分类
的交易平台

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。

机器学习能让投资者更聪明吗?

许多基金,无论规模大小,都在试水该领域。某项调查显示,58%的基金经理认为,机器学习将对行业产生从中度到较大程度的影响。对冲基金巨头Bridgewater Associates、Man Group Plc 、Highbridge Capital Management和日本的Simplex Asset Management等公司正在对机器学习进行研发或投资。Renaissance Technologies和Two Sigma对该技术的应用已有较长时间。摩根大通旗下的资产管理子公司正计划投资于新兴及成熟的机器学习统计套利对冲基金,这有可能成为人工智能资金的潜在来源。这也显示出,该策略慢慢成为主流。

找到模式并不难,难在找到能够可靠应用于现实世界的模式。金融数据噪点很多,市场并非静止不变,强大的工具需要有深度的理解和才能,但这些都很难得到。据某位量化分析师估计,实操测试中的失败率在90%左右。Man Group旗下的量化投资子公司Man AHL用了3年时间才在机器学习策略上建立起足够信心,并将客户的钱投入其中。之后该公司又将这一策略的应用扩大至其主要资金池中的4个。

有!一是如何说服投资者对“黑匣子”进行投资。尽管程序员知道机器学习程序所分析的数据是什么,但结论是如何达成的仍是一个谜。另外,如果人们不清楚电脑是如何做决策的,那么当事情出错时,谁能够负责?首例已知的人类因自动机器所致投资损失而诉诸法庭的案件已在伦敦法院提起,对决法庭的双方是李建勤和Raffaele Costa,前者是房地产投资信托基金Shaftesbury Plc主要投资人之子,Shaftesbury Plc在伦敦唐人街、科文特花园和卡纳比街拥有大量物业资产;后者的大部分职业生涯都在向Man Group Plc和GLG Partners Inc.这样的公司销售投资基金。此案定于明年4月份开庭审理。

许多算法在所谓“回测”中被淘汰,因为它们根据历史数据做出的预测无法在新数据集中复制生效。另外一种情况是,如果企业不能完全理解其算法捕获的效果,那么可能也无法知道何时停止算法。有些算法与市场情况相抵触。Lucena Research公司的Tucker Balch得出一种算法,回测显示此算法可以实现颇为突出的经风险调整的回报。但他的公式重点关注交易量低的股票,而实际市场中的买入行为将导致股票价格上涨。Balch说:“忽视市场影响,后果只能自负。”此外还有一些不可预见的事情。迄今为止所构建的算法交易策略,很少能自如应对英国脱欧公投或恐怖袭击之类的事件。

目前为止不是很乐观,机器学习尚未带来惊人的回报。包含机器学习策略的基金Man AHL Dimension在截至今年3月份的3年里,年回报率仅为1.1%,而同期对冲基金的回报率近5%。根据最新的可得数据,“Eurekahedge人工智能对冲基金指数”追踪使用人工智能的资金池,将此作为其核心策略的一部分,该指数在截至今年5月份的5年里,年收益率为7.1%。相比之下,计入股息再投资的标普500指数的年回报率为9.65%。

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 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:

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 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。

機器學習在演算法交易中的應用

许浩 原创 11792 2017-11-20

什么是深度学习?

同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。例如,卷积神经网络(Convolutional neural networks,简称CNNs)就是一种监督学习下的机器学习模型,而深度置信网(Deep Belief Nets,简称DBNs)就是一种无监督学习下的机器学习模型。

機器學習在演算法交易中的應用 深度学习与金融交易的结合


深度学习可以在多种频率的交易下使用,从低频的选股模型一直到高频的算法交易模型。无论在投资决策层面还是交易执行层面,深度学习都已经有成功的业界案例。例如,09年成立的对冲基金Cerebellum旗下管理着资产为900亿美元,一直使用AI进行辅助交易预测,并且自2009年以来每年均是盈利。全球最大对冲基金之一的英仕曼投资(Man Group)早在5年前就尝试应用人工智能(AI),初时只能用于执行被动投资,发展至今,由AI管理的资产已能稳定地获利。高盛和摩根大通等华尔街投行也都相继投入相关的人工智能(AI)选股模型,他们认为机器透过“深度学习”后可望能更准确地预测结果,进而减少一些不必要的交易风险。 深度学习在金融交易中的应用我们总结为以下三个方面: