「機器學習」可以幫你賺錢？

布斯導讀

作為人工智慧的一種，機器學習演算法可以幫助基金經理更好地管理市場、建立投資組合和管控風險。

一晃眼，IBM深藍（「Deep Blue」，由IBM開發，專門用以分析國際象棋的超級電腦）擊敗國際象棋冠軍Garry Kasparov一事已經過去20年了，電腦正在變得更加智能。現在的機器可以理解文本、識別聲音、辨別圖像，還在比國際象棋更複雜的棋盤遊戲Go中擊敗了人類，要知道，Go或許可以說是目前最複雜的棋盤遊戲。

研究表明，如今的計算機還能以前所未有的準確度預測資產回報。

耶魯大學的Bryan T. Kelly、芝加哥大學布斯商學院的Dacheng Xiu副教授和博士候選人Shihao Gu就採用人工智慧之一的機器學習研究了在1957年至2016年間交易的30,000隻股票。他們通過多種機器學習技術檢查了數百種可能的預測信號，結果發現，在這項具有挑戰性的任務中，機器學習的表現優於傳統的常規分析方式。

注

機器學習，是以統計學技術為計算機提供模仿、甚至超越人類學習的能力。其原理是，計算機將有能力基於大量過往問題的解決方案，進行演算從而最終解決那些在其編程中未有明確引導設定的問題。

「在最廣泛的層面上，我們發現機器學習對資產價格行為的描述優於傳統方法」,研究人員寫道，這表明機器學習可以成為有效投資組合管理的引擎，能夠比人類更好地預測資產價格的變動。

研究人員創建了一個基於機器學習的預測模型，用於預測資產的風險溢價，或投資者承擔資本損失風險所獲得的補償。該模型的計算方法，是將指定資產的回報除以諸如短期美國國債等無風險投資的回報，取其商，作為衡量值。

他們指：「衡量一項資產的風險溢價從根本上來說是一個預測問題。機器學習的方法主要專精於預測類任務，因此非常適合用於解決風險溢價測量的問題。」

研究人員發現，決策樹和神經網路演算法是預測資產價格最有效的機器學習模式。使用決策樹可以讓計算機學習以具有多次迭代的擴展流程圖的方式進行思考。神經網路演算法則是一種模擬生物神經網路的學習演算法，這種技術在非線性和交互模式的建模中特別有用，研究人員稱這種模式的使用在個人股票收益的世界中比比皆是。

在研究人員調查的近100個特徵中，最成功的預測領域是價格趨勢、流動資產和市場波動性。

研究人員強調說，他們設計的模型結果「並沒有告訴我們經濟機制或均衡情況」。同時，他們觀察到機器更善於預測大型流動性股票的風險溢價，而不是小型的、流動性較弱的股票。

儘管如此，通過大量數據分析，Gu，Kelly和Xiu得出的結論是機器學習的預測模型可以改進傳統的資產分析方法。他們認為基金經理們可以立即將機器學習應用於包括市場時機預測、投資組合選擇和風險管理在內的問題。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！