【EBC交易前瞻系列，深度解析金融交易的未来趋势】

交易是一个极其残酷竞争激烈的世界。随着人工智能被描绘成一切事物的颠覆性武器，专业人士开始对如何使用人工智能作出更好的交易决策产生起了浓厚的兴趣。

例如，使用AI无情绪机器学习和神经网络算法处理全天候 24/7所有的市场机会，利用逻辑回归、决策树、随机森林或不同类型的神经网络，来测算交易的预期回报率。

那么量化交易中的智能技术，究竟是一场史无前例的投资革命还有纯粹的炒作？我们普通的投资者又能从量化交易、机器学习中获得什么启示？

今天，EBC为大家揭开智能化技术的层层面纱。

在这里，先给大家讲述下如何使用人工智能和机器学习，以及它将如何影响未来的量化交易变革。

首先，人工智能和机器学习之间是存在一定差异的。人工智能是赋予计算机像人类一样思考能力的集合概念。而机器学习是人工智能的一个子集，是机器从没有明确编程的数据中学习的能力。 

人工智能和机器学习都是量化交易的热门话题。虽然对很多人来说都有些虚幻，但两者都是植根于数学体系。机器学习技术是统计学驱动的，并且已经被量化学者使用了很长时间了。

机器学习在改善交易生命周期流程中最为有效，例如数据处理和建模、预测和信号研究、风险管理以及执行方面。

数据处理和建模都受益于机器学习。它能使数据的积累和研究变得更加容易。通过机器学习，量化交易能实现在更短的时间内查看到更多的数据。

但要使机器学习更有效，就需要非常大且历史悠久的数据集。任何机器学习算法的好坏都取决于我们提供给它的数据，因此它需要是高质量的数据。许多统计的大数据集只有几年的历史，可能不完整或不准确，那就几乎没有预测价值。

我们现在已经将机器学习应用到分析情绪、预测真实世界的数据、寻找识别交易中的局部模式和调整高频交易中。我们一一展开下。

分析情绪

有了人工智能，机器现在可以处理很多影响投资者情绪的事情，包括分析和总结。

比如爬虫收集关于特定主题的每日新闻、推文和其他社交媒体帖子，然后人工智能算法（尤其是自然语言处理）总结正面或负面观点哪方面更强劲。这对于交易者来说都是非常有价值的信息，因为他们必须尽快了解市场上正在发生的事情。

预测真实世界的数据

交易者可以使用人工智能来提高数据预测的可靠性。比如欧洲的太阳能供应，政治选举的结果等。还能训练一种算法，将多个专家的预测组合成另一个预测，这会比基于其他任何的单一预测更准确些，这个称为ensembling集成的方法。

寻找交易中的形态模式

人工智能算法基本上是模式识别器，用于识别K线的局部模式。然后交易者使用这些模式，将它们与自己的经验和直觉相结合，然后加以应用。

调整高频交易

在高频交易中，机器每天会执行数千或数百万次的交易，一般人类是无法进行这些交易的，因为实在是太多了，但我们可以定义这些机器的运行规则。

由于市场不断变化，这些机器需要不断调整。这需要花费大量的时间和精力。人工智能就可以自动执行这些的重新校准工作——并完成分析人员原本需要做的大量重复性统计工作。

机器学习还增加了量化交易可以处理的规模，比如数据规模、研究规模等。机器学习可以更好地组合非线性信号或汇集许多弱预测器。在预测中，深度学习是机器学习的一种形式，它具有出色的预测能力。

未来，我们将看到更多机器学习算法的应用，尤其是在交易执行方面。强化学习是另一种机器学习，正被用于在微观结构层面上对交易执行的多代理方法进行建模，分析限价订单。事实上，强化学习是研究量化交易的趋势，包括投资组合构建和优化，以及不同的聚类和预测问题。

机器学习当前面临的一个主要障碍就是金融市场的复杂性和规模性。金融市场是一个高度复杂的多智能系统，人与算法之间存在数十亿次交互。

在不断变化的市场中，为量化交易中的重要因素构建良好的机器学习模型非常困难。你需要大量高质量的数据（鉴于新的金融产品、新的监管和新的算法市场一直在动态变化，这些数据甚至可能不存在）、一个“好”的模型和匹配的超参数。

因此，我们距离拥有完全自动化的基于机器学习的量化策略，还有很长的路要走。该策略能够以人为不干涉的方式完成整个投资过程。

尽管如此，对于机器学习来说，将在未来 10 年内继续对量化交易产生巨大的影响。特别是在投资过程的各个部分，如预测、建模或执行。

但是投资者还需要注意以下几个重要的陷阱：

1、当前的人工智能、机器学习即便采用了最先进的智能算法，但与人脑相比还显得非常稚嫩。它只能完成在某些狭隘定义下的任务。

2、机器学习所开发的交易策略在实际中通常也不能起作用。我看到有大量的研究文章承诺基于 AI 的交易算法是能稳定盈利的。但是这些模型在现实中并不适用，原因有很多。比如说错误的设置（使用了被泄漏的数据、或根据当前价格而不是未来价格来作为评估预测的变量）；选择偏差（如果你尝试很多算法，最终会找到一种似乎能产生一定利润的算法。但绝对不能确保此策略对进行测试的特定数据之外的数据会起作用）；交易费用和滑点（事实上，建立一个跑赢市场的交易策略通常很简单，如果你没有把进行交易的实际成本，交易费用和滑点考虑在内）；模式会随着时间而改变（机器学习中最重要的概念之一是在过去的数据中发现模式并使用它们对未来做出正确的预测。但是，这在交易中起不了作用。因为其他交易者正在竞相寻找相同的模式——因此模式被发现、利用，然后就会消失。这意味着模式很少会长期存在，你必须不断地寻找新的。这需要极大的适应性，这方面人类目前比机器更擅长做到。）

3、仅靠算法永远不会给你带来长久的优势。因为数据胜过算法。你提供给算法的数据对模型性能的影响远大于算法的好坏。

普通的投资者从量化交易、机器学习中获得的启示

-不要走捷径。没有策略是已经足够好了。如果你无法制定稳健的策略，请不要满足于当下你所认为的“最好的结果”。

-将你的行动和决定建立有效的实践统计之上。永远不要相信样本内测试，并始终支持良好的策略的泛化，注，泛化（generalization）是指一个机器学习算法对于没有见过的样本的识别能力。不要因为过度拟合而蒙蔽了你的判断力。

-确保始终相信自己，但同时永远不要完全相信自己。你需要时刻问自己，我在这个分析中是否存在偏见？我的行为是基于现实，还是我过度拟合并告诉自己这个策略是完美的？

今天的分享到此结束，希望大家有所收获。

英国券商EBC始终将优化客户交易体验放在首位，研发前沿的算法系统来优化报价的传输和订单的执行情况，通过客户交易偏好来搭建自动化流程。

EBC交易黑盒采用精准优化抛单算法，让85%以上的订单成交于更有的价格。并且采用机器学习、概率模型、神经网络模型和人工智能算法等进行综合研判，最终匹配更适合每位交易者属性的流动性，以此达成最优的成交价格。

转载请注明出处。