人工智能机器学习及在金融行业应用课件.pptVIP

多标记学习（ Multi-Label Learning ） ? 问题 ：一个示例存在多个标记 ? 举例： ? 方法： ? 问题转换法（二分类、标记排序、多分类） ? 算法适应法（改进常用监督算法） ? 金融应用场景？暂未发现 标签： 动作 科幻 奇幻 冒险 多示例多标记学习 强化学习（ Reinforcement Learning ） ? 不依赖历史数据，延时标签 ? 思想： 每次行动得到的反馈找到最优策略，使期望奖赏最大 ? Q 学习 ，定义 Q 函数，找到使其最大的 a ? 应用： 游戏、决策，现实状态复杂，研究刚起步 强化学习在金融中的应用 ? 应用领域 —— 自动化交易 （交易 - 游戏，奖励 - 利润） 举例： J.P .Morgan 的电子化交易团队利用强化学习的算法开发了限价 订单下单模块（ LOPM ），旨在最大限度及高效的（数秒到数分钟内） 降低滑移，完成任务 深度学习（ Deep Learning ） ? 本质 多层人工神经网络 ? 优点： ? 提取特征更高效 ? 更好捕捉非线性关系 ? 模型随数据增加不断改善 深度学习（续） ? 不同算法的差别来自层的组成结构及层与层之间的关系 ? DNN （深度神经网络） ? RNN （循环神经网络） ? LSTM （长短期记忆网络） ? CNN （卷积神经网络）卷积 + 池化（捕捉信息 + 降维） 深度学习在金融中的应用 ? 目前应用有限 ? 原因 ? 自动提取的特征不如分析逻辑提取的因子 ? 数据量积累不多，容易过拟合 ? 金融数据环境变化快、信噪比低 ? 举例：辅助投资 采用语音识别技术、历史交易数据分析 智能投资顾问 （美国智能投顾公司 Wealthfront 和 Betterment ） 广度学习（ Broad Learning ） ? 大数据 复杂性、大规模、非结构化数据 ? 数据融合 Velocity 、 Volume 、 Veracity 和 Variety 结构化、非结构化（新闻、论坛） ? 举例： 借贷风险、股票评价 全方位画像 ? 技术： ? 自然语言处理 ? 信息网络挖掘 ? 知识图谱 ? 社交网络 自然语言处理技术（ NLP ） ? 应用：辅助投资 舆情分析、智能投顾、自动生成报告 总结：潜在应用场景 ? ? ? ? ? ? ? ? 估价 选股 择时 个性化服务 黑天鹅 投资风格 产品推荐 … 应用（ 1 ） —— 估价 ? 通过特定技术指标与数学模型，估算出股票在未来一段 时期的相对价格。 ? 业绩 * 此行业的一般市盈率 ? 净资产 * 此行业一般市净率。 IT 业这类企业不合适 ? 举例： KNN 方法发现被低估的股票 应用（ 2 ） —— 选股 ? 利用数量化的方法选择股票组合，期望该股票组合能够获得超越 基准收益率的投资行为 ? 多因子模型是应用最广泛的一种选股模型，基本原理是采用一系 列的因子作为选股标准，满足这些因子的股票则被买入，不满足 的则卖出。 应用（ 3 ） —— 择时 ? 利用某种方法来判断大势的走势情况，是上涨还是下 跌或者是盘整。 ? 收益率最高的一种交易方式 ? SVM 择时就是利用 SVM 技术进行大盘趋势的模式识别， 将大盘区分为几个明显的模式，从而找出其中的特征， 然后利用历史数据学习的模型来预测未来的趋势 。 应用（ 4 ） —— 个性化服务 ? 智能投顾（个性化、细致） ? 便利、低门槛和互联网化的理财方式 ? 自动生成信息简报 ? AI 取代：大量易标准化、重复性、不具独创性的工作 如： 清算、交收、估值、对账 做多因子模型的投资经理？也很可能被 AI 取代 应用（ 5 ） —— 黑天鹅事件 ? 实时监测 ? 预测可能事件 例如：通过抓取 Twitter 数据，预测地域疾病突发 ? 历史事件的数据模式 例如：美国的 Kensho 公司 自动分析报表