摩根大通：懂人工智慧的投顧將脫穎而出！

時至今日，金融發展成為一個愈發複雜的系統。儘管在短期內無法被人工智慧或機器學習完全取代，但在利潤率高、數據量大的金融世界，隨著技術的不斷突破，人工智慧將大行其道。像高盛、大摩等行業老大已經提前布局，為即將到來的新金融時代做好準備。（ 更多資訊請關注公眾號：飛蟬智投服務號）

近日，全球知名投行摩根大通（JP Morgan）在一篇名為《運用機器學習和人工智慧作出明智的投資決策》（Informing Investment Decisions Using Machine Learning & Artificial Intelligence）的文章中指出，近年來，隨著數據量和獲取渠道不斷膨脹，大數據和機器學習可能改變整個投資環境。越來越多的市場參與者採用包括運算交易，大數據、機器學習或人工智慧等量化技術和分析大數據的新方法。因此，那些願意去學習和採用新科技的投資顧問將在未來的市場挑戰中別具優勢。

一、大數據和機器學習革命

一個量化投資者有機會接觸到實時資訊，但數據的整理卻不是那麼及時，且需要分析才能收集到可交易的想法。以下三大趨勢讓大數據革命成為可能。

1.可用數據量的指數式增長

2.在成本下降的前提下，運算能力和數據存儲能力提高

3.機器學習方法的提高將分析複雜資料庫成為可能

圖片來源：JP Morgan

投資現狀的改變是複雜的。機器有能力在快速分析新聞資訊、微博，處理收益表、網站的同時進行交易。大數據和機器學習策略已經開始具備一部分基本面分析師、長短期股票經理和宏觀投資者的優勢，系統策略將越來越多地採用機器學習工具和方法。

二、運用機器學習和人工智慧的新技術

圖片來源：JP Morgan

由於資料庫變得更大、更複雜，投資者需要使用複雜的數據分析技巧。完成這些任務的工具包括機器學習（從傳統策略中抽取）或深度學習（從人腦運作獲得啟發）。以下技術可以用來分析數據和設計交易策略。

監督式學習：使用歷史數據點作為訓練樣本去推斷出一套規則或「公式」，預測未來的走勢。

舉個例子：一個演算法可以評估最好的動量信號（從最近一段時間之內的市場表現中抽取）預測未來市場表現，或預測如果通脹率突然上漲的話市場將會浮動多少。

無監督學習：通過識別輸入數據之間差異的關係從而了解數據點背後的普遍驅動力

舉個例子：一個成功的演算法可能發現，在某一個時點，市場是由多種因素，比如動量因素，能源價格以及美元水平和流動性推動的

監督學習和無監督學習最大的區別就是是否有標籤。以郵件為例，監督式學習是制定一些標籤，機器可以按照標籤的規則篩選出垃圾郵件和非垃圾郵件。而非監督學習則是機器將郵件按照某種共同特徵分成一堆堆，每一堆都具有一個共同特徵，可能來自同一個發件人或者同一地區的發件人，具體特徵是什麼需要人工去識別。

深度學習：通過多種迭代次數分析數據，或者「層次學習」，先學習簡單的概念，然後將這些概念結合併形成更多複雜的概念。與人的腦神經元類似，這個可以通過將數據穿過多層非線性處理單元來完成。

舉個例子：人工智慧可以有效地執行一個交易命令對市場產生最小的影響

更多資訊請關注公眾號：飛蟬智投服務號