摩根大通的最新指南——将AI应用于算法交易

(6-2)算法交易 算法交易(Algorithmic Trading),也称为自动化交易、黑盒交易或量化交易,是一种利用计算机程序执行交易策略的交易方式。在算法交易中,交易决策是基于预先定义的规则、数学模型、统计分析和数据分析,而不是人工干预。这种自动化的交易方式旨在快速执行大量交易,以实现更高的交易效率和风险管理。 阅读详情

在这里插入图片描述
如果你对银行以及金融领域的机器学习或人工智能(人工智能量化投资)应用感兴趣的话,你一定了解 JPM(摩根大通)去年发布的在金融领域有关大数据及人工智能应用指南,你也一定会对他们刚刚发布的一份关于将 “数据驱动下的机器学习应用于算法交易”问题的新报告感兴趣。

去年那份长篇报告是由JPM 宏观量化研究团队负责人,素有“半人半神”之称的 Marko Kolanovic,以及另一位在去年四月刚从美林银行离职的量化策略师 Rajesh Krishnamachari协助下共同编写的。本月这篇报告并没有那么长,共由五位 JPM 员工共同完成。他们分别是 Vacslav Glukhov(EMEA 电子交易量化研究中心负责人)、Vangelis Bacoyannis(电子交易定量研究中心副总裁)、Tom Jin(量化分析师)、Jonathan Kochems(量化研究员)及 Doo Re Song(量化研究员)。

新报告于2018年5月在NIPS大会上发布,但近期刚刚公布。想要了解“数据驱动学习”如何与算法交易进行交互的朋友要注意了,下面是报告的主要内容。

客户设置部分参数,算法控制关键交易决策

算法在金融业务中控制“微观层”的交易,如股票和电子期货合约:“算法决定交易的波段、价格及数量。”然而,算法并不会完全按照人们的预期工作。JPM 提醒客户,“算法通常只是把具体约束及偏好下的交易指令告诉经纪人。”

例如,客户可能想在投资组合时保持货币中立,以实现买卖数量大体相等。客户也可能会指定某组交易证券的主题、国家或行业。

客户下单交易时,他们也许想控制交易执行对市场价格影响的方式(操控市场影响)、或控制市场波动影响交易的方式(控制风险)、或指定一个能够平衡市场影响与风险的紧急程度。

交易委托账本包含的数据非常复杂

编写电子交易算法是一件让人抓狂且十分复杂的任务。

举个例子。JPM 分析师指出,一局国际象棋每人大约要走 40 步,一局围棋大约走 200 步。然而,即便是中等交易频率的电子交易算法(每秒都需要重新考虑交易选择)每小时大约要完成 3600 次交易选择。

问题远不止于此。当绘制国际象棋与围棋数据时,如何在所有可选项中选择走哪一步、下一步又该如何应对,这都是需要解决的问题。然而,一次电子交易行为包括了许多步骤。JPM 分析师认为“这就是一个子订单(child order)集合。”

什么是子订单(child order)?JPM 解释道,系指可能会“提交被动买入订单和主动买入订单”的单次(single)交易。被动子订单是交易委托账本中指定价位水平的交易,因此,能为其它市场参与者提供流动性。提供流动性可能最终通过抓住局部上涨趋势,在交易时获得回报:更好的交易价格,或者更好的交易对象。另一方面,主动子订单会被用来基于预期的价格变动,捕捉交易良机。上述两种情况都会产生单次(single)交易行为。最终,交易行为范围被无限扩大,根据瞬时交易特征的组合数量呈指数增长。

诚然如是。

人类编写的交易算法倾向于变得庞大而笨拙

人工编写电子交易算法时,情况会迅速变得复杂。

过去,JPM 分析师认为:电子交易算法融合了许多科学的量化模型;量化模型是“从定量角度描述世界的运行机制”;算法包含着“代表交易员和算法使用者的实践经验、观察结论和风险偏好的规则和启发式方法。”

想把算法的方方面面都说清楚是十分困难的。“多数人编写的算法代码冗长至极且难于维护及修改。”JPM 认为,每当客户目标及市场条件变化时,人工算法都深感“功能拓展”之难。

随着时间的推移,算法将学会“积累多层逻辑、参数及微调,以处理特殊情况。”

监管让人工编写的算法又一次变得更加复杂

此外,交易算法还必须应对诸如 MiFID II(新版欧盟金融工具市场指导)的监管及“最优执行”的理念。因此,算法编写必须考虑“变化发展的市场条件与结构、监管约束及客户的多重目标与不同偏好。”

如果算法编写实现自动化且满足各类约束,一切都将变得简单。

编写交易算法时,使用数据的三种文化方法

机器学习文化尝试运用更多复杂且有时晦涩的函数表达观测结果,不要求函数能揭示潜在流程的本质。

算法决策文化更关注于决策,而非建模。算法决策文化尝试训练电子代理(譬如算法)以区分决策好坏,而不是试图映射出世界运行机制。如此一来,理解算法为何做出决策,及如何利用规则、价值及约束确保决策可被接受就成为新的问题。

算法必须实现最优执行率与最优执行计划之间的平衡

算法一旦写完,首先需要解决平衡问题:快速交易,其风险是影响市场价格;慢速交易,其风险是成交价格变化或将引起交易损失(升了,买家赚钱;跌了,卖家赚钱)。

并非总能清晰知晓一个成功的交易由什么组成

算法交易成功与否很难界定,因为这与如何权衡快速交易(效率)与固定价格交易(最优)有关──而这又取决于客户如何设定他的优先等级。

例如,算法的目标可能是与市场其他部分融合(blend with the rest of the market)。这意味着,需要平衡极速交易与价格变动引起的市场影响、或是通过慢速交易确保价格与交易反向。算法编写人员需要寻找一种表达信息和行为的方式,该方式能与模型与机器学习方法相匹配。尽管“市场庞大、多变,规模和订单状态经常变化,父订单与子订单数还不够作为模型输入。”市场状态都需要能被总结和概括出来。

不过,这也无助于抓住瞬即逝的绝佳机会。而且,JPM 认为,算法交易执行或取消后,就无法判断交易的好坏,但这一点并非总是那么显而易见。“局部最优并不需要转变成全局最优。现在失败的交易也许以后某天又会赚的盆满钵满。”

J.P. Morgan一直在使用强化学习算法进行交易,即使这可能会出现问题

JPM 正急于掌握运用动态规划及奖惩机制的各种强化学习算法。

JPM 交易员说,“我们目前使用第二代基于强化算法的限价委托引擎,于有界行为空间内训练算法,选择具备差异化奖励、步长及时程特征的短期目标。”然而,训练算法十分复杂──如果你尝试通过在多重处理设备上同时执行算法以实现算法的平行训练,会得到错误结果。原因是算法与环境之间的闭环反馈。但如果你不这么做,而尝试基于梯度的算法训练,最终会得到大量无关经验,无法记住好的交易行为。

JPM 尝试应用超参数优化技术避免此问题。这代表每次训练都有多个抽样事件,并会尽早停止无意义的优化路径。银行应用超参数优化技术,通过运行平行训练项目训练算法。

JPM 表示,研究的主要目标已转变为“策略学习算法”,通过在固定参数条件下匹配特定商业目标以最大化累积报酬。分层强化学习可用于要求必须“生成可预测、可控制及可解释行为”的交易算法。在分层方法中,根据抽样频率和粒度水平将算法决策划分为不同组别,使得算法能够模块化,其求解效果也容易甄别。

JPM 已开发具备“某种特征”的强化学习算法,以应对长尾效应

在多数强化学习情况中,JPM 强调算法学习行为通常会产生更好的结果。然而,在金融业,过度关注平均结果是错误的──想想长尾效应。基于此原因,银行的量化专家始终基于多维度与不确定结果评价构建算法。

为实现该目标,银行会基于期望效用的未来分布对比结果,对不确定结果(长尾)排序──即 CERL(确定等值强化学习)。

通过 CERL,JPM 注意到算法能够有效获得基于风险偏好的特性。“如果客户是风险厌恶,结果的不确定增加会降低行为的确定等值奖励。”算法很自然的需要折扣因素 γ──代表结果分布,分布范围与风险正相关。算法将更加关注远期目标。

还有许多非常有用的开源强化学习框架

如果你也想构建自己的交易算法,JPM 研究人员推荐了一些学习网站。他们给出了许多有益的早期开源强化学习框架,包括 BigQuant、OpenAI baselines、 dopamine、deepmind/trfl 及 Ray RLlib。

BigQuant——人工智能量化投资平台 是国内首家将人工智能技术应用于量化投资领域的平台级产品,致力推进AI赋能投资,为投资者提供新型投资大数据和AI技术服务,让每个投资者和投资机构都可以无门槛的使用AI降低投资成本,提升投资能力。

原文地址:《摩根大通的最新指南——将AI应用于算法交易》

拆单算法交易(Algorithmic Trading) TWAP TWAP交易时间加权平均价格Time Weighted Average Price 模型,是把一个母单的数量平均地分配到一个交易时段上。该模型将交易时间进行均匀分割,并在每个分割节点上将拆分的订单进行提交。例如,可以将某个交易日的交易时间平均分为N 段,TWAP 策略会将该交易日需要执行的订单均匀分配在这N个时间段上去执行,从而使得交易均价跟踪TWAP,计算公式为: TWAP不考虑交易量的因素。TWAP的基准是交易时段的平均价格,它试图付出比此时段内平均买卖 阅读详情

相关推荐

【Unity人物动画】SALSA With RandomEyes (语音生成嘴型/人物说话) 使用

SALSA使用探索 之前做项目时想做人物说话的嘴部动作,因为我们的语音是AI合成的,语音片段很多,如果能根据语音生成嘴部动画,那将极大便利我们的工作。后面是找到了SALSA的这款插件,并摸索出使用方法。 1 插件介绍 官方网站:https://crazyminnowstudio.com/ 一个能做2D纸片人和3D人物模型嘴部和眼睛动画的插件,由两人组成的独立工作室(疯狂米诺工作室)开发。 插件全名为SALSA With RandomEyes,2014年上架Asset Store,目前是已下架,替换为新版本

里约热内驴的博客 1万+

了解算法交易,此篇足矣

01、什么是算法交易? 算法交易(AlgorithmicTrading)是交易员在二级市场进行交易时所使用的一种程序化交易方式。 算法交易专注于订单的执行过程,在执行过程中根据数学模型、统计数据、市场实时信息等多方面的信息通过预先设计好的算法进行下单,核心目标是又好又快地完成交易订单。 在欧洲和美国,算法交易作为订单执行的策略和工具,被机构交易者广泛采用,并诞生了很多著名的量化基金,比...

量化交易研究 1万+

保姆级教程:在PX4 Gazebo仿真中为Iris无人机挂载Intel D435i深度相机(含完整配置流程)

本文提供在PX4 Gazebo仿真环境中为Iris无人机挂载Intel D435i深度相机的完整配置流程,涵盖环境准备、模型部署、插件安装及调试技巧。通过详细步骤和常见问题解决方案,帮助开发者快速搭建深度相机仿真环境,适用于无人机视觉开发与算法测试。

weixin_28688385的博客 338

算法交易分类大全

算法交易又被称为自动交易、黑盒交易或者机器交易,它指的是通过使用计算机程序来发出交易指令的方法。在交易中,程序可以决定的范围包括交易时间的选择、交易的价格、甚至可以包括最后需要成交的证券数量。 算法交易最初诞生是为了将大单拆分成大量较小的交易减少对市场的冲击、降低机会成本和风险。随着相关技术的发展完善,算法交易因其优势开始被应用在更多方面的用途上。如对冲投资组合使用它来在电子新闻信息到达时实现迅...

量化交易研究 7029

Silvaco 学习笔记——物理模型:载流子产生复合模型

对载流子的复合机制进行总结

reactortiger的博客 1万+

FPGA实战:从零构建eMMC控制器(Verilog篇)

本文详细介绍了如何使用Verilog从零构建FPGA上的eMMC控制器,涵盖eMMC接口基础、命令系统解析、关键模块设计及性能优化技巧。通过实战案例,帮助开发者掌握高速数据存储解决方案,提升嵌入式系统开发能力。

weixin_26802933的博客 298

量化投资学习——算法交易

当谈到算法交易的时候,我到底说的是什么? 算法交易大致可以分为四类: 1、交易执行算法:用于优化交易的执行成本,降低交易(尤其是大单)对市场的冲击,如最典型的交易执行算法TWAP、VWAP。 2、行为挖掘算法:通过研究交易证券的主要对手盘及其交易模式,发现可行的盈利策略。 3、抢帽子算法:通过在多个交易所之间倒卖订单获利,需要极快的速度。如在一个交易所发现有人10.0的卖盘,同时在另外一个交易所发现有10.01的买盘,快速吃掉两个订单。 4、行情预测算法:一般来说市场是无法预测的,但并不排除在某些条件下某些

m0_37876745的博客 2850

【3D Slicer】的小白入门使用指南一

3D Slicer 是一个免费的开源软件平台,用于医学、生物医学和其他 3D 图像的可视化、处理、分割、配准和分析。Slicer 的功能包括:读/写。

图挖掘领域,新晋砖家 ☞ 未来可期,欢迎和静静一起学习交流吖 5561

来自摩根大通的算法交易机器学习指南

如果你对机器学习和人工智能在银行和金融领域的应用感兴趣,你可能已经对摩根大通( J.P. Morgan) 2017 年底在大数据和人工智能方面的优秀指南了如指掌了。摩根大通最近发布的“把数据驱动学习应用到算法交易“问题的报告你就更加不能错过了。 去年的巨幅报告由摩根大通宏观定量研究团队的负责人被誉为“半人半神”的 MarkoKolanovic 在 2018 年 4 月份跳槽到美银美林(Bank ...

量化交易研究 2001

SAP_FICO模块-资产减值功能对折旧和残值的影响

SAP_FICO模块-资产减值操作对资产历史折旧以及后续折旧的影响,包括减值操作的配置前提

风沙的博客 2808

2026AI漫剧放心大胆做!小白也能轻松出片(附保姆级教程)

要是在2025,我大概率会劝他再等等,毕竟那时工具还没这么顺手。但到了2026年的今天,我的回答得很干脆:放心去做,绝对没问题。这一年多来,AI漫剧这块的变化真可谓翻天覆地。过去你想拍个像样的短片,哪怕再简陋,也得凑齐拍摄设备、找场地、找演员,后期剪辑更是折磨。但现在,时代变了,AI已经把创作的门槛踏平了。你不需要请演员,也不用操心灯光布景,更不用为剪辑特效烧钱。一个人,一台电脑,花几天时间就能做一部完整的AI漫剧。你只要有有想表达的故事,突发的灵感,剩下的,都能直接交给AI落地。

欢迎来到鸾姝淡月博客,专为程序员和编程爱好者打造的技术博客。我们分享编程语言趋势、开发工具、编程哲学、职业发展等,助你掌握新技术,优化技能,激发编程热情。 617

收好了!来自摩根大通的算法交易机器学习指南

来源 :efinancialcareers.com 作者 :Sarah Butcher 摘要:如果你对银行与金融领域的 AI 应用有兴趣的话,你肯定了解 JPM(摩根大通)最近十年对大数据和人工智能的出色运用,也会对他们最新发布的一份报告感兴趣。在这份报告中,他们探讨了如何将「数据驱动下的机器学习」应用于算法交易。 JPM(摩根大通) 一直是银行金融行业中积极应用大数据和人工智能技术的典...

量化交易研究 1272

【图像超分】论文精读:RepSR: Training Efficient VGG-style Super-Resolution Networks with Structural Re-Paramete

摘要: 本文提出RepSR,一种基于结构重新参数化和批量归一化(BN)的高效VGG式超分辨率网络。针对SR任务中BN易引发伪影的问题,作者通过分析发现训练-测试阶段的不一致性是主因,并提出先使用小批量统计训练、后期切换为总体统计的优化策略。RepSR块设计包含干净的残差路径和带改进BN的扩展-压缩卷积路径,有效平衡了训练非线性与推理效率。实验表明,RepSR在不同模型规模下优于现有重参数化方法,且实际推理速度更快。该工作为SR提供了性能与效率兼优的解决方案,相关代码未开源。 关键词: 超分辨率、结构重参数化

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 306

如何在算法交易中使用AI?摩根大通发布新版指南

https://blog.csdn.net/cf2SudS8x8F0v/article/details/84901318     来源 :efinancialcareers.com 作者 :Sarah Butcher 编译:机器之能 张玺   摘要:如果你对银行与金融领域的 AI 应用有兴趣的话,你肯定了解 JPM(摩根大通)最近十年对大数据和人工智能的出色运用,也会对他们最新发...

喜欢打酱油的老鸟 2449

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

摩根大通---深度强化学习在股票择时交易的应用

作者:chen_h 微信号 & QQ:862251340 微信公众号:coderpai 在八月一号,金融时报发布了一个关于摩根大通(JP Morgan Chase)优化交易程序的文章,如果你没有订阅金融时报,也可以访问 Business Insider 的文章。这个优化的目的是交易大型订单的时候,尽量减少对市场价格的影响。 这是一个非常复杂的系统,它是由下面的几部分组成:...

CoderPai的博客 7614

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

摩根大通认为三支上市公司股票将受益于区块链技术

暴走时评:投资银行和金融服务公司摩根大通集团认为,有三家上市公司的股票将从区块链技术应用中受益。据报道,在给客户的一份信函中,摩根大通公司预测,各家IT公司将采用与声称受...

区块链铅笔 676

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

【新闻】处理超过75%的交易!人类外汇交易员正在被Viper等算法所取代

近些年,对冲基金不是在用算法交易外汇,就是在寻找更好算法的路上。 算法交易,近几年已经成了对冲基金交易外汇的热门交易工具,他们不是已经用上了算法交易,就是在寻找更好算法的路上。

加百力 的技术博客 1104

摩根大通给AI投资算了笔帐:每位iPhone用户月均多花250元,才能回本

更关键的是,摩根大通测算,如果要让 AI 基建达到 10% 的合理投资回报率,整个行业未来每年必须创造 6500 亿美元左右的收入,相当于全球 GDP 的 0.6%。但对谷歌自身而言,这种转变或许是好事,因为它逐步从“推荐搜索结果”转向“直接给出答案”,强化了用户黏性,提升了变现潜力。历史上,我们见过类似的场景。从目前看,市场有足够多的钱来“接住”这一轮 AI 债,其中美国高收益债市场规模1.56 万亿美元,杠杆贷款市场规模1.67万亿美元,私募信贷管理规模1.73万亿美元,闲置资源还有4660 亿美元。

2501_91883294的博客 665

摩根大通AI研究院开发智能查询改写系统,让AI回答更准确

摩根大通AI研究院开发智能查询改写系统,让AI回答更准确

至顶AI实验室 549

美易平台与摩根大通财报分析金融科技的崛起

特别是在投资银行业务方面,尽管收入为15.8亿美元低于市场预期的17.2亿美元,但公司对2024年净利息收入约900亿美元的展望超出了市场预计的860.8亿美元。摩根大通作为全球知名的金融服务公司,在最新季度财报中展现了其业务的强劲韧性,尽管面临市场预期的压力。综上所述,在未来竞争激烈且多变化因素影响下,无论是像摩根大通这样历史悠久且规模庞大企业还是像美易这样灵活快速响应市场需求并具备创新精神企业都需要不断适应时代发展节奏,并采取相应策略以保持自身竞争优势地位。【美易平台:互联网金融券商新势力】

fw88554021的博客 511

债券收益率预测模型_人工智能模型最新预测:股市3个月内或将下跌,你怎么看?...

点击人民币交易与研究关注我们↑↑↑摩根大通依据5种市场信号:价值、资金流、头寸、经济势头和价格动量创建了人工智能模型,该模型预测股市未来1-3个月股市前景看跌,但对6个月内上涨信号是乐观的,表明股市的任何短期调整都将在年底前恢复。与此同时,对于10年国债收益率,该模型表明下个月将下降,但7月份之后呈上升趋势。图/pixabay由于交易员无法预测未来,尤其是现在美联储再次积极操纵市场的...

weixin_33623088的博客 327

2023摩根大通博士奖学金名单公布,华人超3/5,西电、川大校友在列

科研中,他采用多学科方法,涵盖人工智能、基于智能体的建模以及金融数学等领域。岑诗聪主要专注于强化学习和博弈论研究,他通过深入理解策略优化方法的理论,将启发式方法转化为严格的原则,并激发设计新算法以实现可证明的快速收敛。他的研究旨在开发高效的学习方法,以提升强化学习和博弈论的性能,并为这些领域的进一步发展提供理论基础。他的研究重点在于通过先进密码技术的实现来开发安全和隐私保护系统,目前正在开展的项目旨在解决真实世界中的安全和隐私问题,其中利用到了同态加密、多方计算、零知识证明和差分隐私等尖端隐私增强技术。

lqfarmer的博客 155

债券收益率预测模型_人工智能最新模型显示:股市3个月内或将下跌 你怎么看...

摩根大通依据5种市场信号:价值、资金流、头寸、经济势头和价格动量创建了人工智能模型,该模型预测股市未来1-3个月股市前景看跌,但对6个月内上涨信号是乐观的,表明股市的任何短期调整都将在年底前恢复。与此同时,对于10年国债收益率,该模型表明下个月将下降,但7月份之后呈上升趋势。图/pixabay由于交易员无法预测未来,尤其是现在美联储再次积极操纵市场的时候,摩根大通的市场策略师尼古拉•帕尼吉尔佐格鲁...

weixin_35675138的博客 193

摩根大通引入人工智能,帮助债券交易员预测市场走势;三江航天与数澜科技达成人工智能合作...

摩根大通引入人工智能,帮助债券交易员预测市场走势 雷锋网(公众号:雷锋网)消息,全球最大的债券交易商摩根大通正在引入人工智能,帮助债券交易员洞悉交易全局,甚至预测市场走向。 摩根大通发表声明称,固定收益销售和交易部门正在部署数据分析和机器学习软件MSX。它将汇编实时交易数据,让销售员和交易员可以更清楚地洞悉交易全局,帮助他们预测市场走势。这一由伦敦初创...

weixin_34315665的博客 185

摩根大通专家访谈:AI数据中心“产能过剩”了吗?训练和推理基建如何部署?

摩根大通最新专家访谈揭示,AI基建“产能过剩”担忧为时过早,算法轻量化与硬件循环利用正缓解算力焦虑,但数据中心头顶的“电力问题”与“散热难题”,才是AI狂奔路上更现实的减速带。近期,摩根大通与Scale AI数据科学家、Meta前高级数据科学家Sri Kanajan举行电话会议,深入探讨超大规模AI数据中心架构趋势。Kanajan认为,AI基础设施部署仍处于早期阶段,对产能过剩的担忧有限。

加百力 的技术博客 407
上一篇: 【精品】机器学习模型可解释的重要及必要性
下一篇: 神经网络知识梳理——从神经元到深度学习
BigQuant
博客等级 码龄8年 971粉丝 116原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值