机器学习、数据科学与金融行业
系列十四：人工智能，大数据和投资管理 (3)
2. 用机器学习为量化模型生成信号 (NEW YORK LIFE INVESTMENTS)
• 背景
纽约人寿投资是纽约人寿保险公司在资产管理方面的分部，截止到2018年12月31日，管理资产总额为3140亿美元。其多资产解决方案团队管理着100亿美元资产，主要负责全球宏观资产配置产品，团队成员具有多元化的背景和经历，跨越经济、金融、工程和物理学等。
• 投资过程
同时使用了基本面和量化分析。开始的时候，主要使用量化工具进行投资决策；后引入全球宏观投资，一些市场驱动因素很难被量化，所以基本面和定性分析也变得重要起来了。
量化工具使用了因子驱动方案来进行资产配置，资产类别被分解为风险因子，对这些风险因子使用基于四种不同的系统性方法进行预测分析：周期、价值、动量和市场情绪，对这些量化指标使用了机器学习技术。整个方法的设计、因子的选择结合了模拟技术、交叉验证和实操经验。
经济周期是市场收益的一个重要的驱动因素，特别是在经济增长的加速和减速或者衰退和回复期。这种周期的漂移不仅影响风险资产的收益期望，而且影响其概率分布的其他特性，例如波动率、峰度和偏度。机器学习在映射经济周期和瞬时预测市场环境上非常有帮助。机器学习技术可以接受更多错综复杂的变量，远超传统统计模型，同时得到一个值得信赖的周期趋势预测。
• AI/Big Data技术
对于经济周期的当前环境（增长或者下滑）的预测性分析作为周期投资的输入；对于投机级别的违约率的预测性分析作为评估信用敏感资产类别的价值信号。
机器学习帮助处理大量指标，可靠而快速，从而有效增强了整个的工作流过程。
AI/ML技术不仅影响了投资组合决策过程，而且越来越在更广泛的范围改变我们与数据一起工作的方式。人工智能可以被用来在特定事件发生时映射和排序指示变量，建立仪表板来实时监控关键变量，使整个过程更加高效。
• 开发过程
量化工具包括机器学习模型主要是由团队中3、4个人开发和维护的，他们的背景有经济学、物理学、数据科学和运营工程。
创新的过程非常艰难，总是迭代着尝试和错误。从大学论文中阅读出有价值的信息和方法论总是令人鼓舞的，数据可视化是创造过程中的一个必要环节。
• 关键点
使用了大量的信用质量指标、杠杆、流动性、借贷和发行预测、青少年犯罪来预测信用利差和违约。ML使这些成为可能。
ML所产生的信号特别是周期信号和价值信号使投资过程聚焦在最重要的指标上，且以最高效的方式运行。
