博客
【求职分享】
【笔试/面试】
干货分享 | Financial Modeling和机器学习
Feb 02,2023
分享本文:
大家好, 我是Lucy@FinTech社区。今天的文章将为大家讲述量化分析领域中Financial Modeling 和传统的机器学习方法的联系与区别。欢迎大家扫码二维码,加入FinTech社区,提认知,攒人脉,求职招聘!
在量化分析领域,金融建模与机器学习都是经常被提及的概念,两者都是基于数学知识对于已有的数据进行分析,并得到某些结论,那么这两者到底有什么关系呢?
本文将带你了解以下知识:
-
什么是量化分析
-
金融建模简析
-
传统机器学习方法有哪些
-
两者的区别与联系
01 什么是量化分析
量化分析是指在金融学中运用数理统计方法(数学金融学)进行定量分析。在这个领域工作的通常都是量化分析师。定量化分析师倾向于专注于特定领域,包括但不限于衍生品结构或定价、风险管理、算法交易和投资管理。
下图为量化领域经典的因子收益分析示意图:
因此,量化分析主要是指,在金融数据分析的过程中通常包括在庞大的数据库中搜索匹配并发现其内在规律,例如流动资产之间的相关性或价格走势模式(趋势跟踪或均值回归)。
02 金融建模简析
金融建模是建立一个实际生活中金融状况的抽象表示(模型)的任务。这是一种数学模型,旨在表示金融资产或业务、项目或任何其他投资组合的表现。
下图所示为金融建模结果的一个示意图:
因此,金融建模通常被理解为一种具有定量性质的资产定价或公司融资的实践。它是关于将一组关于市场或代理人行为的假设转化为数值预测。同时,“金融建模”是一个通用术语,对不同的用户意味着不同的模型。
03 传统的机器学习方法有哪些?
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点,到以“知识”为重点,再到以“学习”为重点的自然、清晰的脉络。显然,机器学习是实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题。
机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。
下图所示为传统机器学习的分类:
总得来说,传统机器学习可以分成下面几种类别:
-
监督学习从给定的训练数据集中学习出一个函数,当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出,也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。
-
无监督学习与监督学习相比,训练集没有人为标注的结果。常见的无监督学习算法有生成对抗网络(GAN)、聚类。
-
半监督学习介于监督学习与无监督学习之间。
-
增强学习机器为了达成目标,随着环境的变动,而逐步调整其行为,并评估每一个行动之后所到的回馈是正向的或负向的。
04 量化分析领域中两者的联系与区别
最后我们来看两者在量化分析领域的的联系与区别:
4.1 金融建模和传统的机器学习方法的联系
金融建模与机器学习都是建立于一定的数学基础上,然后对于已知的金融数据推断出未来趋势或者内在联系的方法。
机器学习带动的基础理论发展为金融模型的应用提供了相当大的支持。两者很多建模技巧:数据降噪、降维、非凸优化问题的优化算法等等。机器学习涵盖的基础领域,例如数值分析、优化理论和统计学等的发展,对于金融建模分析也是有了极大的帮助。
4.2 金融建模和传统的机器学习方法的区别
金融建模通常从符合经济直觉的理论出发,较少考虑数据本身特征;而机器学习建模通常既考虑相关问题的问题背景,又考虑数据特征。
同时,金融建模更加注重建模的准确以及模型的可解释性,分别对应着收益和风险。所以,你会发现很多的金融模型中宁可牺牲收益也要降低风险,这和以结果为导向的机器学习方法有很大的区别。
今天本文的主要内容就到这里了。大家对于量化中机器学习与金融建模经典的算法应用有没有了解呢?添加微信:FinTech78,加入社群交流