采访 | AI & Data Science in Trading

大家好, 我是Lucy@FinTech社区。

今天为大家带来的是AI & Data Science in Trading的会议采访分享。

欢迎大家添加微信fintech12,或扫描底部微信,加入FinTech社区,提认知,攒人脉,求职招聘!

 

已经开展了六届的AI & Data Science in Trading在资产管理中聚集使用AI和高级数据分析技术的专家,主要用于查找Alpha,管理风险和优化投资组合。由于疫情关系,从纽约, 伦敦等地的线下活动转为线上数字会议。

40多位对冲基金,资产管理公司和投资银行的行业思想领袖分享了如何使用AI来量身定制投资决策的知识和经验。

 

本期的文章将精选会议内容,为大家带来三位资深从业者对于结合人工智能,数据科学和交易的见解。

Eye Capital 研究员 Alejandra Litterio--永恒的争论: quant vs. fundamental philosophies

Metis Corporate Training 数据科学家Javed Ahmed--机器学习技术与财务数据

NVIDIA 金融服务与技术经理 John Ashley-- 数据工程 机器学习和金融投资


 

一、Eye Capital 研究员 Alejandra Litterio - 永恒的争论: Quant vs. Fundamental philosophies

A.L: 传统上,以巴菲特和西蒙斯作为标志性人物,基本面投资和定量投资被视为两种独立的模式。的确,基于经验丰富的分析师,基本面方法行之有效,并被证实取得了丰硕的成果。但是,鉴于当今可用的海量数据,不能有效地使用这些数据无疑意味着错过了一些巨大的潜在机会。当今时代,在日常决策中将以人为中心的策略和判断的最佳方法与更多的数据驱动工具相结合来进行思考有着独特的吸引力,它有以下的特点:

(1) 缩小差距:通过将AI和ML领域的先进技术与分析员良好的判断力相结合,来监控和调整投资过程以适应当前的市场状况。

(2) 避免认知偏差:通过在人类监督下采用基本面驱动的量化过程,投资者可以消除投资过程中的行为偏差。

(3) 时间分配:量化技术可以通过以比人类分析师更快的速度有效地筛选出市场上符合预期条件的投资标的,从而简化投资流程。

(4) 专注于增值:技术可以使有才能的分析师专注于他们可以为投资过程增值并让计算机去处理重复任务。

 

根据我们自己的经验,基本面分析和定量技术是共生的,并且在使用的每一步中都可以相互促进。人类的专长和计算机能力的混合将增加获得优势的可能性,并且降低成本。但简单的自动化还不够,当我们需要将见解转化,编码和解释为策略行动时,人类判断至关重要,所以我们认为结合基本面和量化模型会是将来的趋势
 

A.L: 在结合基本面和量化技术的时候,我脑海中经常回响的一个问题是“为什么我应该信任一个模型?”这个问题看起来很明显,对于客户而言,基本面相对好理解,但量化模型就更接近黑盒。因此了解驱动模型做出某些决定的因素和如何提高性能以取得优势都一样至关重要。对于我们 (服务提供商) 来说,可解释性是机器学习方法要在实践中成功应用时的必选项。机器学习模型的可解释性越高,在充满挑战的环境中,客户更容易理解为什么做出某些决定或预测。因此,在许多领域,可解释性将成为采用机器学习的催化剂,并弥合那些声称自己不相信模型的人之间的鸿沟。我们相信可解释性将使机器学习对那些要求模型是透明而可靠的人更具有吸引力。
 

二、Metis Corporate Training 数据科学家Javed Ahmed - 机器学习技术与财务数据

Metis Corporate Training的高级数据科学家Javed Ahmed分享了他对将机器学习技术应用于财务数据的想法,以及如何克服成功实施这些复杂方法的挑战。

 

Q1:您认为数据科学家/人工智能专家/量化投资者在2020/2021年面临的最大挑战是什么?他们为什么重要?

Ahmed:包括定量投资者在内的数据专业人员在整个业务中应用AI和ML技术时必须面对许多挑战。例如,实施预测方法的投资者必须确定如何整合因新事件 (例如Covid大流行) 而产生的异常历史模式。定量模型和ML模型大多是向后看的,并假设历史模式可以代表未来。由于与Covid相关的异常情况非常多,因此模型很难整合它们。预测需要判断前瞻性条件与历史条件有何不同这是非常困难的,通常不是ML模型优于传统分析方法的领域。

 

Q2:围绕替代数据的使用及其在alpha生成 (Alpha Generation) 中的作用,以及人们是否可以从这些数据集中真正找到价值,目前似乎存在很多冷嘲热讽的态度。您如何解决这个问题/您对替代数据的未来有何看法?

Ahmed:我们建议客户在各种情况下都可以使用替代数据。替代数据可能意味着很多不同的东西,带来很多有趣的信息。传统上,投资公司相对开放地使用新数据源进行alpha生成。与任何技术一样,使用新数据当然伴随有风险 (数据可用性,隐私,对重要的非公开信息的依赖等)。但据估计,目前市场上有70%以上的数据未用于分析。这是一个重大机会,所有数据源 (包括替代数据) 的有效利用将影响投资管理的未来成功
 

Q3:一些人坚称,强化学习和深度学习等高级机器学习技术无法应用于财务数据- 你同意吗?

深度学习和强化学习已被多家大公司在不同的环境中应用于财务数据。深度学习技术遍及包括客户关系管理和风险管理在内的多个领域。许多投资公司都有一些自动化或高频交易操作。实施这些方法的主要挑战包括数据充分性和实施细节。这些方法很复杂,需要大量数据和了解其实现的经验丰富的人员。而管理层也需要具有能够理解这些方法和相关风险的能力。最后,鉴于以Covid19为例子的大规模异常的出现。从受影响的历史数据中测得的关系可能不成立,这些方法的实施将更加困难。

 

三、NVIDIA金融服务与技术经理John Ashley - 数据工程、机器学习和金融投资

Q1.量化/数据科学家应具备的顶级素质或技能是什么?最佳的数据科学团队是什么样的?这种变化如何变化,我们将来会期待什么?

市场正在寻找对业务有较高了解的团队成员,并在关键领域 (AI开发,部署或以AI为中心的数据工程) 拥有深厚的技术专长。需要数学背景和一些C ++编码技能以及我们期望在数据科学方面使用的Python的语言知识。然后,我们希望组建一支拥有尽可能多的教育和职业背景的多样化团队,以涵盖从数据准备到模型训练,迁移到生产和监控的工作流程。
 

Q2.您认为数据科学家/人工智能专家/量化投资者在2019/2020年面临的最大挑战是什么?他们为什么重要?

最大的挑战都在于应对变化。一旦公司的竞争对手开始将AI用作竞争优势的来源,那不是在争夺市场份额,而是在为生存而战。而且我们看到采用AI的最大挑战在于对现有业务和IT流程的更改。对于AI而言,传统上人们说过三大支柱是算法,计算和数据。我们将添加四分之一的人员。不仅是数据科学家,而且是可以构建和部署AI系统的IT人员。人工智能正在以令人难以置信的速度变化,而TensorFlow,PyTorch,容器技术,Kubernetes,RAPIDS,GPU等众多交易工具相互依赖,并且变化迅速。我们与之合作的真正的AI敏捷公司不在乎服务器的利用率,而在乎数据和数据科学家的利用率。
 

Q3.一些人坚称,强化学习和深度学习等高级ML技术无法应用于财务数据,您同意吗?

我们绝对不相信。我们看到了深度学习领域的蓬勃发展-的确,如果您看诸如NeurIPS之类的领先会议,展示深度学习和深度强化学习的金融公司的数量正在迅速增长。在业务领域中采用这种技术的速度更快,而监管负担却更少。另一个数据点-大型科技公司正在涉足支付和银行业务,它们带来了强大的AI传统,并且将数据运用到了这场游戏中。他们会停在付款和零售银行牌照上还是会继续走下去?人工智能是未来的基本工具,人才,数据和领导力的竞争永远不会停止。
 

Q4.您对希望更快,更频繁地将新的系统策略投入生产的基金有何建议?

显然,我们需要查看流程的每个步骤并提出疑问,“这是否必要?是否在关键路径上?”当然,我们可以在计算方面提供优化,从而可以通过GPU加速的Python或C ++从算法设计,开发和回测中节省大量时间。我们已经看到一些案例,我们可以将数小时甚至数天的时间变成几分钟。如果公司可以调整流程的其余部分以适应加速计算,那么将拥有不小的优势。
 

四、总结

本期文章带领大家参与了与顶尖业内人士的对话。对于人工智能,机器学习,大数据这些新潮流如何应用于交易投资,想必大家都有了自己独到的看法。在新时代,我们看到新工具,新技术,新潮流正在不断席卷金融投资领域,量化,编程,人工智能不断证明着自己的价值,欢迎大家添加微信fintech12,入群和更多小伙伴讨论!


 

近期热招: (点击标题,即可了解详情) 

招聘 | .Net开发高级工程师-上海

招聘 | 副总裁(基金公司)-北京
 

招聘 | 高频量化研究员(股票)
 

招聘 | 金融科技内容编辑(兼职)
 

招聘 | 技术总监