blog

对冲基金公司Man AHL消除了机器学习的噪音

<p>当前机器学习革命的大部分起源于计算机视觉等与金融无关的应用程序这是一个有趣的问题,最新的人工智能和深度学习技术可以在多大程度上融入金融财务数据建模受到低信号的困扰例如,用于教导计算机识别猫的图像的数据是明确的</p><p>金融世界是一个非平稳的环境,在股票,债券和其他工具之间具有可变的相关模式</p><p>至少,任务现在基本上是关于预测尚未发生的事情近30年来,英国对冲基金经理Man AHL一直在搜寻巨大的历史数据集,试图了解什么是可预测的,什么只是噪音今天该公司雇用了一个团队来自多种科学背景,并结合使用数据科学和机器学习技术大量的客户资金新闻周刊将于12月6日至7日在纽约举行的资本市场会议上主持AI和数据科学图片:新闻周刊媒体集团AH AHL的首席科学家Anthony Ledford强调多样性在所有事物中的重要性,并且知道永远不会有对任何一个预测模型的过分信任Ledford说:“在那种”宏大事实“正在发生变化的数据环境中,你不能仅仅拥有一个需要静态视图的模型,比如学习猫的特征”此外,很容易查看历史数据并对其进行分解并说这与此相关,并且回顾性地执行此操作但是如果您实际上必须根据您今天获得的数据制作快照并了解其中的可预测性关于接下来会发生什么,这是一个更难的问题“Ledford认为重要的是向人们传达这不是一个神奇的黑盒子,没有人能够理解里面发生的事情”我认为这是不可接受的思考这些事情的方法你必须能够理解算法的表现方式;他们实际学习和表达的是人们可以有一些感受的方式过去,在这方面没有做太多的工作,而现在许多学术工作专门研究这些机器学习系统的可解释性我认为这是一件非常好的事情,“他说,一些金融数据科学家也认为在过去几十年中构建的某些类型的金融模型的复杂性存在问题</p><p>事实上,量化金融可以大致分为两类:喜欢的人写下世界应该如何表现的方程,以及那些关注数据并试图检测行为模式的人前者可以提出优雅的公式来定价事物,但这些方程式背后的假设可能无法在现实世界中保持稳健“你可以最终得到比潜在概率分布的假设大得多的市场冲击,“莱德福德说,”这是因为有太多的信仰在你的模型中我们在Man AHL意识到这一点如果你问我在任何特定模型中有多少信心,或者能够预测金融工具的个别价格,那么我对它的信心很少它只是一枚硬币翻译“关键在于理解不确定性并以合理的方式建立投资组合你永远不会在非常集中的交易中押注房子;你必须通过交易数百种单独的工具来实现多元化,你必须长期交易它们“在我们交易的每一种工具中,对于我们所进行的每一笔交易,我们都寻求一个微小的优势</p><p>对我们有利的工作从投资的角度来看,你可以把它变成有意义的东西,就是将这些微小的统计边缘提炼成一些在投资组合层面作为投资产品有意义的东西,“他说A用于学习的工具箱从数据开始而不是假设是机器学习如何工作它可以被描述为用于从数据中学习的工具箱,其中您没有预先定义模型的形状软件必须通过以下方式尝试和理解因此,与标准模型相比,所涉及的智能或复杂性要高出一个数量级 贝叶斯方法增强了这种方法,该方法基于一个定理,当更多证据或信息变得可用时更新信念概率Man AHL使用称为贝叶斯非参数的机器学习分支:可以直接从数据中确定合适模型复杂性的方法Ledford说:“在贝叶斯区域,随着数据的进入,您对参数的数字信念会更新现在,有一个非常真实的问题,您是否需要在每个数据点都进入时更新这些信念,或者您是否可以更新它们以日历周期为基础的示例 - 每月一次或每年一次,或者我可以遵循完整的贝叶斯处方,并且随着每个新数据点的进入而更新所有这些内容,但评估更新的影响是否重要这个费率是否足以值得计算</p><p>“总而言之,Ledford说,理解你正在做的事情的不确定性可能比理解alpha生成方更重要</p><p>风险必须每天进行管理;你可以承担太少的风险,或者你冒太大的风险“有一个理想化的世界观,一切都是静止的,你的风险是正确的,然后你每天的回报稳定下来,这很诱人但实际上你往往会看到策略的结果突然出现;它们没有统一出现有些时期它有效并且有些时期它不起作用“你可以尝试构建在看到这些事情发生时关闭的系统并关闭当他们不这样做时很难做你发现更容易做的事情是建立能够在他们试图捕获的效果存在时表现良好的系统;当它不存在的时候,他们在风险和交易量方面非常精益“这真的是要理解我们试图捕捉到的这种影响的本质而且从我们的第一件事情开始就是正确的一直在传统的势头,

查看所有