机器学习（非传统统计方法如回归）在量化金融方面有哪些应用？

机器学习和统计很难隔离，这里排除传统统计方法是想知道现代机器学习方法在量化金融的应用，如有困难请忽略此要求。

本题已收录知乎圆桌金融科技浪潮，更多「金融科技」话题讨论欢迎关注

Vega Jerry · 2018-10-17 21:54:47

快醒醒吧，少年。

马卓群 · 2018-10-17 21:54:48

all models are wrong, but some are useful

优矿量化实验室 · 2018-10-17 21:54:49

这个问题其实好答也不好答，根据经验来回答一下。
机器学习的应用，如果你去看paper的话，各种各样都有，效果都杠杠的。但实际中呢？能经得起实战的少之又少，从实战角度来看，能应用的方面基本上分为如下：

预测股价
预测非价格的指标

以下面这个例子是用xgboost模型预测股价：
集成学习模型在选股方面的应用

大家看回测结果会发现，太牛逼了，可是如果你是量化基金经理的话，会不敢用，为什么呢？
这个问题在我看来很简单，可以从下面几个维度来阐述：

现在的二级市场，是human-based（靠研究员推票）多，还是model-based（量化模型）多呢？应该是前者，为何？因为投资要有可解释性、可理解性（比如客户觉得你做的不好，威胁要赎回，你告诉他模型是这样的，你要相信我的模型？），不然很容易导致心态失衡，只要心态乱了，投资肯定做不好。量化投资很多时候是有点反人类本性的，接受量化投资一方面需要足够的见识和理解能力，一方面需要量化策略的优异表现来教育投资者。
量化模型最常用的是回归，为什么？可理解性好！简单的就是最好的，一目了然的、可理解的就是简单的。
所以，机器学习一来，线性模型变成了非线性模型，面对机器的结果，大家都一脸懵逼（或者只能理解其中一部分），那这个就不好说了，金融行业，稳字当头！

所以，机器学习不是不能用，而是我们目前还无法驾驭它，只能小心的尝试、验证、探索和理解。尤其是直接拿价格做预测，本身价格就包含了太多太多的随机性和临时性的因素，你让机器学，不管好坏，机器都能学到一个结果，但你可能不敢用；也因此，目前很多尝试在用机器学习预测频次低的、人更容易理解的方面，比如营收、净利润、销售量等等，已经有很多这方面的研究了。

PS：
大家在这个总结里还能找到更多关于机器学习的干货：
众多大神出没，这一年你不可错过的干货丨优矿2017年度社区精华贴合集

john wick · 2018-10-17 21:54:51

占个座

潇湘Lee · 2018-10-17 21:54:52

模型的结果，只能是越来越接近真相，但永远不会是真相本身。
精度会越来越高。
具体应用本人不是专业人士，谈不上来。但越来越接近真相，必然是需要动态的优化，而不是静态的传统统计方法，比如回归，比如GARCH，即使是DCC-GARCH这样的，在机器学习面前，也是静态的。
维度层次不一样。

匿名用户 · 2018-10-17 21:54:53

提示: 作者被禁止或删除内容自动屏蔽

ling zhuang · 2018-10-17 21:54:54

优化交易胜率啊

barra · 2018-10-17 21:54:55

机器学习神经网络这些名字起的就特别让外行感觉特别玄乎其实就算非线性预测如果线性能做好的非线性一定能做好！期待早日神经网络机器学习取代数学建模

陈宏葆 · 2018-10-17 21:54:56

从机器学习的理论起源回答你这个问题（目的是让你放弃这个思路）。
机器学习，一开始叫做学习机。不是小霸王学习机，是 learning machine，至一种通过历史数据训练，能够无限拟合历史数据自身的系统。最开始的方法，就用的回归学习（regression），从本源上说现在依旧如此。
回归学习其实是empirical 的，经验的。empirical 还有另一个中文意思，叫“经验主义”。
用常识就能够知道，“经验主义”不是一个褒义词。过去发生的不代表未来会发生。
回到机器学习上，问题就显得简单：历史经验能否预测未来，或者经验主义能否普遍适用？
说到这里，你自己已经有了答案。
=============================================================
“回归”这个方法，现在的各种机器学习技术，本质上并没有超越，只是换了个面目。
But，倒是有一种技术稍微好一点，叫做“专家系统”。它是基于规则。规则从哪里来？可能一部分来自于经验，但毕竟不是完全依赖经验的。所以稍微好一点。

机器学习（非传统统计方法如回归）在量化金融方面有哪些应用？

9 个回复