[人工智能][Quant][Note]Can machines Learn Finance

内容简要

本文简单介绍了机器学习的概念，如何能将机器学习应用于金融领域，当前的主要金融领域ML的简单应用和研究现状

知识点

• 和CV，NLP相比，Finance的数据还是太少，因为预测的主要东西是return，频率太高，trading cost可能已经胜过了短期内return，频率太低，return的历史数据就很有限； 我认为增加模型对于其他的高频数据预测能力，一方面其实在为模型引入一些model，另一方面增加模型训练次数，有可能会对于return预测有帮助
• 在过去近九十年的数据中，有人使用Fama French 100模型进行预测，实际上在做完PCA之后，前三个factor已经能够在绝大部分时间覆盖80%的correlation，所以可能没有必要过度overfit
• 频率越高，数据越多，模型就可以越复杂，可以相对更少的担心overfit
• 金融数据信噪比低的原因 （signal-to-noise ratio）
  1. 经济增长本身难以预测
  2. 交易员对数据进行提前预测已经耗尽了经济背后实际带来的价值体现，因此市场很多时候被市场竞争住到 （1970 Fama论文）
• 另类数据可以包括：新闻，社交媒体，图片或者book order的信息等，这类数据通常不是structural。当前的alternative另类数据历史相对有限，这也造成了回测不足，使得人们实际在使用中给他们的权重较小
• 四层深度的NN对于return预测有比较不错的效果

论文评价

文章充分肯定了ML对于金融领域的使用可能，但提到这是一个evolution而不是revolution。整体文章探讨比较浅，更像是一篇社评或者科普而不是深度的研究。

关键引用

值得看的文章： Empirical Asset Pricing via Machine Learning