国内目前的量化交易是否很少涉及到机器学习？

桂能 · 2018-10-13 14:22:45

1.感觉好多做交易的人，完全不懂机器学习，主要是没有机器学习的理论基础，好多人都认为机器学习就是一堆算法，然后把这堆算法当做一个黑盒子去做预测，如果失败了，他们就会说机器学习没用。
2.其实相对于机器学习，传统的金融工程定价理论才更不可靠.
（1）首先对于经典的资产定价模型来说，最重要的风险项，它就解释不清楚，到底什么是风险，金融工程其实一直围绕着这个话题，如果波动是风险，那我们怎么度量它，你用价格序列的标准差来度量波动，但是你只能得到历史数据呀，你怎么知道某个资产的波动在未来不会变，你不知道，你只是assume这个而已，假设你的波动率是个随机变量，那ok，你的分布形式是什么，参数是什么，你怎么知道这个分布形式是不是选取的合理，这个参数不会变，你还是不知道，你只是assume这个分布的某些性质是平稳的。对应到机器学习里面，我们是在优化empirical loss，但是empirical loss能不能代表真实的loss，你不知道的，但是机器学习中有很多的理论，用来试图让empirical loss尽量代表真实loss。
（2）还有因子模型，当年搞这个research的fama french也很奇怪，他们一上来就直接suppose因子跟价格之间有一个线性关系，然后弄一个线性回归觉得效果还不错就搞起来了，也难怪有人喷他们是数据挖掘，如果这二位懂机器学习的话，他们起码会考虑一下，这个因子的结构，反正我觉得小市值这个因子跟价格存在线性关系我是接受不了。
（3）好多金工的论文用随机过程来建模，这本质上还是一种model，这里会有一个真实概率空间的问题，其实你并不知道真实的分布是什么样子的，好多搞金工的人整天说厚尾，但是厚尾的那一部分怎么度量，而且这个厚尾只是统计特性，你也是一直在assume这个特性不会变，但是你其实不知道它会不会变。对于机器学习来说，我们是可以model这个过程的，比如典型的logistic回归，它是有概率解释的，它assume自变量跟因变量之间的线性关系，它还assume残差服从某个分布，而对于这个分布的参数，我们还可以继续assume他们服从某种分布，这个就是概率图模型呀，也是机器学习里面的重要的一块，有了概率图，我不但可以定量地说你的价格序列存在厚尾，还可以定量地model这个厚尾。
3.你一个策略，说到底就是一组signal，无论这个signal简单也好，复杂也好，如果你把每个signal作为一个feature，然后把你策略的买卖作为label学习，这是个典型的boolean function的学习呀，如果给了足够的sample，机器学习可以guarantee学到你这个策略，从这个意义上讲，机器学习在模型上的表达能力不会比交易模型弱。既然算法没有问题，剩下的就是feature engineering了。
4.机器学习是一门关于预测的学问，active portfolio management里面，不知道说了多少次，主动投资就是预测，只是预测什么这个事情属于量化的范畴，如果你能比较准确地预测波动率，那么就可以围绕波动率做策略，如果你能比较准确地预测事件对于价格的影响，那么就能做事件套利，如果你能比较准确地预测方向，那么就可以围绕方向直接交易。策略的设计是量化的事情，而预测则是机器学习的擅场。
5.当然，我没有说量化简单，我只是说，从理论上来讲，机器学习的能力可以做到今天金融工程能做的所有的事情，只多不少，因为金融工程往往对分布有有个先验的假定，而对于机器学习来说，它一直试图挑战的就是，给一个有限的样本，去学习某种能力，而且这个样本是给定的，所以你是不能设计采样策略的，在这样的苛刻的条件下，还要能在某种程度上具有最好的generalize能力。