关键词:金融科技,人工智能,机器学习
本文翻译自 CFA研究基金会 2020年 非盈利调研报告
近年来,人工智能和机器学习在实践和学术界都得到了广泛的应用。因此,在过去五年中,以“人工智能”和“机器学习”为关键词发表的研究论文数量急剧增加(如图1所示)。人工智能(AI)是一个比机器学习(ML)更宽泛的概念,因为它指的是一般使用计算机来模仿人类认知功能的算法。机器学习(ML)实际上是人工智能(AI)的一个子集,因为机器能够根据过去的经验来决定和执行动作。到目前为止,金融领域的人工智能应用大多使用机器学习(ML)技术,如统计学习,因此人工智能标签仅在一个非常广泛的意义上适用于该领域 (Gu, Kelly and Xiu 2020)。此外,在金融业中被称为人工智能(AI)(或机器学习(ML))的东西中,很大一部分其实并不新鲜,因为它们以统计或计量经济学建模技术的形式存在了很长一段时间。
最近关于人工智能的炒作可以归结为三个发展阶段,当然这些发展不一定与人工智能本身的科学有关 (Giamouridis 2017)。首先,计算机处理和存储能力在过去十年中有了显著的提高,使得一些长期的人工智能技术的使用成为可行。第二,市面上可以用于训练AI模型的数据量和广度大幅读增加。最后,因为人工智能算法得到了改进并变得广泛可用,使得它们在许多情况下都可以使用,而不需要专家级别的计算机科学知识。以上这些因素都促进了人工智能的发展,以及人工智能作为社会科学研究课题的普及。
虽然人工智能是一个广泛的领域,需要一系列随着时间推移而不断发展的方法,但是最近(学界和业界)对人工智能的兴趣几乎完全集中在机器学习(ML)上,因为其是迄今为止最流行的人工智能(AI)方法之一。机器学习(ML)关注的是逐步使用数据来适应统计、概率和其他计算模型的参数。它(指机器学习)基本上令一个或多个信息处理阶段进行了自动化的处理。虽然一系列技术可以实现这一自动化过程,但是大多数机器学习(ML)的应用程序在资产管理,甚至更一般的财务中,都依赖于一些(类)主要技术或算法(如图2所示)。这些算法包括人工神经网络(ANNs)、聚类分析(Clustering Analysis)、决策树(Decision Tree)和随机森林(Random Forest)、进化(遗传)算法(Evolutionary (Genetic) Algorithms)、套索算法(LASSO)、支持向量机(SVMs)和自然语言处理(Nature Language Processing)。
在过去的二十年里,学术界对特定人工智能技术的研究兴趣稳步增长,这一点可以从发表的论文数量上得到证明(如图3所示)。其中一些技术,如演进算法或神经网络,早在机器学习流行之前就已被确立为研究课题。另一方面,支持向量机和自然语言处理最近引起了人们的兴趣。在过去的五年中,神经网络、随机森林和自然语言处理技术在已发表的论文中的引用率增长最快。
参考文献
- Gu, Shihao, Bryan T. Kelly, and Dacheng Xiu. 2020. “Empirical Asset Pricing via Machine Learning.” Review of Financial Studies 33 (5): 2223–73.
- Giamouridis, Daniel. 2017. “Systematic Investment Strategies.” Financial Analysts Journal 73 (4): 10–14. https://doi.org/10.2469/faj.v73.n4.10.
相关阅读
(一) 资产管理中的人工智能 AI in Asset Management - (一)简介
未完待续
(三)投资组合管理
(四)交易
(五)投资风险管理
(六)咨询机器人
(七)人工智能的风险和挑战:哪一部分会出错?