机器学习使用增长，但在高频交易上滞后

广告

尽管许多观察人士质疑机器学习技术是否完全掌握高频交易的需求，但在过去一年里，机器学习在外汇市场上获得了影响力。

今年早些时候，宏观研究公司Cuemacro的创始人Saeed Amen在一家纸媒出版机构介绍了如何利用彭博的机器可读新闻来制定系统性的外汇交易策略。

非结构化文本数据被转换为结构化数据，然后整合到货币情绪指标中。Amen认为，在类似时期内，基于新闻的外汇交易策略明显优于一般的外汇趋势跟踪策略。

美银美林最近首次涉足基于机器学习的外汇研究，将监督学习和非监督学习(后者在如何处理信息的算法方面未提供指引)结合起来，分析欧元/美元相关的基本数据和调查数据。

Celent高级分析师Josephine de Chazournes指出，在不同场所间的传递逻辑、技术和连接基础设施分析、风险和损益分析以及客户和交易对手分析等任务中，机器学习得到了越来越多的应用。

据算法预测解决方案提供商I Know First的联合创始人兼首席执行官Yaron Golgher称，在过去12个月里，该公司基于人工智能的外汇预测模型的需求增长了两倍。

他表示，机器学习能够支持高频外汇市场所需的速度。Golgher称，“经过最初的训练阶段，算法可以在线工作，接收最新的推送，并在几毫秒内返回答案。这个过程确实使高频交易的特征——极小的交易窗口增多，但算法的预测能力弥补了时间的增加。”

速度

然而，实证分析公司Inpirical的研发主管Johannes Tynes发现，有些算法天生就很慢，无法有效地运用于实时预测。

他说：“在某些情况下，一系列线性估算（增加和整合时间序列变量的因素）和决策树（一系列相关选择的可能结果的映射）可以捕捉到机器学习模型的主要结果，并在实时应用。”

Tynes补充说，即使这样，通常也需要在内存中同时执行数据流和模型，将其保存在RAM中，这样它们就无需访问速度慢得多的磁盘存储器。

Amen指出，训练阶段的计算非常密集，所以这实际上取决于交易者重新训练模型的时间间隔。“比如，你能不能在一夜之间重新训练模型，找到所有参数，然后在第二天将其与实时市场数据一起使用？当使用一个经过训练后的模型时，如果你想以非常高的频率进行交易，必须确保计算速度足够快。”

人工智能交易算法Forex Artilect的创始人David Lopez Onate称，除非你是一家大型基金，愿意在先进的硬件和最优秀的机器学习科学家方面投资大量资金，从而开发在毫秒级工作的算法，而且没有任何盈利的保证，否则将机器学习应用到高频外汇交易是不可能的。

Chazournes补充说，速度是一个主要限制，特别是如果系统应该在市场时段学习的话。她表示：“目前的系统在交易日的非交易时段彻夜学习，有时甚至几天也未能完成系统的调整。”

障碍

ICMarkets的总经理Angus Walker也认为，实时运行成功的机器学习计划所需的成本和计算能力，以及能够在货币对之间产生意外和短期波动的众多因素，仍令许多外汇交易者望而却步。

他解释说，高频交易给机器学习带来的特殊挑战通常来自于数据的粒度。开发首先将拟建模型与将要进行交易的数据连接起来，然后验证系统是否可以进行交易。

LucenaResearch首席执行官Erez Katz认为，在市场上，普遍存在错误的信息，并且对如何有效评估和使用替代数据缺乏理解。他表示：“我们一次又一次地从我们的对冲基金客户那里听到，他们宁愿在处理替代数据时迅速失败，也不愿意浪费宝贵的定量研究时间。”

该公司首席营销和业务开发官David Murray表示，交易者可以测试数据源、检查产生的噪音因素、隔离并添加或删除数据源，从而获得最佳匹配，进而确保他们使用的外部数据的可靠性和及时性。

Tynes观察到，对于传统的(结构化的和定量的)时间序列数据，时效性和一致性检查通常是可管理的，因为交易者可以通过对长时间序列进行回溯测试和调查来分析数据的质量。

对于新的数据类型和非结构化数据，尽职调查过程更需要亲力亲为。他最后说，“长度合适的样本数据仍然很重要，但你确实需要仔细研究方法和定义。”