人工智能和机器学习对交易的影响是没有先例的,因为它是根据经验进行调整的。
算法交易(Algorithmic Trading)已经在衍生品市场中盛行了二十多年。现在,它在债券市场上也已站稳脚跟,并逐渐转向证券和其他金融工具。
算法交易通过加快订单执行、削减成本和增加销量,创造了新的机会。但根据KlipC的研究报告,算法交易也给市场参与者带来了新的风险,并会在意外时期,在市场缺口中偶尔出现“闪崩”。我们还看到交易算法被编程来操纵市场走势。
现在,我们面临着更大的挑战----机器学习。这项技术可从交易经验中学习错误,并且采用计算机模型为中心,带来了严峻的挑战。 KlipC的Andi Duan在这里表示:“有时,人们都一致认为交易中的算法交易和机器学习是一回事,实则它们完全不同,算法交易只是执行订单的程序化交易(通常以快速的方式进场,有时以毫秒进毫秒出),并获得微薄的利润。机器学习的意义要大得多,它拥有了自己的思想,可以从自身的错误交易中学习,并像一个从经验中成长的人一样做出反应,想象一下迈克尔·乔丹(Michael Jordan)从15岁慢慢成长至30多岁的黄金年龄,机器学习中的算法也是可以这样子慢慢成长的。”
英格兰央行(Bank of England)和英国金融监管局(Financial Regulation Authority)最近公布了一项针对银行和资本市场公司的调查,结果发现,如今约有一半的受访者以适度的方式使用机器学习。大多数公司期望在未来几年中能更多地使用它。在KlipC的2.0版本中,我们的研究部门旨在为高级用户提供一个简单的算法编程接口,以便他们可以编程自己的系统来交易我们KlipC专有的API。
如今在金融行业里,机器学习主要部署在后台功能中,对应反洗钱、欺诈检测和信用风险管理。目前,它在前端交易功能中使用不多,但我们预计在未来几年中,许多金融公司的机构部门将在这一领域发生重大变化。
与传统基于规则的算法不同,机器学习算法不是静态引擎,编程后只能按着程序员创建的路径运行。
根据KlipC的风控总监Philip Nucci,一位拥有超过10年机器学习经验的专家:“这些系统使用大量的数据集和强大的计算能力,使它们能够识别模式、提升自我能力,并在没有人类干预的情况下,决定何时以及如何进行交易。”
对于那些在金融市场上交易的人来说,这是一个革命性时刻。这将带来巨大的机遇,但同时也将产生我们以前从未考虑过的新危害。这里有几点需要考虑。
*模型漂移
*复杂性
*偏压
*操控市场
*市场集中度
首先,我们称之为“模型漂移”。机器学习的交易引擎会通过反复不断的试验来学习如何创造价值。在此优化过程中,很难甚至不可能追踪到在这段时间内决策的方式和原因。因此,很难事先预防或者事后纠正不良后果,在金融市场中,我们知道错误的决定会导致不可逆转的后果。
这些对透明度的担忧,解释了当前监管的重点是模型风险管理和软件验证,以及有关公司董事会如何能让自己确信,他们对机器学习内部的情况有适当程度的了解。
所提出问题的复杂性使得公共当局与私营部门之间的合作至关重要。
第三,偏压。机器学习可能为某些类型的市场用户甚至个人客户带来价格、流动性意外或不公平的变化,这是由于无法发现的因素而导致的,因为实际上它们隐藏在优化引擎的核心,因此无法被发现。除非机器(有自己的想法)选择告诉您它的秘密,否则您将永远不知道它为什么要这样做。
也许更令人担忧的是,机器自己进行优化时可能会发现一些不道德、操纵市场的做法更有利可图。那么我们如何确保机器不仅能理解法律和法规,还能理解对与错的概念?KlipC的Andi Duan说:“这就是为什么无论世界上有多少AI,法律都将由人类制定,也是为什么律师、审计师和监管人员等工作永远不会被机器取代的原因。”
第三,市场集中度。通过访问越来越多的数据来改善机器学习模型的方式可能会产生网络效应,其中少数数据提供者可以有效地控制访问。反过来,这可能会为进入市场造成很高的壁垒。
这些壁垒可能会巩固当今大型银行和金融服务公司的实力,或者让技术型竞争对手以牺牲当今金融业为代价,来创造新的寡头垄断。
但是集中市场结构的后果需要仔细思考。通过不公平地分配流动性和不正确的定价,市场参与者可能会处于不利地位。
在金融市场上,安全开发、测试和实现机器学习所需的专家程序员、数据科学家和风险管理人员数量严重稀缺。
私营部门和央行及市场监管机构之间的情况一样。它在金融服务公司的董事会以及决策机构内部就机器学习带来的挑战和危害造成了巨大的知识鸿沟。
鉴于金融市场的国际性质,所有这些挑战都需要在国家和全球层面上予以适当考虑和解决,因为众所周知,不同国家的金融市场有不同的法律和法规,参与者要严格遵守市场规则。
算法交易(Algorithmic Trading)已经在衍生品市场中盛行了二十多年。现在,它在债券市场上也已站稳脚跟,并逐渐转向证券和其他金融工具。
算法交易通过加快订单执行、削减成本和增加销量,创造了新的机会。但根据KlipC的研究报告,算法交易也给市场参与者带来了新的风险,并会在意外时期,在市场缺口中偶尔出现“闪崩”。我们还看到交易算法被编程来操纵市场走势。
现在,我们面临着更大的挑战----机器学习。这项技术可从交易经验中学习错误,并且采用计算机模型为中心,带来了严峻的挑战。 KlipC的Andi Duan在这里表示:“有时,人们都一致认为交易中的算法交易和机器学习是一回事,实则它们完全不同,算法交易只是执行订单的程序化交易(通常以快速的方式进场,有时以毫秒进毫秒出),并获得微薄的利润。机器学习的意义要大得多,它拥有了自己的思想,可以从自身的错误交易中学习,并像一个从经验中成长的人一样做出反应,想象一下迈克尔·乔丹(Michael Jordan)从15岁慢慢成长至30多岁的黄金年龄,机器学习中的算法也是可以这样子慢慢成长的。”
英格兰央行(Bank of England)和英国金融监管局(Financial Regulation Authority)最近公布了一项针对银行和资本市场公司的调查,结果发现,如今约有一半的受访者以适度的方式使用机器学习。大多数公司期望在未来几年中能更多地使用它。在KlipC的2.0版本中,我们的研究部门旨在为高级用户提供一个简单的算法编程接口,以便他们可以编程自己的系统来交易我们KlipC专有的API。
如今在金融行业里,机器学习主要部署在后台功能中,对应反洗钱、欺诈检测和信用风险管理。目前,它在前端交易功能中使用不多,但我们预计在未来几年中,许多金融公司的机构部门将在这一领域发生重大变化。
与传统基于规则的算法不同,机器学习算法不是静态引擎,编程后只能按着程序员创建的路径运行。
根据KlipC的风控总监Philip Nucci,一位拥有超过10年机器学习经验的专家:“这些系统使用大量的数据集和强大的计算能力,使它们能够识别模式、提升自我能力,并在没有人类干预的情况下,决定何时以及如何进行交易。”
对于那些在金融市场上交易的人来说,这是一个革命性时刻。这将带来巨大的机遇,但同时也将产生我们以前从未考虑过的新危害。这里有几点需要考虑。
*模型漂移
*复杂性
*偏压
*操控市场
*市场集中度
首先,我们称之为“模型漂移”。机器学习的交易引擎会通过反复不断的试验来学习如何创造价值。在此优化过程中,很难甚至不可能追踪到在这段时间内决策的方式和原因。因此,很难事先预防或者事后纠正不良后果,在金融市场中,我们知道错误的决定会导致不可逆转的后果。
这些对透明度的担忧,解释了当前监管的重点是模型风险管理和软件验证,以及有关公司董事会如何能让自己确信,他们对机器学习内部的情况有适当程度的了解。
所提出问题的复杂性使得公共当局与私营部门之间的合作至关重要。
第三,偏压。机器学习可能为某些类型的市场用户甚至个人客户带来价格、流动性意外或不公平的变化,这是由于无法发现的因素而导致的,因为实际上它们隐藏在优化引擎的核心,因此无法被发现。除非机器(有自己的想法)选择告诉您它的秘密,否则您将永远不知道它为什么要这样做。
也许更令人担忧的是,机器自己进行优化时可能会发现一些不道德、操纵市场的做法更有利可图。那么我们如何确保机器不仅能理解法律和法规,还能理解对与错的概念?KlipC的Andi Duan说:“这就是为什么无论世界上有多少AI,法律都将由人类制定,也是为什么律师、审计师和监管人员等工作永远不会被机器取代的原因。”
第三,市场集中度。通过访问越来越多的数据来改善机器学习模型的方式可能会产生网络效应,其中少数数据提供者可以有效地控制访问。反过来,这可能会为进入市场造成很高的壁垒。
这些壁垒可能会巩固当今大型银行和金融服务公司的实力,或者让技术型竞争对手以牺牲当今金融业为代价,来创造新的寡头垄断。
但是集中市场结构的后果需要仔细思考。通过不公平地分配流动性和不正确的定价,市场参与者可能会处于不利地位。
在金融市场上,安全开发、测试和实现机器学习所需的专家程序员、数据科学家和风险管理人员数量严重稀缺。
私营部门和央行及市场监管机构之间的情况一样。它在金融服务公司的董事会以及决策机构内部就机器学习带来的挑战和危害造成了巨大的知识鸿沟。
鉴于金融市场的国际性质,所有这些挑战都需要在国家和全球层面上予以适当考虑和解决,因为众所周知,不同国家的金融市场有不同的法律和法规,参与者要严格遵守市场规则。