机器学习与市场 | AlphaWeek

市场可能会因为不可预见的事件而发生显著变化。一个适应性强的数量化模型必须能够区分真正的市场动态变化和随机噪声，以避免过度反应并做出不良的投资决策。一种确保数量化策略适当调整的现代方法是使用机器学习（“ML”）进行持续的功能优化，并在决策方案中调整其权重。然而，常见的机器学习算法存在固有问题，这些问题可能导致意外损失和表现不佳。

• 基于机器学习的模型的有效性很大程度上受到用于训练它们的数据的质量和数量的影响。在处理金融数据时，可能会出现噪音、不完整或偏见等问题，这些问题可能导致不可靠的预测。此外，收集连续且高质量的数据可能既昂贵又困难。
• 需要注意的是，训练数据中的任何偏见也会影响模型的决策。这可能导致投资选择出现偏差或不准确。
• 复杂机器学习模型的一个问题是它们缺乏可解释性，尤其是使用深度学习算法的模型。理解模型如何得出其预测结果可能很困难，这引发了关于透明度和潜在偏见的关注。
• 过拟合是使用机器学习模型进行金融操作的另一个风险，即模型在训练数据上表现良好，但在现实世界中面对未见过的数据时却表现出困难。这降低了其泛化能力和做出可靠决策的能力。
• 金融市场是动态的，并且由于不可预见的事件可能会突然发生变化。因此，机器学习模型必须能够适应（称为概念漂移）以避免基于过时模式做出糟糕的投资决策。
• 金融市场有时可以非常高效，反映在资产价格中的可用信息大部分都已经体现。对于机器学习模型来说，发现未被发掘的效率不足和稳定的可利用模式是非常具有挑战性的。
• 训练和运行复杂的机器学习模型也会产生显著的计算成本，这使得一些投资公司难以有效利用这些模型。
• 最后，在金融领域使用机器学习模型时必须考虑伦理问题。存在被投资者操纵的风险，并且在决策过程中可能会固化算法偏见。

现代机器学习主要有三大流派：

符号人工智能，又称逻辑推理，认为可以通过编码知识和逻辑规则的计算机程序来实现智能。这些程序利用符号和逻辑来表示和解决问题。

连接主义，又称人工神经网络学派，认为可以通过模仿人类大脑复杂结构和功能来实现智能。受我们神经通路启发的这些程序被称为人工神经网络（ANN）。它们由相互连接的节点或人工神经元组成，共同处理信息并根据经验进行适应。就像活体的大脑一样，这些网络会随着时间不断进化和发展。

进化计算认为，可以通过模拟自然选择的原则来获得智能。进化算法通过这种方法创建了一个多样化的潜在解决方案群体，并通过选择、变异和交叉循环逐步优化它们。就像无数物种通过适应和适者生存而进化一样，这些候选解决方案不断发展和完善，直到最终达到其最优形式。

符号学派和连接主义学派都取得了令人印象深刻的成绩。例如，符号人工智能为我们带来了专家系统，如医学诊断软件（MYCIN）和金融分析师支持系统（XCON）。它还开创了国际象棋和跳棋程序（如深蓝和奇努克），这些程序能够超人类地玩这些游戏。早期的聊天机器人和语言理解系统也通过使用基于规则的方法的自然语言处理（NLP）成为可能。

另一方面，连接主义者为我们提供了现代图像识别能力、语音生成、机器翻译以及最近的大规模语言模型（LLM），我们在ChatGPT、Gemini和其他开创性的AI工具中使用了这些技术。

不幸的是，尽管取得了令人印象深刻的成就，基于符号和连接主义的机器学习系统在应用于定量投资系统时表现不佳。这两种方法对噪声数据极其敏感，在特征优化过程中可能会陷入僵局，出现幻觉、编造信息，并变得极为不透明，从而阻挠了任何试图理解它们为何作出特定投资决策的努力。

进化算法采用了一种独特的解决问题的方法，依赖于评估和改进一组多样化的候选解决方案。它们基于群体的动态特性使它们在传统方法可能遇到困难的情况下表现出色，例如那些具有难以捉摸的内在关系或复杂优化挑战的问题。

进化计算远远超出了单纯的问题解决范畴，其应用范围从任务调度到策略游戏不等。与其它方法不同，进化计算不受数据格式的限制，并且能够有效处理连续值和离散值。

进化、自然启发的算法的一个主要优势是在面对数据中的噪声和错误时的鲁棒性。通过利用基于种群的过程，这些算法避免了对任何单一解决方案的过度依赖。即使有些候选解受到错误信息的影响，其他候选解通常也能导致成功的结果。

进化系统的一个关键优势是它们能够产生一个可接受的解决方案，而不会陷入无休止的优化循环或僵局。这种独特的能力确保了在复杂和不可预测的环境中向可行解决方案的进步。

**********

亚历克斯·博格丹博士是科学总监兼任首席科学家于城堡 ridge 资产管理公司

阿德里安·德瓦卢瓦-富兰克林是公司的首席执行官城堡 ridge 资产管理公司

***

本文表达的观点仅代表作者意见，并不一定反映AlphaWeek或其出版商的观点。索特尼奥集团