對于Buy Side的礦工（quant）來說蛆橡，由于其交易體量太過巨大祠够，一個重要的研究內(nèi)容就是如何能夠理解和掌握自己公司的交易對市場價格的影響耀石，也就是所謂的“市場沖擊”，并把這種沖擊降低到最低硬爆。很多時候人們都把大額的交易比作“把大象推入游泳池” 欣舵，避免市場沖擊就自然被比作避免“大象入水”的水花了。
過去人們?nèi)绻胍私庖粋€大額交易可能會帶來的市場沖擊缀磕，一般會從歷史的交易數(shù)據(jù)中尋找答案缘圈。但是當(dāng)大家仔細(xì)研究就會發(fā)現(xiàn)，歷史上的交易很少能夠有很類似的結(jié)果/影響袜蚕，而且即使新交易和過往交易之間存在相似之處或一定的模式糟把，有時候這種關(guān)系也過于微妙或變化太快，以至于交易者很難發(fā)現(xiàn)和把握牲剃。
正因?yàn)槿绱饲卜瑁愃朴谂聿˙loomberg），摩根大通（JP Morgan）和Portware等公司已經(jīng)轉(zhuǎn)向機(jī)器學(xué)習(xí)模型尋求答案凿傅。負(fù)責(zé)摩根大通歐洲缠犀、中東和非洲的算法研究負(fù)責(zé)人David Fellah表示：“只有當(dāng)我們具備了硬件技術(shù)，更快的機(jī)器學(xué)習(xí)算法聪舒，以及對市場沖擊的作用模式的更好理解之后辨液，我們才能夠把這些因素綜合起來并加以運(yùn)用∠洳校”
機(jī)器學(xué)習(xí)算法可以從幾個方面幫助礦工（Quant）們解決“大象入水”的水花問題滔迈。一方面，它可以對傳統(tǒng)的市場沖擊模型起到補(bǔ)充作用。比如說人工智能算法可以幫助人們從稀疏歷史數(shù)據(jù)中擠出更多信息亡鼠，或幫助人們確定訂單流（Order Flow）中的非線性關(guān)系。
另一方面敷待，在更大膽的應(yīng)用下间涵，機(jī)器學(xué)習(xí)算法可以用來創(chuàng)造出交易機(jī)器人。這些機(jī)器人可以教會自己如何對市場變化做出反應(yīng)榜揖。這兩種方法都已經(jīng)在實(shí)踐中被應(yīng)用了勾哩，而它們所帶來的交易成本的節(jié)省是十分驚人的，尤其是對那些交易非常頻繁的大型基金举哟。
據(jù)Capital Fund Management研究主管Jean-Philippe Bouchaud介紹思劳，對一個系統(tǒng)性基金來說，市場沖擊帶來的成本可能會侵蝕掉多達(dá)三分之二的交易收益妨猩。一名對沖基金的訂單執(zhí)行專家說潜叛，該基金每年由不利市場沖擊帶來的成本達(dá)到約100萬美元，約占稅前利潤的十分之一壶硅。
摩根大通的Fellah同時表示威兜，交易員業(yè)績表現(xiàn)的上限和下限之間通常也只有兩個基點(diǎn)（bps）：“如果你可以把一個算法的表現(xiàn)提高哪怕幾分之一個基點(diǎn)，你的收益就會有很大的不同庐椒〗范妫” 這主要是由于目前市場上由算法交易的訂單數(shù)量占絕對多數(shù)的原因。
目前主流的機(jī)器學(xué)習(xí)技術(shù)包括聚類分析（無監(jiān)督學(xué)習(xí)）约谈，貝葉斯回歸笔宿，隨機(jī)森林和強(qiáng)化學(xué)習(xí)等監(jiān)督學(xué)習(xí)技術(shù)。聚類分析（Cluster analysis）首先在70多年前作為寬泛的統(tǒng)計(jì)技術(shù)被開發(fā)出來棱诱，用于識別復(fù)雜數(shù)據(jù)中難以覺察的相似之處泼橘。貝葉斯回歸（Bayesian regression）和隨機(jī)森林（Random Forest）是預(yù)測技術(shù)，給出既定場景的出現(xiàn)概率军俊。強(qiáng)化學(xué)習(xí)的目的是通過許多模擬來訓(xùn)練所謂的人工智能（AI）單元侥加，以在特定的情境下選擇最佳的行動方式。
雖然這些技術(shù)本身并不新鮮粪躬，但隨著人類計(jì)算能力和可用數(shù)據(jù)量的不斷增加担败，它們的應(yīng)用場景也不斷增加。當(dāng)然人們對市場沖擊和人工智能的理論認(rèn)識不斷向前邁進(jìn)镰官，也是其應(yīng)用越來越廣泛的原因提前。
彭博正在使用聚類分析來填補(bǔ)用于校準(zhǔn)傳統(tǒng)參數(shù)模型的數(shù)據(jù)的空白。這些看起來很基礎(chǔ)的模型仍然在行業(yè)中占主導(dǎo)地位泳唠。雖然與之一起使用的已經(jīng)是很復(fù)雜的工具了狈网，但這些模型還是被迫依賴于稀疏的歷史數(shù)據(jù)。例如彭博的流動性評估工具——LQA。它首先將債券分成直觀上類似的大類組合拓哺，然后應(yīng)用聚類分析確定每個大類中最為可比的產(chǎn)品勇垛。每種債券都是根據(jù)一系列共同特征進(jìn)行定量測量的，例如貨幣種類士鸥，期限闲孤，到期日和未償還金額。這些衡量指標(biāo)確定某一個債券在多維向量空間內(nèi)的位置烤礁。
例如讼积，交易500手的一種不活躍的美國國債（obscure bond），LQA將在多維向量空間內(nèi)尋找與該國債“距離最近”也就是最為相似的債券脚仔。 然后LQA將使用它們的組合數(shù)據(jù)池來校準(zhǔn)模型參數(shù)勤众，從而達(dá)到解決歷史數(shù)據(jù)稀疏的問題。
最初鲤脏，彭博自己嘗試了聚類分析们颜，在聚類上構(gòu)造線性回歸模型以估計(jì)預(yù)期成本。但這并沒有給他們帶來預(yù)期當(dāng)中的結(jié)果猎醇。單純的聚類分析很容易導(dǎo)致不穩(wěn)定性掌桩，數(shù)據(jù)的微小變化就可能會帶來聚類組合的意外變化。于是姑食，彭博認(rèn)識到了需要引入一個參數(shù)模型來增加模型的穩(wěn)定性波岛。
Bloomberg的量化研究負(fù)責(zé)人Naz Quadri說：“聚類分析在某些應(yīng)用中比其他應(yīng)用更有效∫舭耄“我們的研究表明则拷，當(dāng)用來評估結(jié)構(gòu)性市場沖擊時，聚類分析是最有用的曹鸠，結(jié)果也更加穩(wěn)定煌茬。”
與彭博不同彻桃，Portware和摩根大通則通過人工智能來更好的協(xié)助交易員選擇交易的具體時機(jī)坛善，以最大限度地減少市場沖擊帶來的影響。
Portware和摩根大通兩家的市場沖擊模型邻眷，都是從刻畫歷史交易對當(dāng)前交易的市場沖擊的影響作為起點(diǎn)眠屎。例如，在摩根大通的瞬時模型（transient model）中肆饶，每個交易的市場沖擊隨著時間的推移而逐漸減弱改衩。這樣建模的目的是避免將交易安排得太緊密，從而導(dǎo)致訂單疊加的市場沖擊過大驯镊。
這樣的模型對流動性好的資產(chǎn)（如股票）效果很好葫督，但其他資產(chǎn)類別可能就沒有這么容易了竭鞍。 Quadri表示：“我知道一些公司試圖將瞬時模型應(yīng)用在固定收益產(chǎn)品上，但是看起來在流動性較低的證券中不盡如人意橄镜≠丝欤”
這些模型被公司用來制定不同情境下的最優(yōu)交易安排方案，然后使用貝葉斯回歸或隨機(jī)森林等監(jiān)督學(xué)習(xí)技術(shù)來決定如何隨著實(shí)際交易進(jìn)度來調(diào)整這些最優(yōu)的交易實(shí)施方案洽胶。
例如滨砍，Portware的貝葉斯回歸方法可以隨著交易的進(jìn)行，使用多個人工智能單元來同時預(yù)測短期波動率妖异，訂單流和交易量。模型的輸入變量包括市場數(shù)據(jù)领追，新聞和社交媒體數(shù)據(jù)他膳。
Portware的研究主管Henri Waelbroeck說：“訂單流的不平衡性實(shí)際上是相當(dāng)可預(yù)測的。通過自回歸模型可以預(yù)測到足夠合理的精確度绒窑，但是我們發(fā)現(xiàn)使用非線性方法可以更進(jìn)一步地提高準(zhǔn)確性棕孙。”
Portware系統(tǒng)中的人工智能單元給出訂單流的預(yù)測些膨，并進(jìn)一步預(yù)測交易中面臨的風(fēng)險蟀俊，如交易的緊急性（urgency，是用來衡量更快速的交易如何能夠降低成本的一種指標(biāo)）订雾。由于這些預(yù)測都存儲在系統(tǒng)的內(nèi)存中肢预，每個單元都可以使用其他單元的預(yù)測來強(qiáng)化自己的結(jié)果。
隨著交易的進(jìn)行洼哎，如果訂單流烫映，波動率或交易量偏離預(yù)期，Portware的系統(tǒng)將提醒交易員是否需要切換訂單執(zhí)行算法噩峦。市場沖擊模型進(jìn)而計(jì)算這些算法的預(yù)期執(zhí)行成本锭沟，并與其他預(yù)先訓(xùn)練好的人工智能單元的結(jié)果進(jìn)行比較。
摩根大通的Fellah表示识补，由于缺少流動性族淮，一般而言每30次操作（提交限價訂單，修訂或是取消）才能實(shí)現(xiàn)一單交易凭涂。如果計(jì)算時間太長祝辣，調(diào)整訂單后被發(fā)送到訂單序列靠后的位置，那么自然效率就會很低切油。
摩根大通使用隨機(jī)森林算法來產(chǎn)生短期訂單流的預(yù)測较幌，這意味著訂單操作（修改、取消白翻、提交）的數(shù)量可以大大減少乍炉。 Fellah說绢片，隨機(jī)森林算法因?yàn)槠溆?jì)算的速度快而被選中。
他的團(tuán)隊(duì)還對機(jī)器學(xué)習(xí)的另一個可能的應(yīng)用進(jìn)行研究和測試岛琼，期望使用強(qiáng)化學(xué)習(xí)來訓(xùn)練一個單一的人工智能單元對限價訂單中的訂單不平衡和排隊(duì)位置做出反應(yīng)底循。
他們通過模擬生成限價訂單簿，然后人工智能單元將使用這些虛擬的訂單簿來優(yōu)化其交易安排槐瑞。其訂單的市場沖擊由瞬時模型來刻畫熙涤，大量的模擬樣本可以使人工智能單元“學(xué)習(xí)”交易是如何導(dǎo)致市場沖擊的。
“如果你考慮強(qiáng)化學(xué)習(xí)算法（re-inforcement learning）是怎么用于自動駕駛或游戲的就應(yīng)該知道困檩，這些算法必須了解其運(yùn)行系統(tǒng)的原理祠挫。從這點(diǎn)上來說，在金融領(lǐng)域也是一樣的悼沿〉忍颍”Fellah說。
這里的基本思路是通過這些模擬的框架來訓(xùn)練人工智能單元或機(jī)器人糟趾，使其能夠做出最佳的選擇和行動慌植。大量的訓(xùn)練可以使人工智能單元具備了解交易如何引起市場沖擊，以及這種沖擊如何隨時間而衰退的直覺义郑。人工智能單元從而具備了判斷何時延遲訂單或以更快的速度進(jìn)行交易的能力蝶柿。
“這種方法的一個好的地方是我們不需要寫代碼。從某種意義上說非驮，機(jī)器自己“寫”算法”交汤，F(xiàn)ellah說。
使用機(jī)器學(xué)習(xí)來評估市場沖擊的這些成功案例正在促進(jìn)進(jìn)一步的研究劫笙。例如蜻展，Waelbroeck說他的公司正在尋求將其短期預(yù)測技術(shù)擴(kuò)展到長期投資組合風(fēng)險管理。他說：“這可能對我們來說還有一段路要走邀摆。但是纵顾，我們正在探索這套系統(tǒng)作為投資組合風(fēng)險管理的一種不同方法的可能性。它可以幫助投資組合經(jīng)理從資產(chǎn)組合配置的角度更好地為未來的市場沖擊做準(zhǔn)備栋盹。這些市場沖擊往往僅從相關(guān)性的角度來看并不能很好的確定其風(fēng)險施逾。”
當(dāng)然例获，有些礦工（quant）對機(jī)器學(xué)習(xí)可以帶來多大的幫助持懷疑態(tài)度汉额。Alliance Bernstein的研究主管Nataliya Bershova表示，她更傾向于依靠參數(shù)模型（parametric models）：“舉例來說榨汤，通過機(jī)器學(xué)習(xí)蠕搜，你不能說一個因子X比因子Y更有影響力。這只是一個黑匣子收壕，告訴你它的非參數(shù)模型可以更好地擬合真實(shí)數(shù)據(jù)妓灌。通過大多數(shù)機(jī)器學(xué)習(xí)技術(shù)轨蛤，你并不能清楚地分離永久性影響和暫時性影響。而在參數(shù)模型中你是可以的虫埂。這是一個很重要的功能祥山。”
與此同時掉伏，Capital Fund Management的Bouchaud認(rèn)為缝呕，低頻機(jī)器學(xué)習(xí)可用的分析數(shù)據(jù)太少，因此機(jī)器學(xué)習(xí)帶來的好處有限斧散」┏＃“如果有非線性效應(yīng)，機(jī)器學(xué)習(xí)是有趣的鸡捐。而如果一切都是線性的栈暇，你可以做線性回歸就夠了〈巢危”
在低頻下，數(shù)據(jù)太有限以至于無法避免出現(xiàn)誤導(dǎo)性結(jié)果（misleading results）悲立，過度抽樣（oversampling）鹿寨，過度擬合（overfitting）。Bouchaud說：“所有的機(jī)器學(xué)習(xí)算法能夠發(fā)現(xiàn)的低頻數(shù)據(jù)中的非線性特征薪夕，我們都已經(jīng)通過更傳統(tǒng)的數(shù)據(jù)分析方法或直覺捕捉到了脚草。”
但高頻交易是不同的原献，他認(rèn)為馏慨。 “在幾秒鐘或幾分鐘的高頻率范圍內(nèi)，通常有足夠的數(shù)據(jù)姑隅，使得機(jī)器學(xué)習(xí)算法提供的對相關(guān)性的自動搜索可以帶來幫助写隶。”
Waelbroeck對機(jī)器學(xué)習(xí)可以幫助低頻交易則更樂觀讲仰，并且認(rèn)為機(jī)器學(xué)習(xí)具備幫助解決遠(yuǎn)遠(yuǎn)超出市場沖擊問題的潛力慕趴。當(dāng)市場處于壓力之中時，（資產(chǎn)價格）相關(guān)性結(jié)構(gòu)就會發(fā)生變化鄙陡。風(fēng)險管理者依靠先前的類似壓力事件的相關(guān)性來估計(jì)這種變化冕房。他認(rèn)為這是最糟糕的預(yù)測方法，也是一個機(jī)器學(xué)習(xí)可以起作用的地方趁矾。
“更先進(jìn)的方法是能夠識別過去事件中哪些特點(diǎn)在今天最有可能保持不變耙册。下一次危機(jī)不會是ABS市場崩潰的重復(fù)，但是對于過去的危機(jī)來說毫捣，有些真相仍然將會存在详拙，并且可以幫助預(yù)測下一次危機(jī)如何展開帝际。機(jī)器學(xué)習(xí)可以幫助揭露這些真相∠澹”
【注】文章首發(fā)于公眾號“量化風(fēng)險研究”胡本，公眾號ID：RiskQuant。轉(zhuǎn)載請注明畸悬。
