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）。
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.
