[东兴证券大智慧]机器学习（非传统统计方法如回归）到底在量化金融里哪些方面有应用？

知乎问答

问：机器学习（非传计算算办法如回归）到底在量化金融里哪些方面有运用？

机器学习和计算很难阻隔，这儿扫除传计算算办法是想知道现代机器学习办法在量化金融的运用，如有困难请疏忽此要求。

WeicongLiu答：测验答复一下这个问题，也算是对自己阅览的一些论文的总结，顺带谈下一点自己的考虑。前一阵子被吐槽说中英搀杂，也不是为了装逼，由于其实翻译过来，意思反而有了误差。

假如你去查找前期的神经网络、SVM的相关论文，会发现不少是做股票猜测的。原因很简略，由于好像咱们可以天然地把股票出资的问题当作一个分类问题或许回归问题。回归的视点，咱们可以依据之前的历史数据，猜测下一个时间点的股价；分类的视点，咱们可以依据历史数据，猜测下一个时间点股价的正负。看起机器学习的办法可以完美适用了。不过这个定论明显是错的，由于假如真的完美适用，那么机器学习的大牛们怕是现已赚发了致使无心学术。

那么，问题在哪里？我个人的观念，咱们没有太多重视机器学习算法可以work的assumption。以分类问题为例，分类算法可以work的assumption是在同一类下，样本数据应该是i.i.d.的。而股票价格数据特色便是，股票return的correlation极低，noise多，并且不stationary。假如了解了这两点，咱们再回过头去看这类文章的思路，就发现了问题。绝大部分文章在提取特征方面根本没下什么功夫，就靠股票的return的信息来构成pattern。这样，由于股票return的不稳定、高噪声、低相关性，使得终究做成的pattern无法满意在同一类的情况下i.i.d的条件，因而，这类办法的失利也是必定的。假如你仔细观察，会发现这类文章喜爱运用IBM啊MSFT啊这样的股票做试验，为什么？由于这种尖端公司股票的价格比较稳定，噪声少，相关性强。

不过，近年来现已有一些研究者开端从其他视点考虑问题。传统的机器学习办法运用的根本是是股票的日线图和月线图。实践的股票买卖大部分是运用limitorderbook的，一些可以得到数据的研究者，开端考虑将机器学习的办法运用于limitorderbook层次的数据上，典型的论文便是本年新晋的ACMfellow，MichaelKearns在ICML06上宣布的Reinforcementlearningforoptimizedtradeexecution不同于之前的论文，这篇文章企图为历史数据的每一个时间点构建state，这样可以将增强学习的结构运用其间。这供给了与曾经天壤之别的思路，不过也并没有从assumption的层面证明文章的办法确实是习惯limitorderbook数据性质的。

在种种的失利之后，开端有一些learning范畴的研究者认识到，假如想在股票出资的问题上成功，好像不可以独立于股票数据固有的性质。所以开端有一些办法，企图使用股票数据既有的性质，来规划onlinelearning的算法。典型的是之前NTU计算机系的PhD，BinLi在ICML,IJCAI的一系列paper。他的中心其实便是抓住了股票的meanreversion的性质。简略的了解，meanreversion以为股票有它自己的隐含价值，股价在这个值邻近动摇。他的这一系列paper，其实便是在怎样找这个’mean’方面有少许改变。在时间点t，最开端他以为这个mean便是t-1的股价，后来他又以为这个mean是曩昔一个窗口时间上的均值。这些paper的思路、算法都很简略简略了解，可是包括的思维是前人不曾有过的，便是使用股票数据的性质规划算法，而不是硬将数据往既有的机器学习算法里套。他现在现已凭仗这些paper在武大金融系当上了副教授。

一家基金公司，一般会同时运行好多种strategy进行出资。这就产生了别的一个问题，应该怎么给这些strategy动态地分配权值？机器学习范畴有许多相似的问题，比方我要做一个分类问题，我有好多个分类器，怎么ensemble它们使得它们的表现比较好？关于多种strategy的权值问题，Das在KDD11的paper，Metaoptimizationanditsapplicationtoportfolioselection中有具体的评论。这类办法被称为Meta-LearningAlgorithm。

现如今的股票买卖现已比几十年前要杂乱的多，催生了许多新的买卖场所和买卖类型。这也给机器学习的专家们许多的时机。典型的比方是MichaelKearns在UAI09年宣布的Censoredexplorationandthedarkpoolproblem。这篇文章是描绘暗池买卖的，我在另一个答复里也提到过。向某个暗池提交v股的买卖量，假如实践成交量小于v，咱们知道其容量；而假如实践买卖量便是v，则只能知道其实践容量是大于v的。假使在某时间，咱们需要在K个暗池中买卖V手股票，咱们就需要依据历史数据揣度哪些暗池的容量大，在这些暗池里咱们就多投入。假如暗池的容量都stochastic的，是不是便是别的一个更杂乱的故事了？事实上现已有许多后续的作业来叙述这个故事，不过不是learning界，而来自干流的FE界和OR界。

那么learning界最为兴旺的deeplearning在这个问题上是否有所斩获？前一阵子看新闻说，现已有几个人使用deeplearning的技能开了家对冲基金公司，赚了许多钱。那么deeplearning问题在买卖上的效果或许表现在哪里？我自己没事儿也YY过这个问题，我觉得或许是在计算套利方面。最简略的计算套利办法是看股价的correlation，比方A和B两只股票价差一贯稳定在10块钱，某天价差忽然跌倒5块钱，计算套利就假定，这个价差会康复到10块钱，那么咱们就可以就此规划买卖战略。假如股价价差真的康复了，那么就可以完成套利。可是明显，这样的联系或许不是那么明显地存在于股票的价格中，或许存在于return中或许variance中，乃至更高杂乱度的计算量中。deeplearning供给了将原数据投影到另一个特征空间中的办法，并且是高度非线性的。那么，原数据中没有表现出来的correlation，会不会在这种高度非线性的投影空间中表现出来呢？假如有表现，是不是可以规划买卖战略完成套利呢？这是我自己的一点点考虑。

（来历：知乎）
买卖技能,买卖战略