1. 首页
  2. 机器学习

四个领域的机器学习正在颠覆华尔街

资金雄厚的金融机构正处于永不停歇的技术军备竞赛中,因此机器学习正在撼动整个行业也就不足为奇了。投资银行,对冲基金和类似实体正在采用最新的机器学习技术,以在竞争和市场上获得优势。尽管当今的现实是,机器学习主要用于后台(例如信用评分,风险管理和欺诈检测等任务),但这种情况将发生巨大变化。

机器学习正在迁移到行动所在:金融市场交易。公司曾经向其投资数百万美元的领先华尔街平台很快就因机器学习而过时了。了解颠覆性的华尔街将如何改变和 发展以及其重要性,是把握未来机遇的关键。

  1. 算法交易

算法交易现在主导着衍生品,股票和外汇交易市场。这些交易策略可能很复杂,但要点很简单:编写一套规则,以市场数据为输入,并应用基本模型(10天移动平均线)来生成自动交易工作流程。多年以来,这些策略已经从简单的时间序列动量和均值修订模型转移到了更奇特的名称策略,如狙击,切片器和拳击手。经过数十年的发展,算法交易已用更快的基于静态规则的策略取代了很多手动交易订单流程。曾经最先进的技术现在已成为固有的劣势。静态规则,无论多么复杂,都可能在相对稳定的市场中很好地起作用,但无法对迅速变化的市场条件做出反应。

机器学习算法的明显优势是它可以从经验中学习,而且不是一成不变的。这些算法利用海量数据集和模式识别功能,可以生成从经验中学习的模型,并且比老式的算法交易模型要强大几个数量级。在某些情况下,将通过使用可以自主行动的多代理系统来决定如何以及何时进行交易。在某些时候,这些静态算法将无法与更灵活的机器学习算法相提并论。

利用算法交易的公司需要重新技能,否则就有落伍的风险。在赢家通吃的市场中,仅采用稍微先进的技术(例如机器学习)的公司将不断赢得更大的市场份额。除了机器学习,企业还应该期望对数据工程师,数据科学家,MLOps专家以及能够处理这种复杂工作流的其他人员的需求增加。

  1. 高频交易

高频交易(HFT)是算法交易的浮华表亲。利用类似的基于规则的模型,甚至是预测分析,这些策略的运行速度要快得多。与更长的时间范围算法交易策略相比,以纳秒为单位完成数百笔股票交易。高频交易还依赖于大量的硬件和带宽基础架构投资,这通常需要在大型交易所旁边进行系统托管。考虑到它的复杂性,只有2%的金融交易公司采用高频交易,但在高峰时期,它在任何一天都占股票交易量的10%到43%。

深度学习和机器学习工作流程擅长的所有领域都是HFT的要素-强大的计算能力,高频流式大数据和超快速连接。

预先训练的模型可以防止机器学习和深度学习算法成为速度限制因素。结合深度强化学习等技术,HTF有望迎来另一项技术飞跃。但是,鉴于其复杂性的增加,它将仍然是相对少数但利润丰厚的公司的领域。

2010年5月6日美国东部标准时间2:45发生的Flash崩溃导致数万亿美元的市场资产被即时清除(准确地说是36分钟)。监管机构一直在努力跟上算法交易和高频交易的步伐,毫无疑问,要保持领先地位,监管机构将很难承受。HTF AI代理将需要更加复杂的风险监控和合规系统,进而需要使用机器学习进行监控。

  1. 风险评估平台

尽管金融机构在技术上投入了大量资金,但不起眼的Excel电子表格仍然是华尔街的第一大应用程序。负责确保交易者不会犯错误的风险部门也不例外。即使是设备更好的公司,也使用依赖于规则集和分析的软件,这些软件易于捕获已知风险,但缺乏识别不断变化的市场风险的能力。

强大的风险评估平台的本质是万能的。风险范围从个人交易到公司,行业,国家和全球风险概况。风险可以量化,但风险评估通常可能需要依赖替代数据。机器学习的适应性和灵活性使其成为当前风险评估软件的自然继承者。有监督的和无监督的机器学习技术都可以用于构建更复杂的风险策略。用于识别异常值的异常检测是一种可以轻松用于识别风险建模特有的稀有事件的技术。

Archegos Capital最近在3月破产,这使世界上一些最先进的银行损失了高达100亿美元,这突显了许多金融机构必须面对的不良系统和监督,他们不得不进行风险敞口交易。尽管吸取了教训,但尽管有较小的规模,但类似的风险失败依然存在,由于风险失败导致2007年金融危机而损失了数万亿美元。风险部门终于意识到了模式识别机器学习与手动和后向分析工具相比的固有优势。此外,由于您猜到了机器学习交易策略,因此增加了复杂性。

  1. OMS交易平台

零售贸易商已蜂拥至Robinhood,Fidelity和E * Trade等在线交易平台。机构专业人员使用来自B2Broker,Charles River,盈透证券等公司的更高级的系统,称为OMS(订单管理系统)。这些机构交易平台都执行相同的基本工作流程。金融市场数据被输入;应用了一组静态交易,风险和合规性规则;产生买卖订单;更新订单簿,并生成交易分析报告。

传统上,这些平台是封闭系统。许多提供有限的API,允许自定义各个方面,例如数据馈送,订单流和算法,但是大多数API仅在其特定平台的范围内起作用。先进的对冲基金交易员正在使用复杂的机器学习和深度学习技术,这些技术利用Tensorflow,Keras,PyTorch等平台以及类似的框架和库。诸如深度强化学习,NLU(自然语言理解)和迁移学习之类的深度学习技术需要这些平台。这些模型通常需要其他数据,这些数据的非结构化格式很难使其自身适合于许多当前交易平台所需的结构化时间序列格式。

在某些时候,这个方程式会翻转。交易平台非常擅长于订单工作流程和交易分析。但是,数据概要分析,数据转换和机器学习算法需要更加灵活,自适应和开放的功能。现有的主导市场参与者将需要采用更加开放的API方法,以完全访问订单工作流的每个阶段。在接下来的5年中的某个时候,这反过来将导致零售经纪人的采用,并将机器学习交易推向大众。也许我们甚至可以看到权的回归!

从领导者到落后者

在过去的几十年中,华尔街一直是推出复杂平台(例如算法交易和高频交易(HTF)以及其他创新交易策略)的明确领导者。但是,这些系统中的许多系统最多都依赖于基于静态规则的系统或预测性分析。早先完全接受机器学习和深度学习的其他公司已成为其行业的主导者。随着一些公司全力投入人工智能并成为下一代技术领导者,预计金融机构也会出现类似的震荡。

版权声明:本文内容由互联网用户贡献,该文观点仅代表作者本人。本站不拥有所有权,不承担相关法律责任。如发现有侵权/违规的内容, 联系QQ1841324605,本站将立刻清除。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

服务热线:130-0886-1890

QR code