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（2）
… 继续
二． 案例研究
1. 机器学习增强交易策略 （MAN AHL）
• 背景
Man Group是一个主动式投资管理公司，截至到2019年6月30日旗下管理资产1144亿美元，只提供做多和另类投资产品。Man AHL是其旗下的量化投资部门，总部在伦敦，管理资产299亿美元。
Man AHL是多范围的交易型对冲基金，跨越多种资产类别和地理区域。所有这些都融入了机器学习元素，例如执行过程使用了自适应的智能分单算法；机器学习在其多策略的程序中广泛使用，涉及模式识别、趋势跟踪和自然语言处理等。
Man AHL第一次研究机器学习技术及其在投资上的应用是在2009年，该研究并没有应用到投资程序中。在2012年，Man AHL采用了不同的机器学习方法，团队开始对其有效性是将信将疑的，但是通过较长期的测试和实盘操作，在2014年Man AHL终于开始在其投资程序中正式使用该策略。
• 投资过程
到目前为止，机器学习主要在Man AHL的投资管理过程中的两个方面产生重大影响。第一个是交易策略的研发过程，就是买卖什么以及什么时候买卖；第二个就是改善这些交易的执行策略，就是如何寻求一个最优方案以完成交易。
在交易策略研发中，ML算法主要作用是帮助寻找提供alpha收益且保证多元化投资的特征，同时弱化和忽略原来特征，还有剔除噪音。
当交易策略传递到执行系统时需要考虑最小化交易成本和市场影响。Man AHL常年以来一直使用代理商和银行合作方的算法。在一天内，交易可能会执行上千次，所以一个关键问题是如何最有效或者以最低成本完成这些交易？应该采用什么算法？由人来判断还是其他的什么？Man AHL采用了机器学习技术来帮助做交易路由，例如某一个交易应该由算法A或算法B或人去执行，具体来说使用了强化学习模型，发现这种方式带来了钱和时间两个方面的好处。目前这种方案已经在整个Man Group开始使用。
• AI/Big data 技术
Man AHL的团队对机器学习保持非常开放的态度，他们并不关心是使用深度学习还是贝叶斯机器学习，事实上这两类算法在其实际交易策略中都在运行。近期基于NLP的模式识别算法也已经上线，同时使用GPU的深度学习算法也在研究中。
在研究策略交易执行中，使用的是简单的时序数据，即使高频采样也不足以满足需求，因为相关的数据对象LOB（Limited Order Book）会更加复杂。这种关于市场微结构的研究可能需要更高的数据吞吐量和更强的算力。
Man AHL在编程语言上统一到了Python，以避免重复编码和加快迭代速度。
• 团队结构和研发过程
Man AHL的研发团队的大部分人员都有科学背景，诸如数学、统计、计算机、工程物理等；同时他们的工作背景也是多种多样的，绝大多数是非金融的。首席投资长官和资深人员负责确定方向，而团队负责在相关领域进行研究实现。
整个团队是高度集成的，并没有明确的诸如研究者、技术人员、投资组合经理这样的职位划分。
• 关键点
仅有一小部分数据可能会有用，另类数据带来其他机会，但通常没有足够的历史时长。
用非机器学习方案所得到的结果通常会作为一个基准。
用最简单的工具来达成目的
保持胆大心细；预先确定什么是值得跟进的；剔除没有前景的项目。
