康奈爾(Cornell)根據(jù)該領(lǐng)域有史以來最大的數(shù)據(jù)集進(jìn)行的最新研究表明，機器學(xué)習(xí)可以評估用于預(yù)測金融市場走勢的數(shù)學(xué)工具的有效性。

研究人員的模型還可以預(yù)測未來的市場走勢，這是一項艱巨的任務(wù)，因為市場信息量巨大且波動性很大。

“我們試圖做的是利用機器學(xué)習(xí)技術(shù)的力量，不僅評估我們當(dāng)前的方法和模型的運行狀況，而且還以一種沒有機器學(xué)習(xí)就無法做到的方式幫助我們擴展這些方法和模型。” O'Hara，莊臣商學(xué)院羅伯特·珀塞爾(Robert W. Purcell)管理學(xué)教授。

O'Hara是7月7日發(fā)表在《金融研究評論》上的“機器時代的微觀結(jié)構(gòu)”的合著者。

O'Hara說：“嘗試使用標(biāo)準(zhǔn)技術(shù)來估計這類事情變得非常棘手，因為數(shù)據(jù)庫是如此之大。機器學(xué)習(xí)的魅力在于，它是分析數(shù)據(jù)的另一種方式。” “我們在本文中展示的關(guān)鍵是，在某些情況下，附于一個合約上的這些微觀結(jié)構(gòu)功能是如此強大，它們可以預(yù)測其他合約的走勢。因此，我們可以了解市場如何影響其他市場的模式，使用標(biāo)準(zhǔn)工具很難做到這一點。”

市場會產(chǎn)生大量數(shù)據(jù)，而挖掘這些數(shù)據(jù)的方式可能會暴露出數(shù)十億美元的風(fēng)險，以揭示未來的市場行為。華爾街和其他地方的公司采用各種算法，檢查不同的變量和因素，以找到這種模式并預(yù)測未來。

在這項研究中，研究人員使用了所謂的隨機森林機器學(xué)習(xí)算法來更好地理解其中一些模型的有效性。他們使用87個期貨合約的數(shù)據(jù)集對工具進(jìn)行了評估，這些合約是指以預(yù)定價格買賣未來資產(chǎn)的協(xié)議。

奧哈拉說：“我們的樣本基本上是五年內(nèi)全球所有活躍的期貨合約，在分析中，我們使用每筆交易(數(shù)千萬筆)。” “我們所做的是使用機器學(xué)習(xí)來嘗試了解為不太復(fù)雜的市場環(huán)境開發(fā)的微結(jié)構(gòu)工具如何有效地預(yù)測合同內(nèi)以及整個合同內(nèi)的未來價格過程。我們發(fā)現(xiàn)某些變量非常非常有效好吧，其中有些還不算太好。”

機器學(xué)習(xí)在金融領(lǐng)域早已被使用，但通常被稱為所謂的“黑匣子”(black box)，其中人工智能算法使用大量數(shù)據(jù)來預(yù)測未來的模式，但沒有揭示其如何做出決定。奧哈拉說，這種方法短期內(nèi)可能有效，但對導(dǎo)致市場格局真正起因的了解卻很少。

“我們在機器學(xué)習(xí)中的用途是：我對推動市場發(fā)展有一個理論，那么我該如何測試呢?” 她說。“我怎么才能真正理解我的理論是否很好?又如何利用從這種機器學(xué)習(xí)方法中學(xué)到的知識來幫助我建立更好的模型，并理解因為太復(fù)雜而無法建模的東西?”

有大量的歷史市場數(shù)據(jù)可供使用-自1980年代以來就記錄了每筆交易-每天都產(chǎn)生大量的信息。計算能力的提高和數(shù)據(jù)的可用性的提高使得進(jìn)行更細(xì)粒度和更全面的分析成為可能，但是這些數(shù)據(jù)集以及分析這些數(shù)據(jù)集所需的計算能力對于學(xué)者而言可能是非常昂貴的。

在這項研究中，金融業(yè)從業(yè)者與學(xué)術(shù)研究人員合作，提供了用于研究的數(shù)據(jù)和計算機，以及在實踐中使用的機器學(xué)習(xí)算法方面的專業(yè)知識。