虽然机器学习不能完全取代人工,但科技在金融领域的作用正日益彰显。
机器学习不能完全取代人工,但是科技在金融行业的应用已经变得越来越广泛。
Barry Porter对话彭博机器学习负责人 Gary Kazantsev、彭博数据科学负责人Gideon Mann和量化研究负责人 Bruno Dupire,探讨科技在金融业未来的可能性。
Q:请问目前外界对机器学习在金融业应用中最大的误解是什么?
Gary Kazantsev: 有人会觉得机器学习好像是根魔法棒,可以解决那些有悖于基本数据理论的棘手问题。
如果您需要解决的问题是不适定的,或没有足够的数据量,或您不在意非平稳性和偏离率,那么机器学习将无法帮助您。
Gideon Mann: 一个主要的误解是认为机器学习能做人所不能做之事,将那些挑战人能力极限的事轻松完成。最典型的是,机器学习能把人类简单、直接的决策进行自动化处理。从成本角度看,这使得许多流程变得更经济。这就是它看起来神奇的地方。
Q:什么是让您觉得最兴奋的?
GK: 现在,一系列问题可能可以通过机器学习的方式来解决。
Bruno Dupire: 最让我兴奋的是人工智能带给我们挑战,它让我们思考什么是人类的本质。过去被视为毋庸置疑的属于人类的能力正在逐一让步于科技,人类本体论的论题正被重新定义。
两大问题:
机器能够执行人类所有的认知任务吗?如果答案是肯定的,机器的表现会大大优于人类吗?
Q:机器学习在当今金融领域有多先进?
GK:这要视情况而定。其中发生的问题以及使用的方式已经很多并且还在急速增加。
我们了解一些机构使用端对端的策略发展(从投资组合选择到执行)来应对机器学习的问题。现在也有很多公司只是刚开始研究该领域。
金融机构对新技术的接纳程度各异,这取决于他们的风险承受力,对可解释性以及模型透明度的具体要求,甚至地理区域。比起其他许多技术,机器学习更适用于金融业。
BD:
眼下这还处于初期阶段,但发展非常迅速。数据,无论是结构性数据(证券价格时间序列,基本面)还是非结构性数据(新闻/推特/通话记录,搜索结果,卫星图像)都在被系统性的开发利用,同时采取的方法也在不断增加。
随机森林、支持向量机、知识图谱、循环神经网络、长短期记忆网络(LSTM)、卷积神经网络、生成对抗网络(GAN)。自从1987年我初次使用神经网络来预测金融时间序列以来,计算方式已经有了天翻地覆的变化。 Q:有经验的客户是如何将机器学习应用在工作流程中的呢?它对投资策略会产生什么影响?
GK: 从竞争对手方风险分析到优化执行,从预测破产风险到预测回报率、利润或失业数据。机器学习的影响无处不在。
它还被投入于投资组合构建、财经新闻中的情绪分析等。机器学习正日益成为用于创建系统性策略的工具中不可分割的组成部分。
Q: 是什么驱动了投资以及金融领域对机器学习的关注?
GM: 机器学习对其他行业有重要影响并带动这些行业显著增长。想想谷歌、亚马逊、Facebook。还有越来越多的金融企业正通过掌握机器学习技术促进企业价值增长。
最后,节约成本的压力也促使企业将目光投向内部,思考如何在降低成本的同时实现更多产出,同时通过增强技术来提高产出的想法也越来越有吸引力。
Q: 您最引以为傲的新的彭博机器学习应用或工具是什么?原因是什么?
BD: 我们正在搭建一个机器学习原型机,它能够让客户在一个非常友好的互动环境中接触到机器学习模块scikit learn、TensorFlow和我们自己的功能。 它提供多种方式来可视化数据、学习流程、以及算法操作。
GM: 我们在神经网络基建方面进行了大量投资,因为这些努力,我们看到了许多神经网络模型应用方面的案例。所以,我为我们在理解图表上所作的努力感到骄傲,因为这证明了新技术在解决旧的,棘手问题方面的有很强的能力。
GK: 我对于我们在问答系统方面所作的工作感到尤其骄傲。因为我们已经能够影响客户使用终端的方式,虽然这依然是个具有挑战的开放性问题。 Q: 您能描述一个对于未来的预测吗?
GM: 我认为未来更多会呈现一种相对稳定的形态,间歇地发生一些非常快的改变,因为信息和技术的传播在提高。
GK: 海平面会上升,市场会波动,以及深度学习不会给我们带来真正人类级别的人工智能。 BD: 对高级任务而言,仅让数据来驱动学习过程是不够的,还是需要增加专家的见解,最终形成一个混合体系。