中金所樓昊：機器學習能有效的應用在金融領域，成為輔助人們判斷的「過濾器」

隨著人工智慧的不斷發展，曾經很熱的「互聯網金融」這個詞，正在逐步被「Fintech」（金融科技，Finance 和 Technology 的合成詞）代替，這也意味著其正在回歸技術的位置。那麼機器學習在金融數據中目前又有哪些應用和探索呢？

近日，在由創源 InnoSpring、虹口區金融服務局、萬向區塊鏈和創業共和共同主辦的第 14 期 innoX 創星秀活動中，來自中金所創新實驗室 AI 專家樓昊從機器學習在金融數據中的應用和探索，分享了他個人的看法，以下是樓昊的分享實錄：

機器學習在金融產業的應用，主要有以下四個方面：

第一，演算法交易。

第二，投資組合管理，智能投顧。

第三，信用評分以及不良貸款預測分析。

第四，欺詐檢測。

而機器學習技術目前主要是通過：數據、計算、分析三大步驟，在金融領域裡進行落地應用。首先是結構化數據，交易所的盤點數據、交易數據、客戶明晰數據。非結構化的數據比如說微博、百度等等，可以做一個比較明顯的分析和預測市場的熱點在哪裡。還有一些實時新聞可以做一些事件驅動策略，當然還有券商的年報和宏觀數據，這些非結構化的數據都可以進行分析和結構化的重組。

另外，如今在高性能的計算中，我們已經有了自己的 CPU+GPU 集群，也搭好了一個量化回測的平台。包括一些可視化研究，在機器學習中可能這一塊是比較容易被忽視的一塊。當然也還有一些基本的分析，比如說特徵的智能提取，還有股票的技術指標等等，都會在這些資料庫中。

早期機器學習分析的數據扮演著「過濾器」的角色

在金融時序分析中，結構化數據的預測有以下幾個特點，比如有時序性、非穩態性等特徵。用機器學習做預測的時候，類似於傳統的語音識別，當我們把日 K 的收盤價收入到最樸素的模型中進行盤形的分類，就可以看出它的好壞，但這並不能直接用於指導、預測與交易。

做過技術分析的人可能會知道，一段趨勢走過來之後，我們可以很容易的把 ABC 畫出來，類似於畫趨勢，但是有沒有用呢？其實是有用的。外面不管是做什麼交易的，一般都會把它作為一個策略的前置過濾器，把一些問題過濾掉。輔助你判斷哪些行情下是可以用上漲的策略的，哪些行情下可以用震蕩策略的。

此外，LSTM 模型也比較適合用於時序的預測，我們建立了一個最簡單的 LSTM 結構，做了些預測。從結果來看，目前它的勝率基本都大於 50%，用技術指標來判定它會更高一些。如果再用了深度學習之後，它們可以把這個數據提升到了 70%以上。

機器學習可以讓信息更對等

在金融領域，拿股票來說，想要在其價格最低的時候買進，在其最高的時候拋出。應該是每位股民夢寐以求的事。但是每時每刻的關注，其實對於股民來說是非常累的。比如說，該股票每天的成交都是 1200 手，或者是某一天變了一下，很有可能是一些銀行機構為了應付央行的盤點或者是監管上在對敲和導量。但是很多股民並不能在第一時間拿到或判斷出有效的數據信息，而機器學習可以讓這變為可能，也能讓雙方的信息更加對等。

機器學習能編織一張「無所不能」的天網

最後說一下市場監管。這個領域特別有意思，因為我們之前做的所有事，比如說量化模型和數據分析，目的都是為了市場監管。我們在這個方面也有所探索，比如說交易主體的識別，或是交易類型的識別等。我們有一個數據上的驗證，表明目前的識別率可以非常高。即使你日內交易的次數不是很多，我們也可以預測到你下面的交易行為。但目前我們只能識別一些模式比較固定的人員，比如說根據成交量和加權，從而進行識別。不過，未來將會有無限的可能。

總的來說，機器學習成果最豐碩的是那些建立了機器學習的基礎平台，能夠便捷的在多個學習器、數據來源和學習問題上方便並且有效的開展實驗，實現機器學習專家與領域專家的密切合作的組織。將來，機器學習在量化交易、智能投顧、風險控制方面肯定會有著非常廣闊的應用前景。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！