银行货币战略官首次使用机器学习——让计算机梳理海量数据，并自行进行推断和预测

6 月中旬，东方卫视播出的一档节目《极限挑战》，上演了一场金融圈的烧脑大戏。

游戏中，急于与王迅猜拳赢得胜利的罗志祥，亲手将一个市值和利润率颇高的公司送入破产。相反，黄磊公司虽没有特别良好的市场竞争力，但得益于资深经理人的协助，他利用各种金融手段与股民建立信任机制，降低风险同时拉高公司市值。

金融证券交易市场的的复杂与风险，在一期不过两小时的节目中展现得淋漓尽致。

现实里，该名资深经理人扮演的正是融资机构交易员的角色。

这是一片起伏了近 400 年的江湖。

如今，位于证券大厅的现金股票交易柜台上出现的不再是股票交易员，取而代之的是机器。

风险管理、量化投资、行为刻画、资产配置、基金研究……这些，机器通通都能完成。

最近，据彭博社的一篇报道指出，美国银行（Bank of America）正搭上人工智能的潮流。银行货币战略官首次使用机器学习——让计算机梳理海量数据，并自行进行推断和预测——告诉中小投资者买卖什么。

上月，他们开始着手 AI 技术方面的研究。当时，意大利的一场政治动荡搅得金融市场昏天黑地，同时还引发了人们对欧洲另一场现有危机的担忧。

虽然 AI 基本短时间内不会改变与人类互动的方式，但它在数学运算中的表现远超人类。放之金融外汇领域，机器学习可以很大程度上降低货币波动的风险。

例如，受英国脱欧事件影响，英镑兑欧元汇率急剧下滑。专家预测，到 2019 年，商业投资将比欧盟公投前的预测低 25%，这种低值投资表明，货币贬值就会出现风险规避现象。

如果某一货币贬值，那么资产和投资的价值也会下降。在进行外贸交易时，本国货币与交易国的货币价值对比，决定了企业的利润。如果货币价值突然下降，那么企业最终可能会亏损。

对于小公司而言，它们在处理处理货币风险问题时会担心货币波动产生的高成本。如果能妥善管理这些风险，公司不仅可以确保高利润，且无需将成本转嫁给客户。无法承担这样高成本的小公司，便可利用 AI 的预判减少任何潜在的损失。

其实，在华尔街的金融圈，这种看似高端的分析早就有了。例如，量化投资公司多年以来就一直应用机器学习。

但当华尔街的分析研究机构逐渐偏重商业化时，美国银行似乎幡然醒悟，开始着手这一技术的研究和应用。

「外汇市场的本质决定了我们很难从历史数据中挖掘出什么，所以我们试着通过模拟数据进行机器学习，以推动前沿科技的发展」，美国银行 AI 研究货币战略官 Alice Leng 提到。

在美国三大银行中，美国银行率先将机器学习模型给出的预判纳入到其公布的货币研究中。不过，摩根大通的外汇研究团队已经对机器学习应用进行了探索，目前还未投放在研究中。

▌研究方法

这支美国银行团队的第一研究要务是，利用机器学习算法进行彻底调查和数据筛选，如政府支出和消费者购买力，以确定欧元对美元的影响。当机器接受到「处理信息」的训练信号时，团队会使用监督学习；当没有给出训练信号时，会使用无监督学习。

由此，他们的研究模型得出了这样一个结论：在意大利大选之后，欧元怀疑者认为「货币统一论可能会被减弱」。然而，对美元持续抛售的深深恐惧，就像曾历经欧洲债务危机的人们心中所想一样，被无限夸大了。

不过，目前多数银行关于人工智能的研究仍停留于表面。出版商 Jim Marous 指出，在去年秋季在一项《数字银行报告》调研中，绝大多数金融机构表示他们正使用某种机器学习模型，其中有 20% 的受访者表示（机器学习）无法解决「欺诈、风险、合规性」等问题。

▌研究模型

算法交易员 Milind Paradkar 指出，想要在交易中使用机器学习，就得先从历史数据（股票价格/外汇数据）开始，并在 R/Python/Java 语言环境中构建模型。然后，选取正确的机器学习算法进行预测。

例如：根据公司过去的季度业绩，预测 3 个月后股票的价格；预测美联储是否会抬高基准利率。

首先明确一点，机器学习算法可用于预测类别（解决分类问题）或预测方向和幅度（解决回归问题）。

1、指标/特征：包括技术指标（EMA、BBANDS、MACD 等）、基本指标、宏观经济指标。

例 1：RSI（14）、价格-SMA（50）、CCI（30）。可以使用这三个指标来构建模型，然后使用适当的 ML 算法来预测未来的值。

例 2：RSI（14）、RSI（5）、RSI（10）、价格 - SMA（50）、价格 - SMA（10）、CCI（30）、CCI（15）、CCI（5）。在这个例子中，我们选择了 8 个指标。其中一些指标可能与模型无关。为了选择正确的指标子集，将使用特征选择方法。

2、特征选择：选择用于模型的相关特征子集的过程。特征选择技术分为 3 大类：过滤方法、包装方法和嵌入式方法。为了选择正确的子集，基本上在某种组合中使用 ML 算法。所选特征被称为机器学习中的预测器。

3、支持向量机（SVM）：SVM 是一种众所周知的监督机器学习算法，用于解决分类和回归问题。

SVM 算法，基于给定的标记数据点起，并通过边界或超平面将数据分离。SVM 试图将分离超平面周围的 margin 最大化。支持向量是最接近决策表面的数据点。

4、在 R 语言中使用 SVM 的外汇策略构建规则：鉴于对特征和 SVM 的理解，先以 R 语言为例。选取欧元/美元货币对的一小时时间框架，可追溯到 2010 年。指标为 MACD（12,26,9）和抛物线 SAR，默认设置为（0.02,0.2）。

首先，在 R 语言中加载必要的库，读取 EUR / USD 数据。然后，使用「TTR」包中提供的各自功能计算 MACD 和抛物线 SAR。随后，从每个数据点的 SAR 值中减去收盘的 EUR / USD 价格。

将指标和类合并为一个称为模型数据的数据框，再将模型数据分成训练和测试数据。

然后，使用「e1071」包中的 SVM 功能并训练数据；通过预测函数进行预测，并绘制模式。这一过程准确度达到了 53％。

从图中可以看到看到两个不同的区域，上部红色较大区域是算法做出的短期预测，而下部蓝色的区域则是长期预测。

随着时间的推移，SAR 指标随着趋势的延伸而下降。价格上涨时 SAR 低于价格，价格下跌时高于价格。当价格趋势反转时，SAR 停止并反转。

如下所示，构建两个规则并进行测试：

短期规则=（价格-特区）> -0.0025＆（价格-特区）<0.0100＆MACD> -0.0010＆MACD <0.0010 

长期规则=（价格-特区）> -0.0150＆（价格-特区）<-0.0050＆MACD > -0.0005

短期交易的准确率为 54％，长期交易的准确率为 50％。基本上，在以上案例中 SVM 算法取得了较好成绩。

▌有何卖点？

就在本周，摩根士丹利表示，他们聘请了此前曾为 Steve Cohen 对冲基金服务的宾夕法尼亚大学计算机科学教授 Michael Kearns，以扩大 AI 在整个公司的应用。

德意志银行跨资产量化研究部主管 Caio Natividade 也看到了诸多优势，特别是在货币方面。

他的团队已经将机器学习融入到分析中，在他看来，人工智能技术可用于解读银行家们往往混乱的言论。

机器学习研究「可能成为一大卖点」，格林威治协会 Richard Johnson 说道。新法规旨在分拆研究和交易，「使研究真正独立」。

纽约大学数据科学教授、SCT 资本管理公司的创始人 Vasant Dhar 表示，外汇市场仍面临着很多特殊的挑战——SCT 是一家运用机器学习技术近 20 年的对冲基金。例如，宏观经济因素复杂且多样，会影响货币的变动，进而让外汇市场遭遇难以分析股票或债券的问题。

▌人们在担心什么？

「如果你无法将机器学习模型应用在其他类型的资产，那么就更别提能适用于外汇市场」，Dhar 继续提到。

长久以来，业内存在这样一种担心：智能计算机以人类无法理解的方式查看信息并提供答案。事实上，机器不需要编织连贯的故事来支持给出的预测，这更使得一些怀疑论者很难将媒体笔下的言论与现实中发生的事情分开。

其他人表示，机器学习工具的开放或许会让更多的投资者开发自己的 AI 分析软件，而不是依赖华尔街的研究分析。

尽管如此，这也不太可能阻止华尔街拥抱 AI 了。