外汇量化交易，开始躺赚模式？

近期谈得最多的关键词有：“量化交易”“人工智能”“AI""区块链”“EA"等等。我也尝试查阅国内外各资料，看他们之间有没有可能有机结合，使得交易更”智能“。至少，目前的EA大多只能对历史财务、交易数据进行建模，分析其中显著特征，利用回归分析等传统机器学习算法预测交易策略。即大多遵循的是静态指令，而交易市场的多变，比如”黑天鹅“”无法追溯的现有特定行情“等现象而需要的动态指令，依目前的EA编程是难以实现的，如果引入更多的人工智能，甚至”区块链“技术，是否会产生更多的可能性。如下，翻译自国外主流媒体。与各位外汇，甚至期货，股票从业者分享。

目前金融机构应用人工智能的主流玩法有四种：

1. 投资银行和卖方研究尝试自动报告生成；

2. 金融智能搜索；

3. 公募、私募基金在通过人工智能辅助量化交易；

4. 财富管理公司在探索智能投顾方向。

人工智能如何辅助量化交易

量化交易从很早开始就运用机器进行辅助工作，分析师通过编写简单函数，设计一些指标，观察数据分布，而这些仅仅把机器当做一个运算器来使用。直到近些年机器学习的崛起，数据可以快速海量地进行分析、拟合、预测，人们逐渐把人工智能与量化交易联系得愈发紧密，甚至可以说人工智能的3个子领域（机器学习，自然语言处理，知识图谱）贯穿量化交易的始终。

1.机器学习：从数字推测模型

量化交易分析师们对财务、交易数据进行建模，分析其中显著特征，利用回归分析等传统机器学习算法预测交易策略。这种方式有两个主要弊端，其一是数据不够丰富，仅限于交易数据，更重要的是它受限于特征的选取与组合（Feature Engineering），模型的好坏取决于分析员对数据的敏感程度。此外一种做法是，模仿专家的行为，选择某一领域的特定专家，复制他们的决策过程，并导入可重复的计算框架。

全球最大的对冲基金桥水联合(Bridgewater Asspcoates)早在2013年就开启一个新的人工智能团队，该团队约有六名员工，由曾经供职IBM并开发了认知计算系统Watson的David Ferrucci领导。据彭博新闻社报道，该团队将设计交易算法，通过历史数据和统计概率预测未来。该程序将随着市场变化而变化，不断适应新的信息，而不是遵循静态指令。而桥水基金的创始人也曾公开表示，其旗下基金持有大量多仓和空仓，投资120种市场，持仓组合高达100多种，并且以人工智能的方式考虑投资组合。

Rebellion Research是一家运用机器学习进行全球权益投资的量化资产管理公司，Rebellion Research在2007年推出了第一个纯人工智能（AI）投资基金。该公司的交易系统是基于贝叶斯机器学习，结合预测算法，响应新的信息和历史经验从而不断演化，利用人工智能预测股票的波动及其相互关系来创建一个平衡的投资组合风险和预期回报，利用机器的严谨超越人类情感的陷阱，有效地通过自学习完成全球44个国家在股票、债券、大宗商品和外汇上的交易。

伦敦的对冲基金机构Castilium由金融领域大佬与计算机科学家一同创建，包括前德意志银行衍生品专家、花旗集团前董事长兼首席执行官和麻省理工的教授。他们采访了大量交易员和基金经理，复制分析师、交易员和风险经理们的推理和决策过程，并将它们纳入算法中。

在量化交易方面的人工智能初创公司有日本的Alpaca，旗下的交易平台Capitalico利用基于图像识别的深度学习技术，允许用户很容易地从存档里找到外汇交易图表并帮忙做好分析，这样一来，普通人就能知道明星交易员是如何做交易的，从他们的经验中学习并作出更准确的交易。同时Alpaca也推出AlpacaScan作为对美国股票市场实时反映的的K线图工具，抛弃二进制滤波的局限旨在提供给交易员用来识别潜在市场变化趋势的日常必需工具。

坐落在香港的Aidyia致力于用人工智能分析美股市场，依赖于多种AI的混合，包括遗传算法(genetic evolution)，概率逻辑(probabilistic logic)，系统会分析大盘行情以及宏观经济数据，之后会做出自己的市场预测，并对最好的行动进行表决。与其类似的公司还有Point72 Asset，Renaissance Technologies，Two Sigma。

2.自然语言处理：把握市场动态

当量化交易分析师发现数字推测模型的局限性后，开始考虑引入新闻，政策，社交网络中的丰富文本并运用自然语言处理技术分析，将非结构化数据结构化处理，并从中探寻影响市场变动的线索。

率先使用自然语言处理技术的人工智能对冲基金的是今年6月份在伦敦新设的对冲基金CommEq。CommEq的投资方法结合了定量模型与自然语言处理(NLP)，使计算机能够如人类一样通过推断和逻辑演绎理解不完整和非结构化的信息。

除此之外，也有采用自然语言处理技术的金融科技公司，如由李嘉诚与塔塔通讯投资的Sentient Technologies运用自然语言处理，深度学习(Deep Learning)等多种AI技术，进行量化交易模型的建立。

其中最为知名的是号称”取代投行分析师“的投资机器人——Kensho。Kensho是一家致力于量化投资大众化的人工智能公司，旗下有一款产品Warren被称之为金融投资领域的“问答助手Siri”。Kensho结合自然语言搜索，图形化用户界面和云计算，将发生事件关联金融市场，提供研究辅助，智能回答复杂金融投资问题，从而加速交易时间，减少成本，用动态数据与实时信息，及时反映市场动态。

这一技术也被广泛运用于风控与征信。通过爬取个人及企业在其主页、社交媒体等地方的数据，一来可以判断企业或其产品在社会中的影响力，比如观测App下载量，微博中提及产品的次数，在知乎上对其产品的评价；此外将数据结构化后，也可推测投资的风险点。这方面国内的很多互联网贷款，征信公司都在大量使用自然语言处理技术，例如宜信，闪银等。另外一些公司则利用这些技术进行B端潜在客户的搜寻，如Everstring，并将信息出售给其上游公司。

3.知识图谱：减少黑天鹅事件对预测的干扰

机器学习与自然语言处理的技术经常会在一些意外（如“黑天鹅”事件）发生的时候预测失败，例如911、熔断机制和卖空禁令等等。人工智能系统没有遇到过这些情况，无法从历史数据中学习到相关模式。这时候如果让人工智能管理资产，就会有很大的风险。

此外，机器学习擅长发现数据间的相关性而非因果性。很有名的一个例子是早在1990年，对冲基金First Quadrant发现孟加拉国生产的黄油，加上美国生产的奶酪以及孟加拉国羊的数量与标准普尔500指数自1983年开始的10年时间内均具有99%以上的统计相关性，1993年之后，这种关系莫名其妙的消失了。这就是由于自学习的机器无法区分虚假的相关性所导致的，这时候就需要专家设置的知识库（规则）来避免这种虚假相关性的发生。

知识图谱本质上是语义网络，是一种基于图的数据结构，根据专家设计的规则与不同种类的实体连接所组成的关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。就金融领域来说，规则可以是专家对行业的理解，投资的逻辑，风控的把握，关系可以是企业的上下游、合作、竞争对手、子母公司、投资、对标等关系，可以是高管与企业间的任职等关系，也可以是行业间的逻辑关系，实体则是投资机构、投资人、企业等等，把他们知识图谱表示出来，从而进行更深入的知识推理。

目前知识图谱在金融中的应用大多在于风控征信，基于大数据的风控需要把不同来源的数据（结构化，非结构）整合到一起，它可以检测数据当中的不一致性，举例来说，借款人张三和借款人李四填写的是同一个公司电话，但张三填写的公司和李四填写的公司完全不一样，这就成了一个风险点，需要审核人员格外的注意。

最早应用知识图谱在金融领域的Garlik就是这一代表。这家公司2005年成立于英国，核心成员来自南安普顿大学（University of Southampton，是语义网的核心研究机构之一），主要业务是在线个人信息监控。Garlik收集网络和社交媒体上的个人信息，当发生个人信息盗窃时会及时报警。Garlik总计融资2469千万美金后被美国的三大个人信用记录公司之一Experian收购，其技术被用于个人信用记录、信用盗窃的分析。Garlik的核心技术之一是大规模语义数据库，前后开源发布了3store, 4store, 5store等高性能数据库。

除此之外还有Dataminr，这家基于Twitter及其他公开信息的实时风险情报分析公司。致力于从数据爆炸的社交网络提取精简且价值的风险情报与挖掘关键信息，如舆情热点、金融相关的非交易信息、公共机构安全预警、企业安全等，并直接向客户推送。除此之外，Dataminr还加入早期预警系统，并实时推送警报

而以投资关系为例，知识图谱可以将整个股权沿革串起来，方便地展示出哪些PE机构在哪一年进入，进入的价格是多少，是否有对赌条款，这些信息不仅可以判断该机构进入当时的估值，公司未来的发展情况（公司成长的节奏），还可以看清PE机构的投资偏好，投资逻辑是如何变更发展的。

目前知识图谱在工业界还没有形成大规模的应用。即便有部分企业试图往这个方向发展，但很多仍处于调研阶段。我们认为这其中的难点在于如何与特定领域机构建立起一套合作方式，如何将合作变成一种可轻易编程的界面，让领域专家可以通过系统以一种非常简单的方式进行行业逻辑的建模，而他的逻辑可以通过系统实时得到验证，使其进一步更新，只有通过专家与机器反反复复的迭代，形成闭环，才会服务好用户。

全球估值第四高，被称为“下一个独角兽”的公司——Palantir曾推出一个基于知识图谱的金融数据分析平台—Palantir Metropolis，可以整合多源的量化资料，并提供一套方便易用的分析工具来满足复杂的研究需求，其中的组件能够进行复杂搜索，可视化编辑与分析，有非常丰富的人机交互能力。目前Palantir将结构化客户内部数据，关联相关数据，让客户自己创立分析规则整合并优化模型，量化处理数据，从而解决客户的特定需求。

人工智能如何应用于智能投资顾问

传统投资顾问需要站在投资者的角度，帮助投资者进行符合其风险偏好特征、适应某一特定时期市场表现的投资组合管理。而这些工作都需要以大量昂贵的人工方式完成，所以财富管理服务也因此无形的提高了进入门槛，只面向高净值人士开设。

但是现在，智能投资顾问（robot advisor）正在以最少人工干涉的方式进行投资组合管理，管理你的资产的可以是一排计算机，而你也不用是高净值人士。并且智能投顾在以更强大的计算机模型运用人工智能的技术对大量客户进行财富画像，以人工智能算法为每一位客户提供量身定制的资产管理投资方案。

Wealthfront就是一家非常具有代表性的智能投顾平台，借助于机器与量化技术，为经过调查问卷评估的客户提供量身定制的资产投资组合建议，包括股票配置、股票期权操作、债权配置、地产资产配置，旨在提供一个自动化的投资管理服务最大化投资回报。

Wealthfront在进行自动化投资管理时一共有5个步骤：

确定当前投资环境的理想资产类别

以最低成本的ETF（交易型开放式指数基金）代表每一资产类别

确定风险承受能力并创建合适的投资组合

将现代投资组合理论（MPT）分散风险

定期监控并重新调整平衡投资组合

而这一投资方法也受到市场的肯定，Wealthfront管理资金规模在2015年至2016年终增长将近64%，截至2016年2月底，Wealthfront的资产管理规模已达近30亿美元。

在获得市场肯定的背后，是对智能投顾的信心。智能投顾能够战胜人性，避免投资人受市场变化而产生不理性的情绪化影响，使机器严格执行事先设定好的策略。并且智能投顾拥有比传统财富管理机构、私人银行更为透明开放的信息披露，及时提供风险提示，极大的减少了资产托管人与管理人之间的信息沟通壁垒。

Betterment也是一家专注于智能投资管理的金融科技公司，通过Markowitz 资产组合理论和各种金融衍生模型们应用到产品中，在云端低成本、快速、批量化地解决各种数据运算，再根据用户的倾向和设定的风险偏好，个性化地提供资产配置组合方案。其创始人Jon Stein曾在华尔街某金融机构任职高级投资顾问，致力于打造Betterment成为一款让投资更方便，更准确的智能投顾。2016年3月，Betterment获得E轮融资1亿美金。

而由两名微软前员工创立的FutureAdvisor是一家专注于养老金理财市场的智能投顾公司。 FutureAdvisor为面对有很多不同的财务账目，退休金，储蓄，股票，甚至一些CDs或债券但却不知道如何做出正确的选择的客户服务。 FutureAdvisor利用智能算法实时监测理财账户，寻找节税机会并调整多个账户。除了提供免费的投资组合优化以及投资数据的同源整合， FutureAdvisor也提供收费版投资代理服务。目前 FutureAdvisor以2亿美元估值被全球最大基金管理公司BlackRock收购。

本文来源于公众号：外汇教主笔记