6 月中旬，東方衛(wèi)視播出的一檔節(jié)目《極限挑戰(zhàn)》，上演了一場金融圈的燒腦大戲。

游戲中，急于與王迅猜拳贏得勝利的羅志祥，親手將一個市值和利潤率頗高的公司送入破產(chǎn)。相反，黃磊公司雖沒有特別良好的市場競爭力，但得益于資深經(jīng)理人的協(xié)助，他利用各種金融手段與股民建立信任機制，降低風(fēng)險同時拉高公司市值。

金融證券交易市場的的復(fù)雜與風(fēng)險，在一期不過兩小時的節(jié)目中展現(xiàn)得淋漓盡致。

現(xiàn)實里，該名資深經(jīng)理人扮演的正是融資機構(gòu)交易員的角色。

這是一片起伏了近 400 年的江湖。

如今，位于證券大廳的現(xiàn)金股票交易柜臺上出現(xiàn)的不再是股票交易員，取而代之的是機器。

風(fēng)險管理、量化投資、行為刻畫、資產(chǎn)配置、基金研究……這些，機器通通都能完成。

最近，據(jù)彭博社的一篇報道指出，美國銀行（Bank of America）正搭上人工智能的潮流。銀行貨幣戰(zhàn)略官首次使用機器學(xué)習(xí)——讓計算機梳理海量數(shù)據(jù)，并自行進行推斷和預(yù)測——告訴中小投資者買賣什么。

上月，他們開始著手 AI 技術(shù)方面的研究。當時，意大利的一場政治動蕩攪得金融市場昏天黑地，同時還引發(fā)了人們對歐洲另一場現(xiàn)有危機的擔(dān)憂。

雖然 AI 基本短時間內(nèi)不會改變與人類互動的方式，但它在數(shù)學(xué)運算中的表現(xiàn)遠超人類。放之金融外匯領(lǐng)域，機器學(xué)習(xí)可以很大程度上降低貨幣波動的風(fēng)險。

例如，受英國脫歐事件影響，英鎊兌歐元匯率急劇下滑。專家預(yù)測，到 2019 年，商業(yè)投資將比歐盟公投前的預(yù)測低 25%，這種低值投資表明，貨幣貶值就會出現(xiàn)風(fēng)險規(guī)避現(xiàn)象。

如果某一貨幣貶值，那么資產(chǎn)和投資的價值也會下降。在進行外貿(mào)交易時，本國貨幣與交易國的貨幣價值對比，決定了企業(yè)的利潤。如果貨幣價值突然下降，那么企業(yè)最終可能會虧損。

對于小公司而言，它們在處理處理貨幣風(fēng)險問題時會擔(dān)心貨幣波動產(chǎn)生的高成本。如果能妥善管理這些風(fēng)險，公司不僅可以確保高利潤，且無需將成本轉(zhuǎn)嫁給客戶。無法承擔(dān)這樣高成本的小公司，便可利用 AI 的預(yù)判減少任何潛在的損失。

其實，在華爾街的金融圈，這種看似高端的分析早就有了。例如，量化投資公司多年以來就一直應(yīng)用機器學(xué)習(xí)。

但當華爾街的分析研究機構(gòu)逐漸偏重商業(yè)化時，美國銀行似乎幡然醒悟，開始著手這一技術(shù)的研究和應(yīng)用。

「外匯市場的本質(zhì)決定了我們很難從歷史數(shù)據(jù)中挖掘出什么，所以我們試著通過模擬數(shù)據(jù)進行機器學(xué)習(xí)，以推動前沿科技的發(fā)展」，美國銀行 AI 研究貨幣戰(zhàn)略官 Alice Leng 提到。

在美國三大銀行中，美國銀行率先將機器學(xué)習(xí)模型給出的預(yù)判納入到其公布的貨幣研究中。不過，摩根大通的外匯研究團隊已經(jīng)對機器學(xué)習(xí)應(yīng)用進行了探索，目前還未投放在研究中。

▌研究方法

這支美國銀行團隊的第一研究要務(wù)是，利用機器學(xué)習(xí)算法進行徹底調(diào)查和數(shù)據(jù)篩選，如政府支出和消費者購買力，以確定歐元對美元的影響。當機器接受到「處理信息」的訓(xùn)練信號時，團隊會使用監(jiān)督學(xué)習(xí)；當沒有給出訓(xùn)練信號時，會使用無監(jiān)督學(xué)習(xí)。

由此，他們的研究模型得出了這樣一個結(jié)論：在意大利大選之后，歐元懷疑者認為「貨幣統(tǒng)一論可能會被減弱」。然而，對美元持續(xù)拋售的深深恐懼，就像曾歷經(jīng)歐洲債務(wù)危機的人們心中所想一樣，被無限夸大了。

不過，目前多數(shù)銀行關(guān)于人工智能的研究仍停留于表面。出版商 Jim Marous 指出，在去年秋季在一項《數(shù)字銀行報告》調(diào)研中，絕大多數(shù)金融機構(gòu)表示他們正使用某種機器學(xué)習(xí)模型，其中有 20% 的受訪者表示（機器學(xué)習(xí)）無法解決「欺詐、風(fēng)險、合規(guī)性」等問題。

▌研究模型

算法交易員 Milind Paradkar 指出，想要在交易中使用機器學(xué)習(xí)，就得先從歷史數(shù)據(jù)（股票價格/外匯數(shù)據(jù)）開始，并在 R/Python/Java 語言環(huán)境中構(gòu)建模型。然后，選取正確的機器學(xué)習(xí)算法進行預(yù)測。

例如：根據(jù)公司過去的季度業(yè)績，預(yù)測 3 個月后股票的價格；預(yù)測美聯(lián)儲是否會抬高基準利率。

首先明確一點，機器學(xué)習(xí)算法可用于預(yù)測類別（解決分類問題）或預(yù)測方向和幅度（解決回歸問題）。

1、指標/特征：包括技術(shù)指標（EMA、BBANDS、MACD 等）、基本指標、宏觀經(jīng)濟指標。

例 1：RSI（14）、價格-SMA（50）、CCI（30）。可以使用這三個指標來構(gòu)建模型，然后使用適當?shù)?ML 算法來預(yù)測未來的值。

例 2：RSI（14）、RSI（5）、RSI（10）、價格 - SMA（50）、價格 - SMA（10）、CCI（30）、CCI（15）、CCI（5）。在這個例子中，我們選擇了 8 個指標。其中一些指標可能與模型無關(guān)。為了選擇正確的指標子集，將使用特征選擇方法。

2、特征選擇：選擇用于模型的相關(guān)特征子集的過程。特征選擇技術(shù)分為 3 大類：過濾方法、包裝方法和嵌入式方法。為了選擇正確的子集，基本上在某種組合中使用 ML 算法。所選特征被稱為機器學(xué)習(xí)中的預(yù)測器。

3、支持向量機（SVM）：SVM 是一種眾所周知的監(jiān)督機器學(xué)習(xí)算法，用于解決分類和回歸問題。

SVM 算法，基于給定的標記數(shù)據(jù)點起，并通過邊界或超平面將數(shù)據(jù)分離。SVM 試圖將分離超平面周圍的 margin 最大化。支持向量是最接近決策表面的數(shù)據(jù)點。

4、在 R 語言中使用 SVM 的外匯策略構(gòu)建規(guī)則：鑒于對特征和 SVM 的理解，先以 R 語言為例。選取歐元/美元貨幣對的一小時時間框架，可追溯到 2010 年。指標為 MACD（12,26,9）和拋物線 SAR，默認設(shè)置為（0.02,0.2）。

首先，在 R 語言中加載必要的庫，讀取 EUR / USD 數(shù)據(jù)。然后，使用「TTR」包中提供的各自功能計算 MACD 和拋物線 SAR。隨后，從每個數(shù)據(jù)點的 SAR 值中減去收盤的 EUR / USD 價格。

將指標和類合并為一個稱為模型數(shù)據(jù)的數(shù)據(jù)框，再將模型數(shù)據(jù)分成訓(xùn)練和測試數(shù)據(jù)。

然后，使用「e1071」包中的 SVM 功能并訓(xùn)練數(shù)據(jù)；通過預(yù)測函數(shù)進行預(yù)測，并繪制模式。這一過程準確度達到了 53％。

從圖中可以看到看到兩個不同的區(qū)域，上部紅色較大區(qū)域是算法做出的短期預(yù)測，而下部藍色的區(qū)域則是長期預(yù)測。

隨著時間的推移，SAR 指標隨著趨勢的延伸而下降。價格上漲時 SAR 低于價格，價格下跌時高于價格。當價格趨勢反轉(zhuǎn)時，SAR 停止并反轉(zhuǎn)。

如下所示，構(gòu)建兩個規(guī)則并進行測試：

短期規(guī)則=（價格-特區(qū)）> -0.0025＆（價格-特區(qū)）<0.0100＆MACD> -0.0010＆MACD <0.0010?

長期規(guī)則=（價格-特區(qū)）> -0.0150＆（價格-特區(qū)）<-0.0050＆MACD > -0.0005

短期交易的準確率為 54％，長期交易的準確率為 50％。基本上，在以上案例中 SVM 算法取得了較好成績。

▌有何賣點？

就在本周，摩根士丹利表示，他們聘請了此前曾為 Steve Cohen 對沖基金服務(wù)的賓夕法尼亞大學(xué)計算機科學(xué)教授 Michael Kearns，以擴大 AI 在整個公司的應(yīng)用。

德意志銀行跨資產(chǎn)量化研究部主管 Caio Natividade 也看到了諸多優(yōu)勢，特別是在貨幣方面。

他的團隊已經(jīng)將機器學(xué)習(xí)融入到分析中，在他看來，人工智能技術(shù)可用于解讀銀行家們往往混亂的言論。

機器學(xué)習(xí)研究「可能成為一大賣點」，格林威治協(xié)會 Richard Johnson 說道。新法規(guī)旨在分拆研究和交易，「使研究真正獨立」。

紐約大學(xué)數(shù)據(jù)科學(xué)教授、SCT 資本管理公司的創(chuàng)始人 Vasant Dhar 表示，外匯市場仍面臨著很多特殊的挑戰(zhàn)——SCT 是一家運用機器學(xué)習(xí)技術(shù)近 20 年的對沖基金。例如，宏觀經(jīng)濟因素復(fù)雜且多樣，會影響貨幣的變動，進而讓外匯市場遭遇難以分析股票或債券的問題。

▌人們在擔(dān)心什么？

「如果你無法將機器學(xué)習(xí)模型應(yīng)用在其他類型的資產(chǎn)，那么就更別提能適用于外匯市場」，Dhar 繼續(xù)提到。

長久以來，業(yè)內(nèi)存在這樣一種擔(dān)心：智能計算機以人類無法理解的方式查看信息并提供答案。事實上，機器不需要編織連貫的故事來支持給出的預(yù)測，這更使得一些懷疑論者很難將媒體筆下的言論與現(xiàn)實中發(fā)生的事情分開。

其他人表示，機器學(xué)習(xí)工具的開放或許會讓更多的投資者開發(fā)自己的 AI 分析軟件，而不是依賴華爾街的研究分析。

盡管如此，這也不太可能阻止華爾街擁抱 AI 了。