大数据和另类数据、AI人工智能和云计算等新工具已成为金融业的主要发展趋势。早在2019英格兰银行和英国金融行为监管局做的一项调查就发现，三分之二的英国金融公司已经在使用机器学习（Machine Learning，ML），被调查的公司认为他们使用机器学习的领域数量在未来三年内将增加一倍以上。

       ML机器学习是AI人工智能的一部分，属于计算科学领域，专门分析和解释数据的模式及结构，以实现无需人工交互即可完成学习、推理和决策等行为的目的。对于量化基金经理来说，ML机器学习拓展了他们的工具包里可用的工具。

       和普通的量化分析不同，机器学习不是简单粗暴地给出一个假设，而是通过基于大数据的深度学习来推断出可预测目标和成因的相关性。随着人工智能及大数据在各行各业的运用愈发深入，基金经理们也开始将其应用于投资的各个不同领域。

自然语言处理 （NLP)

       NLP就是利用人工智能来处理和分析人类的语言。世界各地的公司每年都会以年度报告和财报电话会议的形式生成大量非数字数据，以及大量来自社交媒体帖子等非传统来源的数据，都可以利用机器学习技术来识别趋势，能够帮助投资经理更好地预测对特定地区和整个市场对公司的影响。

       NLP 可以对新闻报道、财报电话会议、管理层演讲进行分析，并根据文本或语音的语气来检测另类数据，例如情绪的变化等等。例如，美国某初创公司就使用 NLP 和 ML 技术来对大约 3000 家美国上市公司和 15 家中央银行（包括美联储）发布的语音信息进行分析，来预测上市公司走势和评估政策结果。

投资组合管理

       在投资决策过程中，投资组合经理会分析大量与资本市场和经济相关的数据，例如，GDP 增长率、通货膨胀率、各种资产类别的历史回报率等。

       随着近年来大数据的增长，投资组合经理正在将AI/ML 工具应用于分析传统和另类数据来源，以深入了解证券价格走势和波动性，从而为客户带来更高的回报。对证券价格变动的方面的预判，也有助于管理投资组合的风险和部署对冲策略。

算法交易/程序化交易

       为获得竞争优势，AI/ML在基于程序化的算法交易中的应用越来越多。机器学习可以加速和自动化搜索，让算法交易策略更加高效。此外，机器学习能够识别趋势发展时和适应趋势，而不是仅根据历史数据寻找模式，这样有助于在市场中寻找更多机会。

       比如，摩根大通的电子股票交易部门就推出了基于机器学习的算法交易，能够帮助客户从过去学习并执行大型复杂股票交易，而不会引起重大市场波动。

合规管理

       基于 AI/ML 解决方案在监管机构的合规管理中的应用越来越广泛。美国的金融业监管局利用基于 AI/ML 的解决方案来识别潜在的跨资产操纵案例。当交易者持有期权头寸，并试图移动标的股票以改变股票价格时，就会触发资产操纵警报。

向客户提供个性化财务建议

       摩根士丹利为公司的财务顾问开发了一套基于机器学习的工具，该工具可以通过深度学习客户的文本信息或邮件，从而有针对性的对客户提供定制化的财务意见，供财务顾问来选择使用，从而增加客户对服务的满意度。

       AI/ML即有优势也有它的局限性。一方面用于训练机器的数据都属于历史数据，另一方面产生数据的又是在不断变化的市场环境及机构，这就给ML基于变化的历史数据对现在和将来的预测的准确性和有效性带来了双重挑战。

       这就是为什么将ML应用于投资也经常失败的原因。另外，如果训练用的样板数据不足，或者数据本身的失效，都会让ML给出谬误的结果。比如，基于几十年前早已落后的学术文章或早已不再更新的网页产生的数据，只会发现一些脱离现实的无效模式。

       对于ML来说，区分用于研究的有用信息和无效信息并不是件容易的事，机器学习的模块化的容错度增加了获取谬误信息的可能性，而复杂的算法又降低了可预测的能力。

       总之，人工智能和机器学习显著扩展了成熟量化投资者的分析工具包，为量化投资者提供更多附加价值。机器学习在整个投资过程中都有应用，包括非线性预测、揭示复杂数据的结构以及从定性信息中推导出定量指标等等，都凸显了机器学习的优势。

       当然，将机器学习应用于投资也更具挑战性。因此，开发者在金融领域的知识和严谨而明确的研究过程，对于持续成功至关重要。了解这些因素，将有助于量化投资者将真正的增值与无效的数据区分开来。

来源：招商银行APP