解码机器学习在金融领域的应用

mehedi25a

彭博社年月日近年来机器学习已成为金融领域的热门话题。该技术的应用示例包括信号披露、替代数据处理技术、因子投资、投资组合优化以及使用自然语言处理进行社交媒体情绪分析和异常检测。虽然自动化和分析方面取得了实质性进展但人工智能和机器学习也令人兴奋。因此必须警惕常见的陷阱包括偏差、过度拟合和虚假相关。有效和可靠地使用此类技术的途径在于将教育和实践相结合尊重科学严谨性并了解特定方法和结果的优缺点。现在是寻找专家、提出棘手问题并仔细聆听他们答案的好时机。在彭博社系列的首场网络研讨会上伊利诺伊理工学院应用数学助理教授和纽约大学工程学院金融市场机器学习前研究教授、富达投资的人工智能资产管理讨论了金融领域机器学习应用的历史和现状。

由办公室彭博社定量研究解决方案主管介绍涵盖了深度学习应用于因子模型的细微差别包括非线性、交互效应和因子排序。想了解更多有关彭博解决方案的信息吗？请求联系方式传统量子方法与机器学习见解相结合随着机器学习在更广泛的金融市场中获得关注机 瑞士手机号码清单 构投资者正在寻找将其技术纳入现有金融建模体系的方法。这些方案通常已经具有定量成分公司希望在使用机器学习来增强其分析和产品供应的同时保留其传统方法。研究工作涵盖多个主题实验设计、因素敏感性检查、捕获和评估异常值以及将回报分解为可解释和不可解释的组成部分。深度学习提供了独特的分析机会因为它可以自动捕获回报的非线性。它还可以帮助识别和探索高阶效应和异常值的实质性影响——线性或二次模型无法捕获的影响。



研究人员可以将深度学习模型的因素敏感性与线性和二次模型指示的因素敏感性进行比较进行分解并对线性和二次深度学习模型之间的差异进行解释。迪克森引用了一个具体的研究例子讨论了他与英国统计学家、芝加哥大学布斯商学院计量经济学和统计学教授尼古拉斯·波尔森所做的工作其中他检查了一个因子深度学习模型该模型应用于在年内对指数中的多种资产进行分析生成信息比率。然后将与普通最小二乘法模型和模型的结果进行比较。结果发现因子模型产生的比模型产生的高约倍。还观察到对交互作用的敏感性较低并且总体性能优越。未来的工作将涉及通过置信​​区间扩展因子敏感性以进行更多上下文使用、风险分解和分析。