牛津博士王宁：大数据和量化金融从机器交易高频交易到大数据交易--数据派--数据观--中国大数据产业观察.docVIP

牛津博士王宁：大数据和量化金融，从机器交易、高频交易到大数据交易 数据派 数据观 中国大数据产业观察 牛津博士王宁：大数据和量化金融，从机器交易、高频交易到大数据交易 时间：2015-09-02 10:53:21 作者：数据派 　　本讲座选自2015年8月27日在2015中国国际大数据大会主题论坛五──牛津大学NIE金融大数据实验室、数据科学高级研究员、博士王宁所做的题为《大数据和量化金融，从机器交易、高频交易到大数据交易》的演讲。 　　王宁：很高兴来到这里，我是第二次参加这种会议了。我这次是以第二个身份来的，就是牛津大学NIE金融大数据实验室，代表实验室过来，今天主要分享一下我们实验室做的关于量化金融的思考跟案例。 　　首先简单介绍一下我们的大数据NIE实验室，是一个全新的实验室，是2013年11月正式成立的，我们实验室的定位是世界主要大学的第一个以金融大数据为研究方向的实验室，我们是交叉学科的实验室，目的是把数据科学运用到金融领域，包括很多学科交叉在一起。因为我们的接口是牛津大学金融数学系，这个系框架上有金融、计算机、统计，我们致力于做一个产学研交流合作的平台。 　　我们主要研究的方向：包括行为金融学、第二个是机械学习在金融领域的应用。第三是一些金融的模型，特别基于数据的金融模型，数据来源主要是结构和非结构化数据。第四就是金融决策，就是我们说的情感分析，怎么用互联网包括社交媒体大数据帮助我们做一些金融决策。最后就是风险控制，也是我们常说的互联网金融怎么样能够把风险控制下来。 　　我们主要的提出的问题是几个挑战： 　　金融大数据对行业带来的挑战是什么？ 　　大数据具体在金融领域的主要应用是什么？要真正对行业起到推进作用。 　　金融更多是关注未来的东西，怎么样能够更好预测未来的东西，降低风险？ 　　最后是决策，怎么设计科学合适的机制，基于大数据机制，最终通过人或者机器进行自动化的决策？ 　　回到我们的主题，金融行业首先核心它是一个决策的机制。一个交易员，自己买股票每天要面对很多决策，是买这个股票还是卖，是买这个基金还是卖这个基金，买是什么时候买，卖是什么时候卖，买还是卖是一个问题，而且这个问题很难找到答案，而且这个问题还是跟时间相关，就是你的时间点要拿捏非常好，如果买得早或卖得早有可能对你金融的盈利模式产生影响。所以最终归根到底不管是交易员的交易还是机器交易，最终金融数学，包括机器交易，核心是一个决策的问题。 　　一提到决策的问题千百年来有很多决策都是通过人来进行的，这位是诺贝尔经济学奖的得主，他是心理学家拿到经济学奖，他有一个理论就是每个人都有趋利避害的心理，对我有利的东西永远愿意接受，对我有害的东西我永远不太容易接受。这个在学术包括心理学有很多现成的案例，最简单的比方，中国的很多股民都是普通的散户，包括我自己的母亲也是，她买了股票以后股票一跌就不愿意卖了，就放在那里了，股票继续跌，你现在卖了也是在赚钱，你卖得早可能亏得更少，但是她的趋利避害的心理导致她股票一掉就放在那不管了，相反股票一涨她也不愿意卖，觉得会涨更好。所以无论是很资深的交易，还是散户，每个人与生俱来都有趋利避害的心理，他永远希望看到好的事情发生，不好的事情永远不愿意看到。 　　所以这就导致我们所说的机器交易的发展，因为机器是没有感情的，你跟机器交易，一百块钱和一个亿对机器来说只是一个数字，而且机器不会受情感的影响，也不会受外界环境的影响。所以在西方，特别是华尔街产生一个新的工业就叫机器交易，或者说叫高频交易，这是一个简单的流程。高频交易的历史简单介绍一下，人类第一个股票交易所是在阿姆斯特丹，那时候信息不发达，通过信鸽传递信息，进行套利交易。1983年用了三千万元投资发明了历史上第一个实时的市场数据电脑系统，可以通过这个系统进行金融的计算，所以到今天彭博社在这个领域还是很领先的，在欧美很多的交易员还是非常熟悉彭博社提供的终端。在1996年美国的证监会通过立法允许了这种电子交易，最新的一个数字是美国华尔街时报有一个统计，说现在全世界在西方的金融市场70%的交易都是通过机器进行完成的。 　　这位是我们的一个前辈，大家知道叫西蒙斯，他建立的一个公司叫文艺复兴，他前身是一个数学家，MIT毕业，然后去美国国防部的机构研究密码，后来跟上司不愉快，就回到美国的大学任数学系主任，做了一段时间觉得没有意思就进入了金融市场，他的公司叫文艺复兴公司。就是全世界做量化投资做得最好的，而且它的平均业绩每年可以达到30%以上的市盈率，它的基金的市盈率是远远超过像巴菲特他们的基金的。他的基金成功的唯一秘诀他是不会跟别人讲的，但是他有一个案例跟大家分享过，他的基金就是通过机器交易，没有任何人的参与，他在华尔街雇了很多高端的理工科毕业生，进行大量计算，通过模型交易，他说人不可信，只