被人工智能操控的金融業 @ JohnChiu的部落格

「被人工智能操控的金融業」一書(櫻井豐Yutaka Sakurai著，中譯簡體字版，中信出版社，2018年2月)，介紹了人工智能技術的演進，以及於金融業中的應用，以及未來可能的發展方向。

一、人工智能於金融業的應用與發展：快速交易、至智能化投資策略，以及信用分析、貸款審核等。

1.作者由相關書籍整理出主要的應用層面，包括Michael Lewis所著的「Flash Boys」一書中所描述的，利用超高速電腦及網路系統，進行不同交易所間的價差快速交易套利，以及幾次金融市場因程式交易引發集體下跌之經驗，與避險基金公司「文藝復興基金」及「橋水基金」等利用系統性、程式化、與超高速機器人交易獲取龐大獲利之方法。

2.此外，人工智慧也逐漸開始進行信用分析、貸款、保單等審核，亦使得金融機構所需人力、分支機構數量下降。而預計包括Wells Fargo在內的歐美大型銀行，未來5~6年內可能削減20%的分支機構。

3.此外，人工智能亦發展出智能投顧如Betterment公司，包括如何以系統性程式化的方式，協助客戶進行退休金進行投資。包括分析投資者年齡、判斷風險屬性，以隨年齡及目標達成狀況，進行股、債比例的調整。

二、避險基金公司利用系統程式化交易的方式：

1.文藝復興公司的大獎章基金：

(1)截至2014年的20年間，平均每年報酬率高達35%，2008年的報酬率高達98%。管理資產規模近300億美元。而自90年代起已不再接受外部資金，多數資金來自內部員工。

(2)兩個關鍵人物包括數學教授Chern Simons於1982年中期成立，以及亦擅長密碼分析的合作夥伴Jensen Ackles。利用密碼分析技術應用於市場及分析行情變化，並從中找出獲利模式。而且專注於短期趨勢分析，並引進以運算法則，並利用超高速機器人交易員。

(3)而1993年錄用了2位於IBM的程式設計師並專長於語音辯識領域。

2.橋水基金公司：

(1)近期橋水基金創辦人達里歐(Ray Dalio)所著一書「原則」已可見到橋水基金運作的方式。基本上即是利用分析總經變數判斷金融市場變化，並以系統性的電腦分析判斷的方式，並利用系統化的公司運作模式，創造出良好的績效表現。(參見2018.2.21「原則」書評)

(2)橋水於2012年亦自IBM挖了開發Watson人工智能團隊的費魯奇，並自2015年3月成立6個的人工智能小組。而在2016年3月再找了蘋果開發i-Pad之電腦技術人員John Rubinstein。達里歐經營橋水的方式，主要以「思考原型」輸入電腦系統，即利用各事物的邏輯性因果關係，利用電腦運作、更新學習，而對於判斷市場更準確。「極力控制偶發性風險與經濟指標相關的因素造成的影響，以此為前提條件，最大限度地獲取期望報酬」(P.58)

3.Two Sigma基金：利用大數據及人工智能進行投資

(1)採用多種投資模型分析，包括技術分析、財務分析、或網路上企業營運的相關訊息，並利用運算法則配置適當權重。

(2)基金投資流程：「START」機器學習進行幾個月至幾年的中長期交易，其流程:

a.獲取大數據；b.根據模型進行投資分析與判斷；c.分配權重及初步交易策略；d.進行風險分析；e.執行交易。(P.60)

三、資產管理及股票交易使用人工智能的目的：(P.92)

目的	說明
1.進行統計性分析	進行金融商品與指數的歷史數據、各種經濟指標等基本因素數據，以及之間的相互關係等的統計分析，從而獲得變化性、相關性、趨勢等因素之數據。
2.預測未來價格	包括短期及長期的價格。
3.執行交易	執行大宗交易的下單。
4.進行投資組合管理	確定投資組合的類型與資產配置。
5.進行風險管理	根據各種情況進行調整曝險比例。

四、機器學習及相關演算法：

機器學習是指機器透過反覆學習進行預測，原本是做為識別技術之一發展而來。而所利用的演算法種類非常多樣化。而機器學習方法的分類主要包括：

1.機器學習法的分類：(P.96)

有教師學習法	給出與輸入內容相對應的正確答案的示範，學習導出正確答案的方法。
無教師學習法	從沒有正確答案的大量數據中，找出隱藏在其中的規律。
半教師學習法	介於有教師學習法與無教師學習法之間，給出不完全的正確答案數據，從中進行學習。
強化學習法	雖沒給出正確的答案，但能夠對選擇的答案進行優劣判斷，從中選出最優解。應用於環境與概率不斷變化的情況，通過反覆檢驗得出最優解。

2.機器學習的主要演算法：

幾乎所有機器學習法的演算法中，貝氏定理皆以某種形式存在，而機器學習根據給出的數據自主進行學習，機器仍藉由人類設計這的不同演算法決定後，交由機器自主學習。而演算法包括梯度下降法(誤差最小化的最優解)、決策樹、支撐向量機(SVM)、貝氏網路、Q學習、類神經網路、深度學習、深度強化學習…等演算法(參見P.97)