機器學習(machine learning)在經濟學領域是否有應用前景? | 知乎問答精選

 

A-A+

機器學習(machine learning)在經濟學領域是否有應用前景?

2018年11月06日 知乎問答精選 暫無評論 閱讀 16 ℃ 次

【李菠蘿的回答(39票)】:

1. 引用身邊一位經濟學PhD對ML乃至現在廣泛流行的data science的概括:

"data scientist is the modern fengshui master."

我估計大多數嚴肅的經濟學者會贊成這個觀點。(但不屑歸不屑,這並不妨礙他們學ML,畢竟業界喜歡簡單暴力的prediction而非據說表現了casual inference的conceptional toys,這也反映出兩者本質差別)

2. 但兩者卻有交叉部分,這個部分恰恰不是在實證領域,如 Learning and Expectations in Macroeconomics (豆瓣),尤其在最近幾年,關於information friction的討論,大量的宏觀經濟論文使用了social learning來取代rational expectation,認為經濟主體是個「學習者」,某些具體的learning algorithm估計ML實踐者們會有點熟悉。

【言施的回答(8票)】:

借用Hansen大神的句式,我猜Machine Learning在經濟學中的應用前景大概是:

『It allows you to do something without having to understand anything.』

註:

Lars Hansen 談起自己的研究時,往往會這樣概括:『It allows you to do something without having to do everything.』

Lars Hansen: Doing Something Without Doing Everything

【六道炫鳴的回答(68票)】:

我的專欄——機器學習、大數據與經濟學研究 - 大石頭路73號 - 知乎專欄

對於這個問題,經濟學大牛 Varian 已經寫論文說過了,知乎上有人給了論文鏈接,我在這裡簡單介紹一下這篇文章的內容。

Varian, 2014, Big data: New tricks for econometrics

這裡有一篇中文的介紹:

【香樟論壇】大數據:計量經濟學的新技巧

其實這篇介紹的挺詳細。但如果我全都照搬過來,豈不是很沒有創造性?所以我決定重新寫一篇。。。

論文作者是范裡安(Hal Varian),學過經濟學的應該都知道這位大名鼎鼎的美國經濟學家,著有經濟學教材《微觀經濟學:現代觀點》,就算沒讀過應該也聽說過。他現在已經從加州大學伯克利分校退休,現任 Google 首席經濟學家,參與設計了 Google 廣告關鍵詞拍賣系統等項目。

范裡安為 Google 設計的「AdWords Select」系統背後的經濟學原理是怎樣的? - 谷歌 (Google)

首席經濟學家范裡安:谷歌搖錢樹 -- 經濟金融網 -- 傳送門

看看他在這篇論文腳注中的作者介紹,感覺還是挺酷的:

Hal Varian is Chief Economist, Google Inc., Mountain View, California, and Emeritus Professor of Economics, University of California, Berkeley, California.

不知道是不是受到 Google 程序員們的影響,范裡安現在對機器學習和大數據很感興趣。

范裡安認為,計算機技術現在已經深入到經濟學研究中。傳統的統計和計量方法,比如回歸分析,當然是不錯的研究方法,但如今數據量越來越大,而正好符合研究要求的數據已然有限,同時大數據量讓變量之間的關係變得更加靈活,傳統計量中的線性以及大多非線性模型可能都無法滿足這一要求,所以經濟學家需要尋找新的研究方法。范裡安認為,機器學習理論中的決策樹(decision trees),support vector machines,深度學習(deep lerning)等技術,可以更加有效率的處理複雜的關係。

所以,他在文中的思路可以簡單總結為:

- 經濟學要與數據打交道,傳統分析用的是樣本等小數據

- 隨著經濟交流的日益頻繁和技術水平的提高,數據越來越大,大數據出現

- 傳統經濟學分析方法在分析大數據時顯得捉襟見肘

- 我們需要新的分析方法

- 機器學習技術可以在這方面幫助我們

這篇文章開始給讀者介紹了一些處理數據的方法和軟件,以及大型 IT 公司的處理方法,這還是挺有用的。比如在處理百萬條的大型數據時需要用到 SQL,數據清理可以用 OpenRefine 和 DataWrangler。

不過計量經濟學和機器學習當然是有區別的,作者認為:

Data analysis in statistics and econometrics can be broken down into four categories: 1) prediction, 2) summarization, 3) estimation, and 4) hypothesis testing. Machine learning is concerned primarily with prediction.

[...]

Machine learning specialists are often primarily concerned with developing high-performance computer systems that can provide useful predictions in the presence of challenging computational constraints.

[...]

Data science, a somewhat newer term, is concerned with both prediction and summarization, but also with data manipulation, visualization, and other similar tasks.

計量和統計學主要關注四個方面:預測、總結、估計和假設檢驗。機器學習主要關注預測。數據科學側重預測和總結,也涉及數據處理、可視化等。

計量經濟學關注因果關係,會遇到內生性等問題,而機器學習則會遇到「過度擬合」(overfitting)的困擾,但機器學習可以關注到計量和統計中樣本以外的數據。

那麼機器學習如何運用到經濟學中呢?作者舉了幾個例子。

一個是分類和回歸樹分析(Classification and regression trees,簡稱CART),這一方法適用於分析一件事情是否發生以及發生概率的時候,即被解釋變量是0或1。計量上通常用 logit 或 probit 回歸。

范裡安這裡用的是例子是泰坦尼克號沉船事件中不同人群的死亡概率。作者用機器學習理論中的 CART 方法(R 軟件中有這個包 rpart),把船上的乘客按照艙位等級和年齡進行分類。

這是樹模型(Tree model)的分類,艙位分一、二、三等,一等最好,三等最差。然後做成樹型的樣式:

最上面一層把乘客按照艙位分開,左邊是三等艙,右邊是一等和二等。三等艙(很有可能窮人居多)死亡概率較高,501個人中有370個遇難。接下來把右邊一等和二等的乘客按照年齡分類,左邊是大於等於16歲的,右邊是小於16歲的兒童。先看兒童,這類人群的倖存概率很高,36個人中有34個都活下來了。左邊把年齡16歲及以上的人又分為兩類,左邊的二等艙和右邊的一等艙。二等艙233人中有145人遇難,一等艙276個成年人中174人倖存下來。我算了一下,四類人從左到右的倖存概率分別是26%、37%、63%和94%。所以在泰坦尼克沉船時,兒童和一等艙的人容易活下來

接下來重點關注一下乘客的年齡分佈,下圖是各年齡段的倖存概率以及置信區間:

從圖中可以看出,10歲所有的兒童和60歲左右的人倖存概率更高

同時,作者又用傳統的計量方法 logit 模型回歸了一下,解釋變量是年齡,被解釋變量是倖存(1)。結果如下:

年齡(age)與倖存為顯著的負相關,即年齡越小越可能在沉船時活下來,但是係數太小,影響很弱。總結這兩種方法作者認為,是否倖存並不取決於年齡,而是乘客是否是兒童或者60歲左右的人,這一點在回歸分析中無法反映出來

類似的機器學習的方法還有一個叫conditional inference tree,這裡同樣是運用泰坦尼克的數據製作的圖:

這幅圖把乘客進行了更加細化的分類,添加了性別(sex)一項。pclass 是艙位登記,age 年齡,sibsp 為船上兄弟姐妹和配偶的數量。最下面的刻度中黑色是這一人群的倖存比例。可以得出的結論是婦女和兒童的倖存率最高。(這是因為在沉船的時候大家大喊「讓小孩和女人先走」嗎。。?)

上面這個例子比較簡單,但也足夠明瞭,我認為它比較清楚的解釋了機器學習和計量的差別:機器學習更加關注相關性和預測,所以得出的結論是某個年齡段的人群倖存率更高。而計量更加關注因果關係,根據上面的 logit 模型,很難說是年齡導致了倖存,很明顯還有很多其他變量沒有被考慮進去,比如個人體質等等,或許年齡根本就不是計量經濟學家在這裡主要考察的變量。而且如果加入交叉項也許會有新的結論。所以簡單的說就是模型設定的問題。具體哪種方法更好,還要看具體研究的問題是什麼。

此外,作者還舉了其他機器學習的例子,如 boosting, bagging, bootstrap, bayes,這裡就不詳細說了。文中的幾個例子挺值得一看,可以瞭解一下機器學習的基本方法。比如利用機器學習研究一家公司投放廣告是否有效,傳統的計量方法是需要設計實驗,設立處理組和對照組,但成本較高。

范裡安認為過去幾十年計算機科學家與統計學家已經進行了許多卓有成效的合作,他對機器學習在經濟學,特別是計量經濟學和統計學的應用十分看好,所以范裡安給經濟學專業的學生一條建議:

[…] my standard advice to graduate students these days is 「go to the computer science department and take a class in machine learning.

「學經濟學的都去計算機系修一下機器學習的課程吧!」

范裡安一方面是傳統意義上的經濟學家,另一方面由於在 Google 工作的經歷,使得他對機器學習技術有了更深的瞭解,他的觀點值得一看。

當然,這也只是他的一家之言,畢竟機器學習和計量經濟學在方法、目的上都有較大差別,機器學習是否會真的大範圍進入到經濟學領域還很難說。不過,計算機技術越來越多的被運用到經濟學研究當中已經是不爭的事實,而且也是趨勢,現在如果不懂點編程技術(至少是計量軟件),很難在經濟學這個行當走的更遠。雖然現在有不少功成名就的經濟學家和教授在寫代碼方面並不精通,但每個時代對人們的要求都有不同,當年計算機技術還沒有普及,而他們接受的教育實際上已經比之前的人有了長足進步。我想,今天這個時代對經濟學研究者的要求之一就是掌握一定的編程技術吧,雖然不用達到寫應用程序那個等級,但也得有較高的搜集數據和處理數據的能力。

所以,如果你只是打算學完經濟學就去公司當白領,那麼寫代碼技術可能不是必需的,反而用好word, excel, powerpoint 可能更有用(IT、金融等對寫代碼有一定要求的行業或崗位除外)。但假如想在學術圈待下去並且有所建樹,那麼從長遠考慮,現在就趕緊去學點編程技術,提高自己的數據處理能力吧。

現在網上這類資源很多,比如coursera上John Hopkins大學很有名的數據科學的課程

coursera.org/specializa

大部分都帶中文字幕

我自己也在聽這個公開課。另外我也會在YouTube找一些數據處理的課程,YouTube 在這方面的優點是資源很豐富(中國的視頻網站在這方面的資源太匱乏),基本上只要你能想到的軟件教程都會有。缺點是質量參差不齊,而且有些視頻不完整,有的視頻發佈者更新一段時間就停止了。相比而言,coursera 的質量和完整度都要更勝一籌。所以 coursare 和 YouTube 結合起來還是不錯的。

其他參考資料:

計量經濟學、時間序列分析和機器學習三者有什麼區別與聯繫? - 經濟學

【趙楊的回答(2票)】:

目前好像還看不到前景。畢竟ML注重的是預測,而經濟學要找的是因果關係,本身的出發點就不太一樣。

【隨心俗語不逾矩的回答(8票)】:

西蒙斯與文藝復興科技公司

2005年,西蒙斯成為全球收入最高的對沖基金經理,淨賺15億美元,差不多是索羅斯的兩倍;從1988年開始,他所掌管的大獎章基金年均回報率高達34%,15年來資產從未減少過。

西蒙斯幾乎從不僱用華爾街的分析師,他的文藝復興科技公司裡坐滿了數學和自然科學的博士。用數學模型捕捉市場機會,由電腦作出交易決策,是這位超級投資者成功的秘訣。

「人們一直都在問我,你賺錢的秘密是什麼?」幾乎每次接受記者採訪時,詹姆斯西蒙斯(James Simons)總會說到這句話,他似乎已經習慣了那些渴望的眼神。事實上,在對沖基金的世界裡,那應該是每個人都想要瞭解的秘密。

68歲的西蒙斯滿頭銀髮,喜歡穿顏色雅致的襯衫,光腳隨意地蹬一雙loafers牌休閒鞋。雖然已經成為《機構投資者》雜誌年度最賺錢的基金經理,但還是有很多人不知道他到底是誰。西蒙斯曾經和華裔科學家陳省身共同創立了著名的Chern-Simons定律,也曾經獲得過全美數學界的最高榮譽。在充滿了傳奇色彩的華爾街,西蒙斯和他的文藝復興科技公司(Renaissance Technologies Corp.)是一個徹底的異類。

作風低調的西蒙斯很少接受採訪,不過自從他放棄了在數學界如日中天的事業轉而開辦投資管理公司後,二十多年間,西蒙斯已經創造了很多難以企及的記錄,無論從總利潤還是淨利潤計算,他都是這個地球上最偉大的對沖基金經理之一。

以下是一些和西蒙斯有關的數字:1988年以來,西蒙斯掌管的的大獎章(Medallion)對沖基金年均回報率高達34%,這個數字較索羅斯等投資大師同期的年均回報率要高出10個百分點,較同期標準普爾500指數的年均回報率則高出20多個百分點;從2002年底至2005年底,規模為50億美元的大獎章基金已經為投資者支付了60多億美元的回報。

這個回報率是在扣除了5%的資產管理費和44%的投資收益分成以後得出的,並且已經經過了審計。值得一提的是,西蒙斯收取的這兩項費用應該是對沖基金界最高的,相當於平均收費標準的兩倍以上。高額回報和高額收費使西蒙斯很快成為超級富豪,在《福布斯》雜誌2006年9月發佈的「400位最富有的美國人」排行榜中,西蒙斯以40億美元的身家躋身第64位。

模型先生

針對不同市場設計數量化的投資管理模型,並以電腦運算為主導,在全球各種市場上進行短線交易是西蒙斯的成功秘訣。不過西蒙斯對交易細節一直守口如瓶,除了公司的200多名員工之外,沒有人能夠得到他們操作的任何線索。

對於數量分析型對沖基金而言,交易行為更多是基於電腦對價格走勢的分析,而非人的主觀判斷。文藝復興公司主要由3個部分組成,即電腦和系統專家,研究人員以及交易人員。西蒙斯親自設計了最初的數學模型,他同時僱用了超過70位擁有數學、物理學或統計學博士頭銜的人。西蒙斯每週都要和研究團隊見一次面,和他們共同探討交易細節以及如何使交易策略更加完善。

作為一位數學家,西蒙斯知道靠幸運成功只有二分之一的概率,要戰勝市場必須以周密而準確的計算為基礎。大獎章基金的數學模型主要通過對歷史數據的統計,找出金融產品價格、宏觀經濟、市場指標、技術指標等各種指標間變化的數學關係,發現市場目前存在的微小獲利機會,並通過槓桿比率進行快速而大規模的交易獲利。目前市場上也有一些基金採取了相同的策略,不過和西蒙斯的成就相比,他們往往顯得黯然失色。

文藝復興科技公司的旗艦產品——大獎章基金成立於1988年3月,到1993年,基金規模達到2.7億美元時開始停止接受新資金。現在大獎章基金的投資組合包含了全球上千種股市以及其他市場的投資標的,模型對國債、期貨、貨幣、股票等主要投資標的的價格進行不間斷的監控,並作出買入或賣出的指令。

當指令下達後,20名交易員會通過數千次快速的日內短線交易來捕捉稍縱即逝的機會,交易量之大甚至有時能佔到整個納斯達克市場交易量的10%。不過,當市場處於極端波動等特殊時刻,交易會切換到手工狀態。

和流行的「買入並長期持有」的投資理念截然相反,西蒙斯認為市場的異常狀態通常都是微小而且短暫的,「我們隨時都在買入賣出賣出和買入,我們依靠活躍賺錢」,西蒙斯說。

西蒙斯透露,公司對交易品種的選擇有三個標準:即公開交易品種、流動性高,同時符合模型設置的某些要求。他表示,「我是模型先生,不想進行基本面分析,模型的優勢之一是可以降低風險。而依靠個人判斷選股,你可能一夜暴富,也可能在第二天又輸得精光。」

西蒙斯的所作所為似乎正在超越有效市場假說:有效市場假說認為市場價格波動是隨機的,交易者不可能持續從市場中獲利。而西蒙斯則強調,「有些交易模式並非隨機,而是有跡可循、具有預測效果的。」如同巴菲特曾經指出「市場在多數情況下是有效的,但不是絕對的」一樣,西蒙斯也認為,雖然整體而言,市場是有效的,但仍存在短暫的或局部的市場無效性,可以提供交易機會。

在接受《紐約時報》採訪時,西蒙斯提到了他曾經觀察過的一個核子加速器試驗,「當兩個高速運行的原子劇烈碰撞後,會迸射出數量巨大的粒子。」他說,「科學家的工作就是分析碰撞所帶來的變化。」

「我注視著電腦屏幕上粒子碰撞後形成的軌跡圖,它們看似雜亂無章,實際上卻存在著內在的規律,」西蒙斯說,「這讓我自然而然地聯想到了證券市場,那些很小的交易,哪怕是只有100股的交易,都會對這個龐大的市場產生影響,而每天都會有成千上萬這樣的交易發生。」西蒙斯認為,自己所做的,就是分析當交易這只蝴蝶的翅膀輕顫之後,市場會作出怎樣複雜的反應。

「這個課題對於世界而言也許並不重要,不過研究市場運轉的動力非常有趣。這是一個非常嚴肅的問題。」西蒙斯笑起來的時候簡直就像一個頑童,而他的故事,聽起來更像是一位精通數學的書生,通過複雜的賠率和概率計算,最終打敗了賭場的神話。這位前美國國防部代碼破譯員和數學家似乎相信,對於如何走在曲線前面,應該存在一個簡單的公式,而發現這個公式則無異於拿到了通往財富之門的入場券。

黑箱操作

對沖基金行業一直擁有 「黑箱作業」式的投資模式,可以不必向投資者披露其交易細節。而在一流的對沖基金投資人之中,西蒙斯先生的那只箱子據說是「最黑的」。

就連優秀的數量型對沖基金經理也無法弄清西蒙斯的模型究竟動用了哪些指標,「我們信任他,相信他能夠在股市的驚濤駭浪中游刃有餘,因此也就不再去想電腦都會幹些什麼之類的問題」,一位大獎章基金的長期投資者說。當這位投資者開始描述西蒙斯的投資方法時,他坦承,自己完全是猜測的。

不過,每當有人暗示西蒙斯的基金缺乏透明度時,他總是會無可奈何地聳聳肩,「其實所有人都有一個黑箱,我們把他稱為大腦。」 西蒙斯指出,公司的投資方法其實並不神秘,很多時候都是可以通過特定的方式來解決的。當然,他不得不補充說,「對我們來說,這其實不太神秘。」

在紐約,有一句名言是:你必須非主流才能入流(You have to be out to be in),西蒙斯的經歷似乎剛好是這句話的註解。在華爾街,他的所做所為總是讓人感到好奇。

西蒙斯的文藝復興科技公司總部位於紐約長島,那座木頭和玻璃結構的一層建築從外表看上去更像是一個普通的腦庫,或者是數學研究所。和很多基金公司不同的是,文藝復興公司的心臟地帶並不是夜以繼日不停交易的交易室,而是一間有100個座位的禮堂。每隔半個月,公司員工都會在那裡聽一場科學演講。「有趣而且實用的統計學演講,對你的思想一定會有所啟發。」一位喜歡這種學習方式的員工說。

令人驚訝的還不止這些。西蒙斯一點也不喜歡華爾街的投資家們,事實上,如果你想去文藝復興科技公司工作的話,華爾街經驗反而是個瑕疵。在公司的200多名員工中,將近二分之一都是數學、物理學、統計學等領域頂尖的科學家,所有僱員中只有兩位是金融學博士,而且公司從不僱用商學院畢業生,也不僱用華爾街人士,這在美國的投資公司中堪稱絕無僅有。

「我們不僱用數理邏輯不好的學生」,曾經在哈佛大學任教的西蒙斯說。「好的數學家需要直覺,對很多事情的發展總是有很強的好奇心,這對於戰勝市場非常重要。」文藝復興科技公司擁有一流的科學家,其中包括貝爾試驗室的著名科學家Peter Weinberger和弗吉尼亞大學教授Robert Lourie。他還從IBM公司招募了部分熟悉語音識別系統的員工。「交易員和語音識別的工作人員有相似之處,他們總是在猜測下一刻會發生什麼。」

人員流動幾乎是不存在的。每6個月,公司員工會根據業績收到相應的現金紅利。據說半年內的業績基準是12%,很多時候這個指標可以輕鬆達到,不少員工還擁有公司的股權。西蒙斯很重視公司的氣氛,據說他經常會和員工及其家屬們分享週末,早在2000年,他們就曾一起飛去百慕大度假。與此同時,每一位員工都發誓要保守公司秘密。

近年來,西蒙斯接受最多的質疑都與美國長期資本管理公司(LTCM)有關。LTCM在上世紀90年代中期曾經輝煌一時,公司擁有兩位諾貝爾經濟學獎得主,他們利用計算機處理大量歷史數據,通過精密計算得到兩個不同金融工具間的正常歷史價格差,然後結合市場信息分析它們之間的最新價格差。如果兩者出現偏差,電腦立即發出指令大舉入市;經過市場一段時間調節,放大的偏差會自動恢復到正常軌跡上,此時電腦指令平倉離場,獲取偏差的差值。

LTCM始終遵循「市場中性」原則,即不從事任何單方面交易,僅以尋找市場或商品間效率落差而形成的套利空間為主,通過對沖機制規避風險,使市場風險最小。但由於其模型假設前提和計算結果都是在歷史統計數據基礎上得出的,一旦出現與計算結果相反的走勢,則對沖就變成了一種高風險的交易策略。

而在極大的槓桿借貸下,這種風險被進一步放大。最輝煌時,LTCM利用從投資者籌得的22億美元資本作抵押,買入價值1250億美元證券,然後再以證券作為抵押,進行總值12500億美元的其他金融交易,槓桿比率高達568倍。短短4年中,LTCM曾經獲得了285%的收益率,然而,在過度操縱之下,又在僅兩個月之內又輸掉了45億美元,走向了萬劫不復之地。

「我們的方式和LTCM完全不同」,西蒙斯強調,文藝復興科技公司沒有、也不需要那麼高的槓桿比例,公司在操作時從來沒有任何先入為主的概念,而是只尋找那些可以複製的微小的獲利瞬間,「我們絕不以『市場恢復正常』作為賭注投入資金,有一天市場終於會正常的,但誰知道是哪一天。」

西蒙斯的擁護者們也多半對黑箱操作的風險不以為然,他們說,「長期資本公司只有兩位諾貝爾獎金獲得者充當門面,主要的還是華爾街人士,他們的賭性決定了終究會出錯」,另一位著名的數量型基金管理人也表示,「難以相信在西蒙斯的方法中會沒有一些安全措施。」 他指出,西蒙斯的方法和LTCM最重要的區別是不涉及對沖,而多是進行短線方向性預測,依靠同時交易很多品種、在短期作出大量的交易來獲利。具體到每一個交易的虧損,由於會在很短的時間內平倉,因此損失不會很大;而數千次交易之後,只要盈利交易多餘虧損交易,總體交易結果就是盈利的。

數學大師

西蒙斯很少在金融論壇上發表演講,他喜歡的是數學會議,他在一個幾何學研討會上慶祝自己的60歲生日,為數學界和患有孤獨症的兒童捐錢,在發表演講時,更常常強調是數學使他走上了投資的成功之路。有人說,和華爾街的時尚毫不沾邊或許也是他並不矚目的原因之一。

西蒙斯在數學方面有著天生的敏感和直覺,這個制鞋廠老闆的兒子3歲就立志成為數學家。高中畢業後,他順利地進入了麻省理工學院,大學畢業僅三年,就拿到了加州大學伯克利分校的博士學位,24歲就出任哈佛大學數學系教授。

不過,儘管已經是國際數學界的後起之秀,他還是很快就厭倦了學術生涯。1964年,天生喜歡冒險的西蒙斯進入美國國防部下屬的一個非盈利組織——國防邏輯分析協會進行代碼破解工作。後來由於反對越戰,他又重回學術界,成為紐約州立石溪大學(Stony Brook University)的數學系主任,在那裡做了8年的純數學研究。

西蒙斯很早以前就曾和投資結緣,1961年,他和麻省理工學院的同學投資於哥倫比亞地磚和管線公司;在伯克利時也曾投資一家婚禮禮品的公司,但結果都不太理想,當時他覺得股市令人煩惱的,「我還曾經找到美林公司的經紀人,試圖做些大豆交易」,西蒙斯說。

直到上世紀70年代早期,西蒙斯才開始真正對投資著迷。那時他還在石溪大學任教,他身邊的一位數學家參與了一家瓷磚公司出售的交易,「8個月的時間裡賺了我10倍的錢。」

70年代末,當他離開石溪大學創立私人投資基金時,最初也採用基本面分析的方式,「我沒有想到用科學的方法進行投資,」西蒙斯說,那一段時間他主要投資於外匯市場,「隨著經驗的不斷增加我想到也許可以用一些方法來製作模型,預見貨幣市場的走勢變動。」

80年代後期,西蒙斯和普林斯頓大學的數學家勒費爾(Henry Larufer)重新開發了交易策略,並從基本面分析轉向數量分析。從此,西蒙斯徹底轉型為「模型先生」,並為大獎章基金接近500位投資人創造出了令人驚歎的業績。

2005年,西蒙斯宣佈要成立一隻規模可能高達1000億美元的新基金,在華爾街轟動一時,要知道,這個數字幾乎相當於全球對沖基金管理資產總額的十分之一。談到新基金時,西蒙斯更加謹慎,他表示,和大獎章基金主要針對富有階層不同,新基金的最低投資額為2000萬美元,主要面向機構投資者,將通過下調收費來吸引投資;此外,新基金將偏重於投資美國股市,持有頭寸超過一年——相對於大獎章的快速交易而言,新基金似乎開始堅持「買入並持有」的理念。

「對大獎章非常有效的模型和方法並不一定適用於新基金」,看來西蒙斯相信,對於一個金額高達千億的對沖基金來說,如果還採用類似於大獎章的操作方法的話,一定是非常冒險的。

儘管新基金有著良好的血統,不過不少投資者仍然懷疑它究竟能有多大的作為,一個起碼的事實是,相對於一些流動性差的小型市場而言,高達1000億美元的基金規模可能顯得太大,這將增加它們在退出時的困難。

儘管懷疑的聲音很多,到2006年2月中旬,西蒙斯還是籌集到了40億美金,並表示將吸收更多的資金。公司同時向投資者承諾,一旦在任何時點基金運作出現疲弱的跡象,就將停止吸收新資金,屆時新基金將不再繼續增加到千億美金的上限。

【Alex的回答(5票)】:

個人觀點:目前沒有。

因為機器學習說白了只是試錯比人快點,但依賴的框架是在人的理解基礎之上的,而經濟學對於人而言都不能算明白吧,對於很多經濟現象的解釋還處於事後諸葛亮階段,而大數據本身是不問因果,只論相關的,所以對於解釋現象其實並無幫助。所以在人工智能沒有超越人類之前或者人類自身對於經濟的理解產生重大突破之前機器學習幾乎不可能有實際用途

順便一說:回答裡什麼量化,西蒙斯之類完全是答非所問,亂說一氣,連經濟和金融都沒分清了

【WhaleDing的回答(2票)】:

恕我直言,以上回答沒有人是做金融數學的也沒有人是做ml的

【WhaleDing的回答(4票)】:

因為ML一般是基於統計的學習方法,對於擁有大量可作為訓練樣本的金融歷史數據很適用,所以在量化金融投資裡ML應用很廣泛,比如對各項金融數據進行挖掘、關聯分析、回歸預測、聚類分析等,用到的ML方法也很多,比如SVM、回歸分析、Neural Network、決策樹、相關的聚類算法、用於預測金融時序數據的馬爾科夫方法等等,可以說ML是量化金融的有力工具。

標籤:-經濟學常識 -行為經濟學 -機器學習 -經濟學家 -計量經濟學


相關資源:





給我留言