商品名称：
评价得分：
其他谈论话题
多品类齐全，轻松购物
快多仓直发，极速配送
好正品行货，精致服务
省天天低价，畅选无忧机器学习在金融中的具体应用 - 知乎专栏
{"debug":false,"apiRoot":"","paySDK":"/api/js","wechatConfigAPI":"/api/wechat/jssdkconfig","name":"production","instance":"column","tokens":{"X-XSRF-TOKEN":null,"X-UDID":null,"Authorization":"oauth c3cef7c66aa9e6a1e3160e20"}}
{"database":{"Post":{"":{"title":"机器学习在金融中的具体应用","author":"dangyuanchu","content":"这篇文章参考了我之前的回答：，讲述了一些机器学习在金融领域的具体应用。最近本人在把一些回答形成文章，如果有读过我之前回答的朋友请不要见怪哈。本文涉及四个方面，主要包括机器学习在做市商业务（market making）或者自营交易（prop trading）中的例子，当然这只是在理论上的探讨，也夹杂个人的小想法，不代表单位，希望compliance不要找我麻烦哈哈。（1） 第一个例子是分类方法（classification）的一个应用。我们都知道交易公司或者券商的对手家（counterparties）有好多不同的“段位”，例如有比较弱鸡的散户（retail flow），也有比较牛逼的其他玩家（Citadel、Two Sigma、Virtu、Hudson River等）。从信息学上讲，散户的订单（order）所携带的信息不多，随机噪音居多，而大玩家的单子就体现了他们所掌握的信息、和对市场行情的判断，因此一个聪明的trader肯定想要区分出来那些野鸡retail flow和身经百战的Citadel，以防被搞。这里，我们就可以很自然的使用到classification，至于用什么变量去分类，用什么分类方法，怎么调节模型系数，以及分完类之后的信息可以怎么使用，大家可以自己动一动脑筋啦。（2）证券买卖的定价模型（pricing model）。大家都知道金融工具例如股票（equity）、债券（bond）、国债（Treasury）和各种交换（swaps）的价格都包括一个中间价（mid price），和在中间价两边的买家和卖家价（bid price 和 ask price）。通常，尚未执行的订单中，bid price & mid price & ask price。当然，在固定收益类的产品中，价格可以是利率（rates）、差价（spread）等等，但总之，这里关键的概念是bid、mid和ask的关系。这三个价格的关系可由下图直观表现：那么，对于trader来讲，一个定价模型起码应该包括两个部分：一个mid price模型、和一个bid-ask spread模型，两者组合起来就可以对顾客进行简单的报价。对于mid price，数据的来源可以是交易所即时发布的交易或挂单情况，对于北美市场，也可以是来自于consolidated tape的成交信息。那么，对于trader来讲，一个定价模型起码应该包括两个部分：一个mid price模型、和一个bid-ask spread模型，两者组合起来就可以对顾客进行简单的报价。对于mid price，数据的来源可以是交易所即时发布的交易或挂单情况，对于北美市场，也可以是来自于consolidated tape的成交信息。然而，这些数据源的噪音巨大，而且数据更新的频率很快，大多在毫秒甚至微秒级别。因此各种降噪手法（noise reduction）在这个情景中可以大展身手，我们希望通过降噪来获得一条平稳的mid price曲线。为此，我们可以使用很多非线性方法，首先是各种样条函数（spline methods），尤其是B-splines，其中knots和degree的选择需要认真调节。更加精彩的方法包括各种滤波（filter），例如卡尔曼滤波（Kalman filter）。卡尔曼滤波把过程（process）分为两类，一类是可以被观测到的测量值（measurement），一类是隐藏的状态变量（state）。建模者需要指定描述这两类变量的函数关系（），此外，我们还需要指定隐藏变量关于时间的变化（），这里面可以使用简单的时间序列模型（time series）。下图描述了一个卡尔曼滤波的基本逻辑。卡尔曼滤波的一个经典应用是军事中对导弹飞行轨迹的估计。这里，我们的数据源（measurement）是雷达对导弹位置的测量，但雷达的测量是有偏差/噪音的，导弹的飞行也有抛物线和流体力学之外的噪音，所以我们需要根据雷达测量来推测导弹的实际位置（state）。价格的模型原理也一样，我们只不过把数据源从雷达信号替换成了交易信息，把隐藏变量从导弹的真实位置替换成了mid price。当然，这种模型的缺点就是没有基本面和经济逻辑，当市场的判断出现系统性偏差时，这个模型生产的价格也就毫无意义。下图是一个卡尔曼滤波为正弦函数降噪的实例，黑线是正弦函数，蓝点是带噪音的被观测到值，红线是过滤后的估计值，可见效果还不错：价格的模型原理也一样，我们只不过把数据源从雷达信号替换成了交易信息，把隐藏变量从导弹的真实位置替换成了mid price。当然，这种模型的缺点就是没有基本面和经济逻辑，当市场的判断出现系统性偏差时，这个模型生产的价格也就毫无意义。下图是一个卡尔曼滤波为正弦函数降噪的实例，黑线是正弦函数，蓝点是带噪音的被观测到值，红线是过滤后的估计值，可见效果还不错：（3） 差价模型（bid-ask spread）。有了中间价格，我们需要还需要一个差价模型。这可以是一个运筹学中的优化问题，我们的（极度简化版本）目标函数是： （3） 差价模型（bid-ask spread）。有了中间价格，我们需要还需要一个差价模型。这可以是一个运筹学中的优化问题，我们的（极度简化版本）目标函数是：
其中，代表定价为时顾客购买的概率；代表成本。当然，真实的模型要复杂得多，比如成本是一个未知的变量（有很多estimators），要被所替代，这里，直觉上，我们很好理解，报价（或者差价）越大，顾客越不愿意与其进行交易，就好比一个西瓜大概值个5块钱，我说6块卖给你，你说行，但我如果要价100，你肯定不干...... 所以是一个关于的递减的概率密度函数。具体的估计有很多手法，其中很多non-parametric的方法，同时还要注意各种统计问题，例如数据不全（incomplete data）、控制各种变量等等。（4）最后再说一种很浮夸的玩法，跟trading就没有太大关系了。加州Mountain View有一个Google Venture投资的科技公司叫。他们专门用神经网络和深度学习去识别商业卫星拍摄的图片（我猜测大部分是和object recognition相关的技术），然后推测出很多和经济/金融相关的数据/信号。比如他们用卫星拍摄的沃尔玛门前的停车场图片，查一查汽车的数量，去推测这个季度沃尔玛的销售情况：或者拍摄炼油厂和储油罐的照片进行分析，来推测现在市场上的石油供应量，如下图：或者拍摄炼油厂和储油罐的照片进行分析，来推测现在市场上的石油供应量，如下图：详细信息可以看我的另外一个回答：详细信息可以看我的另外一个回答：另外也欢迎查看我的其他回答：如果你对金融衍生品感兴趣：如果你对量化金融感兴趣：如果你对机器学习感兴趣：如果你是统计爱好者：","updated":"T08:01:11.000Z","canComment":false,"commentPermission":"anyone","commentCount":11,"collapsedCount":0,"likeCount":93,"state":"published","isLiked":false,"slug":"","lastestTipjarors":[],"isTitleImageFullScreen":false,"rating":"none","titleImage":"/v2-111f7c77e5fe596e1eef888fff49d23f_r.jpg","links":{"comments":"/api/posts//comments"},"reviewers":[],"topics":[{"url":"/topic/","id":"","name":"机器学习"},{"url":"/topic/","id":"","name":"量化交易"},{"url":"/topic/","id":"","name":"金融"}],"adminClosedComment":false,"titleImageSize":{"width":460,"height":290},"href":"/api/posts/","excerptTitle":"","tipjarState":"activated","tipjarTagLine":"真诚赞赏，手留余香","sourceUrl":"","pageCommentsCount":11,"tipjarorCount":0,"annotationAction":[],"hasPublishingDraft":false,"snapshotUrl":"","publishedTime":"T16:01:11+08:00","url":"/p/","lastestLikers":[{"bio":"3分钟热度学习者","isFollowing":false,"hash":"bc1af3f90d36a04fbff1e6","uid":96,"isOrg":false,"slug":"tang-xiao-","isFollowed":false,"description":"","name":"唐霄","profileUrl":"/people/tang-xiao-","avatar":{"id":"","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},{"bio":"wower","isFollowing":false,"hash":"bd47c87e40261cbdf491b6f8","uid":491000,"isOrg":false,"slug":"seeya7","isFollowed":false,"description":"","name":"被遗忘者","profileUrl":"/people/seeya7","avatar":{"id":"v2-488ad574eeeb25c25f5d5bfc","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},{"bio":"MindGo量化交易平台：.cn","isFollowing":false,"hash":"c1ebc99f96e6905a2edf","uid":976700,"isOrg":false,"slug":"yin-gang-30-51","isFollowed":false,"description":"MindGo量化交易平台：.cn/","name":"MindGo","profileUrl":"/people/yin-gang-30-51","avatar":{"id":"v2-835406edaef6c5cda0fd983895ddee0b","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},{"bio":"开脑洞专家，方法论小小心得","isFollowing":false,"hash":"7ff64257a5ddbc24b8ba11","uid":72,"isOrg":false,"slug":"atrax","isFollowed":false,"description":"","name":"袁维","profileUrl":"/people/atrax","avatar":{"id":"f18a0ed2fc69d5ec41d264","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false},{"bio":null,"isFollowing":false,"hash":"d33ef3a147bf276be0c8cb3b771c1687","uid":80,"isOrg":false,"slug":"chen-yi-cheng-92","isFollowed":false,"description":"","name":"艾迪沈","profileUrl":"/people/chen-yi-cheng-92","avatar":{"id":"d4c735c94cf951db4ce23aadb37dcdb4","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false}],"summary":"这篇文章参考了我之前的回答：，讲述了一些机器学习在金融领域的具体应用。最近本人在把一些回答形成文章，如果有读过我之前回答的朋友请不要见怪哈。 本文涉及四个方面，主要包括机器学习在做市商业务（market making）或者自营交易（prop trad…","reviewingCommentsCount":0,"meta":{"previous":null,"next":null},"annotationDetail":null,"commentsCount":11,"likesCount":93,"FULLINFO":true}},"User":{"dangyuanchu":{"isFollowed":false,"name":"威廉姆斯YD","headline":"","avatarUrl":"/v2-9d1a07f93eb39cdebf71d605_s.jpg","isFollowing":false,"type":"people","slug":"dangyuanchu","bio":"Quant Trader","hash":"edcb3fbc025bdbe86465","uid":844600,"isOrg":false,"description":"","profileUrl":"/people/dangyuanchu","avatar":{"id":"v2-9d1a07f93eb39cdebf71d605","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false,"badge":{"identity":null,"bestAnswerer":null}}},"Comment":{},"favlists":{}},"me":{},"global":{},"columns":{},"columnPosts":{},"columnSettings":{"colomnAuthor":[],"uploadAvatarDetails":"","contributeRequests":[],"contributeRequestsTotalCount":0,"inviteAuthor":""},"postComments":{},"postReviewComments":{"comments":[],"newComments":[],"hasMore":true},"favlistsByUser":{},"favlistRelations":{},"promotions":{},"switches":{"couldAddVideo":false},"draft":{"titleImage":"","titleImageSize":{},"isTitleImageFullScreen":false,"canTitleImageFullScreen":false,"title":"","titleImageUploading":false,"error":"","content":"","draftLoading":false,"globalLoading":false,"pendingVideo":{"resource":null,"error":null}},"drafts":{"draftsList":[],"next":{}},"config":{"userNotBindPhoneTipString":{}},"recommendPosts":{"articleRecommendations":[],"columnRecommendations":[]},"env":{"isAppView":false,"appViewConfig":{"content_padding_top":128,"content_padding_bottom":56,"content_padding_left":16,"content_padding_right":16,"title_font_size":22,"body_font_size":16,"is_dark_theme":false,"can_auto_load_image":true,"app_info":"OS=iOS"},"isApp":false},"sys":{}}社会化媒体
了解更多>>
桂ICP备 号
桂公网安备 36号
阅读下一篇
自媒体运营攻略行业经验交流
Hi，在你登录以后，就可以永久免费的收藏任何您感兴趣的内容，关注感兴趣的作者！
请输入正确的邮箱
已有帐号请点击
帐号创建成功！
我们刚刚给你发送了一封验证邮件
请在48小时内查收邮件,并按照提示验证邮箱
感谢你对微口网的信任与支持
如果你没有收到邮件，请留意垃圾箱 或 重新发送
你输入的邮箱还未注册
还没有帐号请点击
你输入的邮箱还未注册
又想起来了？
邮件发送成功！
我们刚刚给你发送了一封邮件
请在5分钟内查收邮件,并按照提示重置密码
感谢你对微口网的信任与支持
如果你没有收到邮件，请留意垃圾箱 或 重新发送
对不起，你的帐号尚未验证
如果你没有收到邮件，请留意垃圾箱 或
意见与建议
请留下您的联系方式
* 留下您正确的联系方式，以便工作人员尽快与你取得联系