6 月中旬，東方衛視播出的一檔節目《極限挑戰》，上演了一場金融圈的燒腦大戲。

游戲中，急于與王迅猜拳贏得勝利的羅志祥，親手將一個市值和利潤率頗高的公司送入破產。相反，黃磊公司雖沒有特別良好的市場競爭力，但得益于資深經理人的協助，他利用各種金融手段與股民建立信任機制，降低風險同時拉高公司市值。

金融證券交易市場的的復雜與風險，在一期不過兩小時的節目中展現得淋漓盡致。

現實里，該名資深經理人扮演的正是融資機構交易員的角色。

這是一片起伏了近 400 年的江湖。

如今，位于證券大廳的現金股票交易柜臺上出現的不再是股票交易員，取而代之的是機器。

風險管理、量化投資、行為刻畫、資產配置、基金研究……這些，機器通通都能完成。

最近，據彭博社的一篇報道指出，美國銀行（Bank of America）正搭上人工智能的潮流。銀行貨幣戰略官首次使用機器學習——讓計算機梳理海量數據，并自行進行推斷和預測——告訴中小投資者買賣什么。

上月，他們開始著手 AI 技術方面的研究。當時，意大利的一場政治動蕩攪得金融市場昏天黑地，同時還引發了人們對歐洲另一場現有危機的擔憂。

雖然 AI 基本短時間內不會改變與人類互動的方式，但它在數學運算中的表現遠超人類。放之金融外匯領域，機器學習可以很大程度上降低貨幣波動的風險。

例如，受英國脫歐事件影響，英鎊兌歐元匯率急劇下滑。專家預測，到 2019 年，商業投資將比歐盟公投前的預測低 25%，這種低值投資表明，貨幣貶值就會出現風險規避現象。

如果某一貨幣貶值，那么資產和投資的價值也會下降。在進行外貿交易時，本國貨幣與交易國的貨幣價值對比，決定了企業的利潤。如果貨幣價值突然下降，那么企業最終可能會虧損。

對于小公司而言，它們在處理處理貨幣風險問題時會擔心貨幣波動產生的高成本。如果能妥善管理這些風險，公司不僅可以確保高利潤，且無需將成本轉嫁給客戶。無法承擔這樣高成本的小公司，便可利用 AI 的預判減少任何潛在的損失。

其實，在華爾街的金融圈，這種看似高端的分析早就有了。例如，量化投資公司多年以來就一直應用機器學習。

但當華爾街的分析研究機構逐漸偏重商業化時，美國銀行似乎幡然醒悟，開始著手這一技術的研究和應用。

「外匯市場的本質決定了我們很難從歷史數據中挖掘出什么，所以我們試著通過模擬數據進行機器學習，以推動前沿科技的發展」，美國銀行 AI 研究貨幣戰略官 Alice Leng 提到。

在美國三大銀行中，美國銀行率先將機器學習模型給出的預判納入到其公布的貨幣研究中。不過，摩根大通的外匯研究團隊已經對機器學習應用進行了探索，目前還未投放在研究中。

▌研究方法

這支美國銀行團隊的第一研究要務是，利用機器學習算法進行徹底調查和數據篩選，如政府支出和消費者購買力，以確定歐元對美元的影響。當機器接受到「處理信息」的訓練信號時，團隊會使用監督學習；當沒有給出訓練信號時，會使用無監督學習。

由此，他們的研究模型得出了這樣一個結論：在意大利大選之后，歐元懷疑者認為「貨幣統一論可能會被減弱」。然而，對美元持續拋售的深深恐懼，就像曾歷經歐洲債務危機的人們心中所想一樣，被無限夸大了。

不過，目前多數銀行關于人工智能的研究仍停留于表面。出版商 Jim Marous 指出，在去年秋季在一項《數字銀行報告》調研中，絕大多數金融機構表示他們正使用某種機器學習模型，其中有 20% 的受訪者表示（機器學習）無法解決「欺詐、風險、合規性」等問題。

▌研究模型

算法交易員 Milind Paradkar 指出，想要在交易中使用機器學習，就得先從歷史數據（股票價格/外匯數據）開始，并在 R/Python/Java 語言環境中構建模型。然后，選取正確的機器學習算法進行預測。

例如：根據公司過去的季度業績，預測 3 個月后股票的價格；預測美聯儲是否會抬高基準利率。

首先明確一點，機器學習算法可用于預測類別（解決分類問題）或預測方向和幅度（解決回歸問題）。

1、指標/特征：包括技術指標（EMA、BBANDS、MACD 等）、基本指標、宏觀經濟指標。

例 1：RSI（14）、價格-SMA（50）、CCI（30）。可以使用這三個指標來構建模型，然后使用適當的 ML 算法來預測未來的值。

例 2：RSI（14）、RSI（5）、RSI（10）、價格 - SMA（50）、價格 - SMA（10）、CCI（30）、CCI（15）、CCI（5）。在這個例子中，我們選擇了 8 個指標。其中一些指標可能與模型無關。為了選擇正確的指標子集，將使用特征選擇方法。

2、特征選擇：選擇用于模型的相關特征子集的過程。特征選擇技術分為 3 大類：過濾方法、包裝方法和嵌入式方法。為了選擇正確的子集，基本上在某種組合中使用 ML 算法。所選特征被稱為機器學習中的預測器。

3、支持向量機（SVM）：SVM 是一種眾所周知的監督機器學習算法，用于解決分類和回歸問題。

SVM 算法，基于給定的標記數據點起，并通過邊界或超平面將數據分離。SVM 試圖將分離超平面周圍的 margin 最大化。支持向量是最接近決策表面的數據點。

4、在 R 語言中使用 SVM 的外匯策略構建規則：鑒于對特征和 SVM 的理解，先以 R 語言為例。選取歐元/美元貨幣對的一小時時間框架，可追溯到 2010 年。指標為 MACD（12,26,9）和拋物線 SAR，默認設置為（0.02,0.2）。

首先，在 R 語言中加載必要的庫，讀取 EUR / USD 數據。然后，使用「TTR」包中提供的各自功能計算 MACD 和拋物線 SAR。隨后，從每個數據點的 SAR 值中減去收盤的 EUR / USD 價格。

將指標和類合并為一個稱為模型數據的數據框，再將模型數據分成訓練和測試數據。

然后，使用「e1071」包中的 SVM 功能并訓練數據；通過預測函數進行預測，并繪制模式。這一過程準確度達到了 53％。

從圖中可以看到看到兩個不同的區域，上部紅色較大區域是算法做出的短期預測，而下部藍色的區域則是長期預測。

隨著時間的推移，SAR 指標隨著趨勢的延伸而下降。價格上漲時 SAR 低于價格，價格下跌時高于價格。當價格趨勢反轉時，SAR 停止并反轉。

如下所示，構建兩個規則并進行測試：

短期規則=（價格-特區）> -0.0025＆（價格-特區）<0.0100＆MACD> -0.0010＆MACD <0.0010?

長期規則=（價格-特區）> -0.0150＆（價格-特區）<-0.0050＆MACD > -0.0005

短期交易的準確率為 54％，長期交易的準確率為 50％。基本上，在以上案例中 SVM 算法取得了較好成績。

▌有何賣點？

就在本周，摩根士丹利表示，他們聘請了此前曾為 Steve Cohen 對沖基金服務的賓夕法尼亞大學計算機科學教授 Michael Kearns，以擴大 AI 在整個公司的應用。

德意志銀行跨資產量化研究部主管 Caio Natividade 也看到了諸多優勢，特別是在貨幣方面。

他的團隊已經將機器學習融入到分析中，在他看來，人工智能技術可用于解讀銀行家們往往混亂的言論。

機器學習研究「可能成為一大賣點」，格林威治協會 Richard Johnson 說道。新法規旨在分拆研究和交易，「使研究真正獨立」。

紐約大學數據科學教授、SCT 資本管理公司的創始人 Vasant Dhar 表示，外匯市場仍面臨著很多特殊的挑戰——SCT 是一家運用機器學習技術近 20 年的對沖基金。例如，宏觀經濟因素復雜且多樣，會影響貨幣的變動，進而讓外匯市場遭遇難以分析股票或債券的問題。

▌人們在擔心什么？

「如果你無法將機器學習模型應用在其他類型的資產，那么就更別提能適用于外匯市場」，Dhar 繼續提到。

長久以來，業內存在這樣一種擔心：智能計算機以人類無法理解的方式查看信息并提供答案。事實上，機器不需要編織連貫的故事來支持給出的預測，這更使得一些懷疑論者很難將媒體筆下的言論與現實中發生的事情分開。

其他人表示，機器學習工具的開放或許會讓更多的投資者開發自己的 AI 分析軟件，而不是依賴華爾街的研究分析。

盡管如此，這也不太可能阻止華爾街擁抱 AI 了。