ARES 資通電子報 yyyy.mm
  • 本月焦點

AI 金融當道 衍生性金融商品評價也靠人工智慧?

author by 盧叡
關鍵字:FinTechAI 人工智慧衍生性金融商品評價系統弱人工智慧理財機器人

近來 FinTech(Financial technology;金融科技)的興起,讓金融業開始關心現代科技運用在財務上的可能性,其中人工智慧扮演的角色更是日趨重要。衍生性金融商品評價系統引擎未來升級目標,即是結合了機器學習(Machine Learning)中的 Boosting 演算法,將帶給使用者更迅速、優異的金融商品評價體驗。

機器學習的「訓練集」

目前的人工智慧蓬勃發展始於弱人工智慧,即機器學習。機器學習的目的在於給定一組資料,希望模型能從中找出潛藏在資料裡的規律與模式。其中,在模型建構前就需備妥,並讓電腦學習的資料稱為「訓練集」(Training set)。另外,根據訓練集情況的不同,機器學習可約略分為四大類:

  • 監督式學習(Supervised Learning)

    給定若干個分類,且訓練集每個資料自行對應到某一分類。在經過訓練後,希望電腦能將新的資料賦予正確分類。例如給定股票的歷史資料,將當日收盤價高於開盤價的資料分類為「漲」、反之分類為「跌」,經過訓練後,希望能在今日開盤時給予今日漲跌的預測,用以建構投資策略。常見的演算法如 K-nearest Neighbor、Boosting、Support Vector Machine(SVM;支持向量機)與 Classification and Regression Tree(CRT)等。

  • 非監督式學習(Unsupervised Learning)

    訓練集資料尚未經過分類,只給定其分類的數目,在從中找到潛在的規則,例如 Google 用來搜尋相似網站,可使用該類演算法。常見的演算法有 K-means、Principle Component Analysis(PCA;主成分分析)以及 Adaptive Resonance Theory(ART)等。

  • 半監督式(Semi-Supervised Learning)

    當將資料分類成本很高時,可能只對部分訓練集進行分類,而大部分的訓練集資料是沒有經過分類的,例如將某一藥物分為「有效」或「無效」的測試成本過高,難以將所有藥物都經過完整測試,故只能選擇其中少數樣本。常見的演算法如 Low Density Separation、Generative model(生成模型)等。

  • 強化學習(Reinforcement Learning)

    當根本沒有訓練集合時,只能讓模型從錯誤中學習。當模型對新資料分類得到不正確結果時,將給予其懲罰,或是在得到相對好的結果時,給予獎賞,讓演算法在運行中進行改進。其理論基礎為馬可夫決策過程(Markov Decision Process)。在財務理論中亦常用來動態調整投資組合部位。常見的演算法有 Least-absolute Policy Iteration、Active Policy Iteration、REINFORCE 等。

機器學習在財務上的運用日漸廣泛,尤其在投資組合與交易系統的設計上。例如:Creamer 與 Freund(2010)運用 Boosting 中的 AbaBoost 以及 LogitBoost 建構一個交易系統,其採用 2003 年的歷史資料進行訓練,並在 2004 至 2005 的交易回測中,在考慮的交易成本下,即使股價在下跌時仍呈現逆勢成長(黑線為單純持有股票之報酬率,其他色線表示不同交易成本比率)。

機器學習在財務上的運用日漸廣泛

而金融業界理財機器人也不斷推陳出新,如:瑞銀投信(UBS)、復華投信、王道銀行、中國信託、富邦證券等。有些新創公司也使用機器學習來建構避險基金策略、或提供理財機器人核心演算的相關模組,如 HELIO.AI 公司提供客戶利用機器學習建立之交易策略與資產配置邏輯、私募基金革勢資本稱其利用強化學習來選擇與配置交易策略等,可得知現今機器學習相關領域運用已在金融領域蓬勃發展。

而評價衍生性金融商品部分,傳統蒙地卡羅法中主流為最小平方蒙地卡羅法,該方法的一大缺點為難以進行平行運算,在評價多資產商品時速度略顯不足,針對此問題 Picazo(2002)結合了機器學習中的 Boosting 演算法,達到平行運算的結果,且經過一次訓練,即可對該商品進行數次的快速評價,此外,利用樣本外資料進行訓練效果亦較最小平方蒙地卡羅法佳,是為資通衍生性商品評價引擎未來升級的目標之一,期望帶給使用者更智慧並且超乎想像的衍生性金融商品評價體驗。

參考資料

  • Abu-Mostafa, Yaser S., Malik Magdon-Ismail, and Hsuan-Tien Lin. Learning from data. Vol. 4. New York, NY, USA:: AMLBook, 2012.
  • Creamer, Germán, and Yoav Freund. "Automated trading with boosting and expert weighting." Quantitative Finance 10.4 (2010): 401-420.
  • Goodfellow, Ian, et al. Deep learning. Vol. 1. Cambridge: MIT press, 2016.
  • James, Gareth, et al. An introduction to statistical learning. Vol. 112. New York: springer, 2013.
  • Longstaff, Francis A., and Eduardo S. Schwartz. "Valuing American options by simulation: a simple least-squares approach." The review of financial studies 14.1 (2001): 113-147.
  • Picazo, Jorge A. "American Option Pricing: A Classification—Monte Carlo (CMC) Approach." Monte Carlo and Quasi-Monte Carlo Methods 2000. Springer Berlin Heidelberg, 2002. 422-433.
  • Shalev-Shwartz, Shai, and Shai Ben-David. Understanding machine learning: From theory to algorithms. Cambridge university press, 2014.
blocked