻辑回归，在一组给定的预测因素下不能令人满意地工作，那么很可能没有经济价值。因此，成功取决于所谓的特征工程feature engineering，这既是一门科学，也是一门艺术，需要知识、经验和想象力来提出具有经济价值的特征，而只有一小部分专业人士才能够做到这一点。

3、人工智能和机器学习对技术分析的影响

我们必须对传统技术分析和定量技术分析进行区分，因为所有依靠分析价格和成交量序列的方法都归属于这个主题。传统的技术分析，即图表形态，一些简单的指标，某些价格行为理论等，一开始并不有效。除了一些范围和程度有限的不完整的统计之外，吹捧这些方法的出版物从来没有提出他们的长期统计预期，而只是提供承诺，如果使用这个或那个规则，就会有盈利机会。

由于市场上的利润和亏损遵循某种统计分布，总有一些人把他们的运气归功于这些方法。同时，整个行业都围绕着这些方法发展起来了，因为这些方式很容易学习。不幸的是，许多人认为他们可以通过更好地使用其他人都知道的方法来获利，结果是大量的财富从这些天真的交易者手中转移到做市商和其他消息灵通的专业操盘手中。

在20世纪90年代初，一些市场专业人士意识到，大量的零售交易员正在使用这些天真的方法进行交易。一些人开发了算法和人工智能专家系统，以提前识别阵型，然后针对它们展开交易，在此过程中造成了散户交易者（也被称为弱手）无法应对的波动。

从更根本的角度来看，传统技术分析的失败可以归因于从20世纪90年代开始市场上高序列相关性的消失。基本上是高序列相关性给人们错误的印象，认为这些方法奏效。如今，除了少数例外情况，市场都在进行均值回归，没有给简单的技术分析方法留下发挥作用的空间。然而，一些定量技术分析方法往往能很好地发挥作用，如均值反转和统计套利模型，包括使用具有经济价值特征的机器学习算法。

请注意，这种类型的套利不太可能在人工智能和机器学习的情况下重复出现，因为模型种类繁多，而且大多数都被保留了专利，但这种新技术的主要问题不是像传统技术分析那样确认的偏差，而是数据挖掘的偏差。

在我看来，观察市场和看图表正在变成一个过时的方法。交易的未来是处理信息，实时开发和验证模型。未来的对冲基金将不依赖于图表分析。有些人仍然这样做，因为他们处于旧方式与新时代交替的过渡期。许多不熟悉人工智能的交易员将发现在未来很难竞争，并将考虑退出。

4、新交易技术的赢家和输家

人工智能的应用将在很多方面改变交易，这已经在发生了。投资者可能很快就会发现，在目前由QE引起的趋势结束后，中期回报将大大低于预期。如果这种情况实现了，那么投资者将不得不回到以往方式，寻找一个好的财务顾问，他可以建议投资组合，并挑选会升值的证券。在某些情况下，该顾问将是一个人工智能程序，这个过程将在网上执行。

交易员需要熟悉这种新技术。大多数交易员仍然在用旧方法挣扎，只是希望 "买跌 "能起作用，多获得几年的收益。

问题之一是中央银行在过去八年里直接支持金融市场所建立的道德风险。大多数市场参与者对下一次重大的市场制度变化毫无准备，而他们可能会面临毁灭性的损失。

网络上有关于ML、AI和交易的优秀资源。学习的最好方式是尝试解决一些实际问题。但我相信对于大多数交易者来说，过渡是很难的。理解和应用人工智能所需的综合技能，就删掉了95%习惯于在图表上画线和观察移动平均线的交易者。

投资者应该做好自己的研究，并咨询熟悉这些新发展的金融顾问。每个投资者都有不同的风险规避情况，很难提供统一的指导方针。很快就会有大量的机器投顾出现，选择一个适合特定需求和目标的机器投顾可能会成为一项具有挑战性的任务。

任何不熟悉ML和AI及交易的人，可能会发现咨询这个领域的专业人士比开始阅读书籍和文章更有帮助，这是在了解基本知识后可以做的事情。我希望我在这个演讲中提供了一个大致的思路，可以作为这个有趣、有回报的努力的一个起点。

声明：登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。文章内容仅供参考，读者据此操作，风险自担。

企业信息