压接机厂家
免费服务热线

Free service

hotline

010-00000000
压接机厂家
热门搜索:
技术资讯
当前位置:首页 > 技术资讯

债券交易离人工智能化有多远

发布时间:2020-03-26 18:09:19 阅读: 来源:压接机厂家

转自微信公众号 胡说银河间(ID:hushuoyinhejian)

作者 胡光耀

中国银行上海资金交易中心交易员

周末了,让我们暂时放下对市场的思考,放眼一下未来。

在本篇分享中笔者会试着挑战一系列比较困难的任务:

如何避免使用专业词汇让各位投资专家大致明白人工智能是什么?

如何用最简单的例子让“自信”的传统投资人感受到人工智能的威胁?

以及如何说服大家关注人工智能这一发展方向?

手把手教你做“人工智能”模型

假设你是一个“势利眼”的班长,你观察到在老师的眼中有一群“好学生”和一群“坏学生”,为了讨好老师,你要对同学区别对待。而恰好每个学生有两个显性属性:学习成绩和道德品质(宿管大妈根据是否叠被子、寝室卫生情况等)分,分数范围在0-100,你心里清楚的几个“典型”好学生和坏学生的分数分布如下:

你观察了一下,随手画了一条分割线,恰好将两类同学完全分割,位于线上方的同学就是“好学生”,而线下方的自然就是“坏学生”。对于其他同学,只要将他的数据和这条线一比较就知道他在老师心目中的地位大概是怎么样的了。在这一案例中,图中的这一条解析式为Y=-1.5X+90的分割线就是你的“人工智能”准则,当然能够做到区分的准则并不只有这一条,有无数多的分割线都满足这一标准。

看到这儿一定有人会质疑,嘿,这哪是人工智能啊,这不就是二维平面的一次函数么!就这东西能解决投资问题?还真能!

如果抽象来看,投资决策无非就是在某种经济环境、市场条件下买或者卖一个特定的资产或者产品。把“学习成绩”换成收益率的历史分位数,把“道德品质”换成您所关注的某一经济指标,如CPI等,数据点落在“好学生”区间就买,落在“坏学生”区间就卖,这不就是一个最简单的债券投资标准么?

当然,样例并不是真的人工智能,它只是实现了人工智能的一个基本功能——数据分离。所以更准确的讲它只是一个分离器,而且是线性分离器。即使对于二维的数据,线性分离器也有很多很多的不足,如它无法处理下图中的分类问题,因为你是找不到任何一条直线将这幅图中的好学生和坏学生进行分离的。且实际生活中的输入数据维度是远超过二维的,就像我们做债券投资不可能仅仅盯着CPI一样,对于复杂数据下的处理问题计算科学早已经为我们提供了解决问题的手段:人工神经网络。

人工神经网络

援引百度上关于人工神经网络的说明:

人工神经网络(Artificial Neural Networks,简写为ANNs):也简称为神经网络(NNs)或称作连接模型(ConnectionModel),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。

这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。说中文就是:将数据细分到简单分离器能够处理的复杂程度,并将每个简单分离器的处理结果汇总进一步加工处理直到得到最终结论。

先让大家骄傲一下,人工神经网络是对动物神经网络的低级模拟,可能现在最复杂的基于人工神经网络的人工智能也比一只小老鼠的大脑简单无数倍,与我们这些蕉易猿的脑子更是不可同日而语,而一个神经网络的能力与其复杂程度是成正相关关系。可别高兴的太早,这并不意味着人工智能的在投资方面的能力就比你弱。

下面的两点就是人类思维在投资方面比照人工智能的显著劣势。

1. 专门性劣势

人类目前约有450万年的历史,而交易员的历史满打满算从1602年阿姆斯特丹股票交易所成立开始也就只有400多年的时间。在450万年的历史长河里,人类面临的主要问题是生存和繁衍,用通俗的说法就是食物和性。所以人类的大脑是为了更好地解决上述问题而进化的。

在本能面前,专业素养、理性思考都得通通靠后。一个最简单的例子:有一次我在北京回来的高铁上,旁座同行的是某机构“几亿弹指一挥间”的一投资经理,正在通过手机远程遥控交易员在市场上挥斥方遒。

就在这个时候,小胡我打开了一盒“XX麻辣鸭脖”(常去北京南站的朋友们肯定知道,这里隐去以免说我做广告)。鸭脖的香气一传出,刚才还在“这个价格tkn all”的哥们马上就看着我说“先给我一块尝尝”。不要说食物香气这样极端的例子,相信大家都有体会,在思考严肃问题的时候,可能电脑屏幕下方弹出的一个广告就能将辛苦累积的思路完全打断。而人工神经网络为专门功能而生,完全不会出现“走神儿”的问题。

2. 思维的不可验证性

被很多赫赫有名的投资家奉为圣旨的一个理论是“最好的投资逻辑必须简单易懂”,最好是和路边的一个老头都能说得清楚。实际上这句话是很无奈的,股票投资家的投资思路并不仅仅是通过认真阅读财报得来的,电视上的一个广告、超市里终端消费者的几句话、甚至公共交通上的闲谈都可能成为投资的诱因。而这些是“潜意识”中的元素,用神经网络来说明就是“隐含层”中的数据。

投资家不可能将脑内具体的思维过程完全展示给他人来佐证自己的投资思路,所以一个“good story”是必须的。而人工神经网络每一层的数据都可以被独立提取出来,究竟是哪一个数据,或者是数据之间的互动触发了人工神经网络的决策都可以被回溯。

下图是经Google的图片分类人工智能Deep Dream处理过的一张图片,乍一看特别的梦魇,好好的一副《星空》被奇怪的鸟头、动物和汽车填满。但这幅图实际上是人类图像识别活动的一个“过度处理”版本:我们小时候看白云,不也是像Deep Dream一样去寻找白云图案中的Pattern,这个像凤凰、那个像烟囱。

而长大看过足够多的云彩之后,我们不再去做那样的想象,其实不是想象力退化,而是我们的神经网络经过大量训练之后,变得更加成熟了。这副奇怪的图片可以被认为是Deep Dream这一人工智能程序在准确识别《星空》这一作品过程中隐含层的输出。人工智能投研体系的隐含层输出可能就没有Deep Dream这么直观了,但投资家依然可以通过这些数据把握人工智能的“思路”。

当然人类思维相比于人工智能的劣势远不止于斯,如处理速度上的劣势,并行计算上的劣势等等。但可能有些读者还保有着最终的侥幸:人工智能需要大量数据样本训练才能发挥其应有的作用,数据样本的加工总需要人的参与吧?总得有人判断并告诉人工智能哪些条件下是做多的时机哪些条件下是做空的时机吧?我就做这个“专家系统”背后的专家就好了。Job saved!

的确,有的人工智能的学习是“督导式”的,需要有一个专家告诉程序什么是对的,什么是错的。但下面这个神经网络算法实例(SOM算法)应该会让专家们感到恐惧吧:

这一实例的输入数据是上面这张表格,简单来说就是16种动物和他们的一些基本属性(具有该属性,值为1,不具备值为0)。研究人员并没有指定人工神经网络去完成特定的任务,也没有样例输出作为督导,只是让程序将16种动物映射到一个10*10的平面上,输出结果如下:

令人惊奇的是,在人工神经网络完全不了解任何生物学分类基本常识的前提下,在这幅图中它成功地将属性相近的动物映射到了相近的区域。尽管它不知道自己在做什么,但是对于研究员来说,该算法已经实现了根据动物的表征对动物进行分类的功能。

金融问题可要比给动物分类复杂得多,该算法能解决怎样的具体问题呢?恰好,它能够帮助讨论一个大家都关心的问题:

美联储下一次投票加息的概率有多大?

我们都知道每年FOMC都会有10位票委,在如今两难的经济情况下很难见到纯鸽派或者纯鹰派的票委了,其投票结果很大程度取决于其内心“鸽性”和“鹰性”的配比如何。将委员们过往的发言、每次FOMC上给出的未来利率预测、生平发表论文中的观点、政治主张(驴或象)等进行标准化处理,甚至可以包括居住的社区、子女的大学教育情况、宗教信仰等更加生活化的指标,通过该算法进行映射,观察委员与3月会议上“暴露”的鹰派代表Esther George;9月新加入的鹰派代表Loretta Mester和Eric Rosengre之间的距离,就能对其他9月会议上未投反对票的票委的基本观点有一个直观认识。再运用数量方法即可对年终投票的结果进行数值预测。

乐天派们可能又要说:看上去搞得这么复杂不就是区分了美联储票委的投票倾向嘛,这只是投研的一小部分,怎么会威胁到对经验要求极高的投资产业呢?实际上,无督导学习的可怕之处就在于不需要市场专家事先告诉程序什么是好机会什么是坏机会,它会自己将市场机会分类:如果把例子中的动物换成时点性的股票金融数据(纯粹数据,无须人工加工分类),什么都不用说,靠近07年10月、15年6月时点就是逃顶的时机。金融专家的意义在无督导学习的神经网络面前又进一步贬值了。

我们处在怎样的历史阶段

在谷歌Alpha Go战胜李世石之后的几天里,固收交易员都把即将失业挂在了嘴边。可我们都是得过且过的,没过多久,仿佛一切又是老样子,开始盘算牛市中我们的“risk free”职业生涯还有多少BP,殊不知其实自己真的有可能是最后一代固收交易员了。

我们总觉得月亮总是他乡圆,在境外,股票和场内衍生品的程序化、人工智能化交易已经相当成熟,固收等场外产品的自动化交易虽然稍微落后,但投研体系却也是相对完善。其实悄然间,我们的市场已经完成了人工智能投研、交易的前期准备工作。

对于人工智能投研体系,以下几个要素不可或缺:

成熟且体系化的投研体系:

即使有无督导学习这样的“神器”,经过市场检验的投研体系也会对人工智能的开发起到极大的加速作用。在以微信主导的“分享经济”中,大家可以看到很多卖方研究大佬都在共享着自己的研究体系,而这此之前,研究体系这种东西都是被研究员们抱在被窝里作为“武林绝学”守护着的。这是我们市场参与者的幸事,更是人工智能开发者们的幸事。

易于捕捉的经济信息:

在过去,想要实时的、高质量的财经News feed,您就乖乖地去买彭博或者路透吧。而现在高质量中文财经门户已经在免费地为大家提供实时经济数据、突发经济新闻。应用简单的网络爬虫程序和自然语义分析算法就可以将这经济信息囊括在人工智能投研体系旗下。

同时,还是要感谢微信,专家系统的成本也几乎降到了0。重大新闻发生之后,在很短的时间内,各个市场的专家就会出来对新闻在其所在市场的影响进行分析,并进行相应的预测,这都是人工智能很好的学习范本。

高质量的市场数据:

目前,几乎每一家机构都在使用Quoteboard,这个数据整合服务平台把过去broker们零散的报价、成交数据变得更加易读也容易抓取。同时,交易中心的X-Bond平台羽翼也在逐步的丰满,场外交易场内化的趋势愈发明显。X-Bond不仅仅是数据的来源,更是程序化交易的接口。

机构为何要关注人工智能

人工智能对于银行间市场来说,仿佛是一个比较遥远且“重要但不紧急”的发展方向。“我所在的机构没有在开发人工智能工具,我的伙伴机构们好像也都没在开发;大家都在讨论Fintech,好像大家也都停留在讨论阶段。”是对现有状态一个最好的描述。下面笔者就给出两点让机构不能够拒绝的理由供大家参考:

1. 人工智能让机构脱离人的束缚

让一些中小型机构最为头痛的问题就是“人走茶凉”,离开了特定的明星员工,业务就玩不转了。而人工智能投资工具是机构的知识产权,任何交易员、投资经理都只能对其作出“贡献”,即把自己的经验模块化,加入到现有的体系之中。所以人工智能投资工具是越来越强大的,它是超乎员工个体的存在。

2. 人工智能的学习曲线

人工智能分为强人工智能和弱人工智能,强人工智能是一种具备自我意识和自我更新能力的人工智能,其学习速度是指数级的;而弱人工智能是处理某种特定问题,不具备自我进化能力的人工智能,其学习曲线相对较为平坦,时间积累相当重要。

人工智能投资工具是一种弱人工智能,需要很多专业人员的调试,以及极其多的技术积累。但其优势在于一旦调试成功,弱人工智能在效率上是传统工具无法比拟的。所以机构之间拼的其实是谁先到达应用临界点,拼的是谁是市场领头羊。

另外,人工智能的开发需要耐心,急功近利往往会走入误区。比如减少训练样本的数量,让人工智能“快速”适应当下的市场环境就会带来“Curve fitting”的谬误,在市场发生宏观变化时带来巨大的损失。

所以,人工智能工具的开发并不是“重要但不紧急”而是“重要且紧急”。

个体如何与人工智能抢饭碗

其实,在业余时间学习神经网络算法的过程中,让我对个人能力的提高也有了新的见解。比如无督导式的学习告诉我们,一个足够优秀的神经网络,给予多维度的信息,在不告诉其目标的情况下也能够得出出人意料的好成果。

而我们人脑恰恰是最棒的神经网络,是人工智能工具这种弱人工智能无法比拟的复杂系统。所以不要在意自己的专业是什么,对各方面的书籍、信息广泛要广泛地进行阅读,说不定什么时候这些信息在你的脑中就会碰撞出了不得的火花。人的思想可不是工具生成的投资建议可以替代的。

另外,打不过我还不会投降吗?既然知道了人工智能工具是未来交易投资的方向,就尽早地去了解它。我不会编程,我去了解它的运作方式还不成么?这里笔者推荐有能力的读者可以从Matlab这样自带神经网络工具箱的软件开始尝试,若有进一步开发的念头再转型到Python这种具有强大共享线上库资源的开源语言上来。

最后这里特别鸣谢兴业银行的叶予璋老师,是他帮助我打消了一个人单打独斗开发人工智能投研工具的不切实际想法,强调了机构的重要性,并且还将自己对于Fintech的一些体会与我分享,最终促成了这批文章的成型。

其实写这篇分享还有一个目的就是抛砖引玉,寻求志同道合的伙伴。如果您也是对人工智能在投资领域方面应用抱有兴趣,随时欢迎您与我交流。同时希望更多前辈们把自己的经验与大家分享,小胡在这里谢谢您了!

版权保护声明:财经选发有优质传播价值的内容,我们极其尊重优质原创内容的版权,如所选内容未能联系到原文作者本人,请作者和bigson(微信)联系。

免责声明:本文来自客户端自媒体,不代

与尖锐湿疣接触后怎么办

白癜风患者的饮食策略

头部银屑病患者要怎么洗头