摩根大通报告12个亮点总结：金融领域的机器学习工具有哪些？

大数据实验室 · 公众号 · 大数据 · 2017-06-15 07:58

正文

请到「今天看啥」查看全文

这份长达 280 页的报告中包含许多细节，以下是其中的一些重要观点。

1. 银行需要聘请优秀的数据科学家，但他们也需要了解市场运作方式

金融专业知识仍是最重要的，摩根大通首先警告银行和金融公司不要把数据分析技能凌驾于市场知识之上。了解数据和信号背后的经济学原理要比开发复杂的技术解决方案更重要。

2. 机器最适合在短期和中期做出交易决策

在美国等允许即时交易的市场中，人类已经被排除在高频交易之外了。在未来，摩根大通认为机器也会成为中期交易的主要玩家：「机器可以快速分析新闻源、推特，处理收益报表，搜索网站，并瞬间完成交易。」这些优势对于基本面分析师、多空分析师和宏观投资者非常有帮助。

而对于长线投资而言，人类仍然会保持自己的优势。「机器在评估结构性变化（市场拐点）和预测方面不会比人更好，这些复杂情况的预测涉及政治家和中央银行等复杂的人类反应，同时需要了解客户定位，同时预测大众情绪，」摩根大通表示。这意味着人类投资者的定位将会发生改变。

3. 金融机构需要大量人力来获得、提炼和评估数据

在机器学习策略应用之前，数据科学家和量化分析人员需要先获得并分析数据，这样才能获得正确的交易信号和洞见。

摩根大通指出，数据分析具有复杂性。随着设备数量的增长，今天人们可以获取的数据集远远大于过去。它包含所有从用户那里获取的信息（社交媒体发言、产品评测、搜索记录等），到商业数据（公司财务数据、交易、信用卡数据等），同时还包括各类传感器收集到的数据（卫星图像、交通数据、货船定位数据等）。这些新形式的数据需要用新的方法进行处理以用于制定交易策略。金融机构也需要评估「Alpha 内容」——生成预期市场可得收益水平的能力。Alpha 内容取决于数据收集的花费，数据处理需要的能力以及数据集的质量。