鹤壁哪里做网站,哈尔滨城市宣传片,太原网络公司网站,外贸 国外推广网站来源 #xff1a;efinancialcareers.com作者 #xff1a;Sarah Butcher编译#xff1a;机器之能 张玺摘要#xff1a;如果你对银行与金融领域的 AI 应用有兴趣的话#xff0c;你肯定了解 JPM#xff08;摩根大通#xff09;最近十年对大数据和人工智能的出色运用#x… 来源 efinancialcareers.com作者 Sarah Butcher编译机器之能 张玺摘要如果你对银行与金融领域的 AI 应用有兴趣的话你肯定了解 JPM摩根大通最近十年对大数据和人工智能的出色运用也会对他们最新发布的一份报告感兴趣。在这份报告中他们探讨了如何将「数据驱动下的机器学习」应用于算法交易。JPM(摩根大通) 一直是银行金融行业中积极应用大数据和人工智能技术的典范和先行者。今年五月他们在 NIPS 上提交了一份题目为 Idiosyncrasies and challenges of data driven learning in electronic trading 的报告其实是一篇小论文。不过直至最近内容才得以对外公布。这篇并不长的文章中他们探讨了算法交易中机器学习等技术的应用情况也分享了摩根大通的最新经验。去年那份巨长的报告出自 Marko Kolanovic 之手素有「半人半神」之称的 Marko Kolanovic 是 JPM 宏观量化研究团队负责人。另外一位合作者是去年四月刚从美林银行离职的量化策略师 Rajesh Krishnamachari。不过这篇报告并没那么长共由五位 JPM 员工共同完成。他们分别是 Vacslav GlukhovEMEA 电子交易量化研究中心负责人、Vangelis Bacoyannis电子交易定量研究中心副总裁、Tom Jin量化分析师、Jonathan Kochems量化研究员及 Doo Re Song量化研究员。2018 年 5 月我们就在神经信息处理系统大会NIPS conference上提交过这份报告不过直到最近才得以公开。想知道如何将「数据驱动的机器学习」用于算法交易的朋友们请注意了报告概要如下如今算法控制关键交易决策客户设置部分参数算法在金融业务中控制「微观层」的交易如股票和电子期货合约「算法决定交易的波段、价格及数量。」然而算法并不会完全按照人们的预期工作。JPM 提醒客户「算法通常只是把具体约束及偏好下的交易指令告诉经纪人。」例如客户可能想在投资组合时保持货币中立以实现买卖数量大体相等。客户也可能会指定某组交易证券的主题、国家或行业。客户下单交易时他们也许想控制交易执行对市场价格影响的方式操控市场影响、或控制市场波动影响交易的方式控制风险、或指定一个能够平衡市场影响与风险的紧急程度。交易委托账本包含的数据十分复杂编写电子交易算法是一件让人抓狂且十分复杂的任务。举个例子。JPM 分析师指出一局国际象棋每人大约要走 40 步一局围棋大约走 200 步。然而即便是中等交易频率的电子交易算法每秒都需要重新考虑交易选择每小时大约要完成 3600 次交易选择。问题远不止于此。当绘制国际象棋与围棋数据时如何在所有可选项中选择走哪一步、下一步又该如何应对这都是需要解决的问题。然而一次电子交易行为包括了许多步骤。JPM 分析师认为「这就是一个子订单child order集合。」什么是子订单child orderJPM 解释道系指可能会「提交被动买入订单和主动买入订单」的单次single交易。被动子订单是交易委托账本中指定价位水平的交易因此能为其它市场参与者提供流动性。提供流动性可能最终通过抓住局部上涨趋势在交易时获得回报更好的交易价格或者更好的交易对象。另一方面主动子订单会被用来基于预期的价格变动捕捉交易良机。上述两种情况都会产生单次single交易行为。最终交易行为范围被无限扩大根据瞬时交易特征的组合数量呈指数增长。诚然如是。人工编写的交易算法容易变得庞大而笨拙人工编写电子交易算法时情况会迅速变得复杂。过去JPM 分析师认为电子交易算法融合了许多科学的量化模型量化模型是「从定量角度描述世界的运行机制」算法包含着「代表交易员和算法使用者的实践经验、观察结论和风险偏好的规则和启发式方法。」想把算法的方方面面都说清楚是十分困难的。「多数人编写的算法代码冗长至极且难于维护及修改。」JPM 认为每当客户目标及市场条件变化时人工算法都深感「功能拓展」之难。随着时间的推移算法将学会「积累多层逻辑、参数及微调以处理特殊情况。」监管让人工编写的算法再次变得更加复杂此外交易算法还必须应对诸如 MiFID II新版欧盟金融工具市场指导的监管及「最优执行」的理念。因此算法编写必须考虑「变化发展的市场条件与结构、监管约束及客户的多重目标与不同偏好。」如果算法编写实现自动化且满足各类约束一切都将变得简单。编写交易算法时使用数据的三种文化手段cultural approaches)机器学习文化尝试运用更多复杂且有时晦涩的函数表达观测结果不要求函数能揭示潜在流程的本质。算法决策文化更关注于决策而非建模。算法决策文化尝试训练电子代理譬如算法以区分决策好坏而不是试图映射出世界运行机制。如此一来理解算法为何做出决策及如何利用规则、价值及约束确保决策可被接受就成为新的问题。算法必须实现最优执行率与最优执行计划之间的平衡算法一旦写完首先需要解决平衡问题快速交易其风险是影响市场价格慢速交易其风险是成交价格变化或将引起交易损失升了买家赚钱跌了卖家赚钱。是什么构成了成功交易并非总是清晰可见算法交易成功与否很难界定因为这与如何权衡快速交易效率与固定价格交易最优有关──而这又取决于客户如何设定他的优先等级。例如算法的目标可能是与市场其他部分融合blend with the rest of the market。这意味着需要平衡极速交易与价格变动引起的市场影响、或是通过慢速交易确保价格与交易反向。算法编写人员需要寻找一种表达信息和行为的方式该方式能与模型与机器学习方法相匹配。尽管「市场庞大、多变规模和订单状态经常变化父订单与子订单数还不够作为模型输入。」市场状态都需要能被总结和概括出来。不过这也无助于抓住瞬即逝的绝佳机会。而且JPM 认为算法交易执行或取消后就无法判断交易的好坏但这一点并非总是那么显而易见。「局部最优并不需要转变成全局最优。现在失败的交易也许以后某天又会赚的盆满钵满。」即便可能出现问题JPM 已经开始使用强化学习算法处理交易JPM 正急于掌握运用动态规划及奖惩机制的各种强化学习算法。JPM 交易员说「我们目前使用第二代基于强化算法的限价委托引擎于有界行为空间内训练算法选择具备差异化奖励、步长及时程特征的短期目标。」然而训练算法十分复杂──如果你尝试通过在多重处理设备上同时执行算法以实现算法的平行训练会得到错误结果。原因是算法与环境之间的闭环反馈。但如果你不这么做而尝试基于梯度的算法训练最终会得到大量无关经验无法记住好的交易行为。JPM 尝试应用超参数优化技术避免此问题。这代表每次训练都有多个抽样事件并会尽早停止无意义的优化路径。银行应用超参数优化技术通过运行平行训练项目训练算法。JPM 表示研究的主要目标已转变为「策略学习算法」通过在固定参数条件下匹配特定商业目标以最大化累积报酬。分层强化学习可用于要求必须「生成可预测、可控制及可解释行为」的交易算法。在分层方法中根据抽样频率和粒度水平将算法决策划分为不同组别使得算法能够模块化其求解效果也容易甄别。JPM 已开发具备「某种特征」的强化学习算法以应对长尾效应在多数强化学习情况中JPM 强调算法学习行为通常会产生更好的结果。然而在金融业过度关注平均结果是错误的──想想长尾效应。基于此原因银行的量化专家始终基于多维度与不确定结果评价构建算法。为实现该目标银行会基于期望效用的未来分布对比结果对不确定结果长尾排序──即 CERL确定等值强化学习。通过 CERLJPM 注意到算法能够有效获得基于风险偏好的特性。「如果客户是风险厌恶结果的不确定增加会降低行为的确定等值奖励。」算法很自然的需要折扣因素 γ──代表结果分布分布范围与风险正相关。算法将更加关注远期目标。还有许多非常有用的开源强化学习框架如果你也想构建自己的交易算法JPM 研究人员推荐了许多学习网站。他们给出了许多有益的早期开源强化学习框架包括 OpenAI baselines、 dopamine、deepmind/trfl 及 Ray RLlib。原文链接https://news.efinancialcareers.com/nl-en/329751/jpmorgans-new-guide-to-machine-learning-in-algorithmic-trading未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
