外汇场外特性将限制机器学习

20年前,机器学习的原理被应用于外汇交易,但时至今日,这项技术面临的挑战仍然存在,而且更为普遍。

不可否认,在分析市场数据的数量和速度上,机器的能力是人类交易者无法企及的。

然而,机器还必须应对数据的一些特点:不断变动、自相关性——今天的价格很大程度上取决于昨天的价格、低信噪比,这要求机器筛选大量无意义的数据,找到有意义的结果。

Quantify Partners共同创始人、量化分析负责人Kris Longmore说,外汇市场的场外性质还意味着,数据可能仅适用于特定的经纪商。

他说:“理想状态下,任何预测算法都将非常强劲,在经纪商供给方面差异很小,但是这仍然是个问题。最后,市场的全天候性质意味着市场数据的取样时间将在考虑范围之内。”

赛讯高级分析师Joséphine de Chazournes在延迟相关问题上指出:“外汇市场是高频资产类别,机器学习尚未支持这种速度。”

“现在有效的策略是多空策略或事件驱动策略,以T+1或T+2模式学习,但是从来都不是实时的,因为在数据中心部署机器学习算法的成本非常高。”

Misys资本市场高级分析师Peter Farley称,公司将继续投资于机器学习,认为它比人类交易更好。然而,他认为外汇市场的分散特质将有碍于广泛采用。

机器学习将改进系统模式,但是主要是一种更复杂的动态误差修正方式,而不是针对将长期记忆和经验与短期新变量加权结合的复杂任务的解决方案。

这是PrincipalGlobal Investors总经理、投资组合经理、宏观货币集团负责人Mark Farrington的观点,他认为,有太多旋转长期周期类似物和动态变动短期变量,从而准确评估、回归、采用权重和概率,使风险投资更具说服力。

他说:“策略上,按季度确定大型投资组合,为投资者提供稳定的年度绝对回报,看起来不是机器的领域,如果机器学习能够成功掌控这一市场领域,可能是因为在决策环中包括一两个非常聪明的人类基金经理。”

从信息理论角度来看,从做出预测时刻开始,随着时间的推移,随机性对基于时间的预测目标的影响加大,因此假定短期影响更具有可预测性是合理的。

Forex Artilect创始人DavidLopez Onate认为,高噪音水平意味着最好使用长期数据创建机器学习模型,同时使用短期图表作为交易触发器。他说:“你在短期时间跨度上使用长期时间框架的信号进行交易。我认为,机器学习对于短期策略或剥头皮(每笔交易中赚取微小的利润)更有效。”

I Know First首席执行官、共同创始人Yaron Golgher解释说,短期内,外汇市场是均值回归形态,而长期来看是趋势性的,因此需要不同的策略。他说:“长期交易者不能忽视在未来宏观经济趋势上提供观点的数据。”

Inpirical研发负责人JohannesTynes说:“短期来看,更多是关于新闻流和交易者行为,必须从更具体的数据中学习。”他认为,机器学习可以适用于短期外汇交易和长期策略。

他指出,在较大程度上,短线交易中使用的数据包括非金融和非量化特点(例如源自实时新闻流和推特模式自然语言处理的指标),而长期模式倾向于更多的围绕传统宏观变量和假设创建。

他说:“模型类型也有所不同。对于短线来说,分类模型有更多应用,尽管回归模型(预测汇率水平和数量)对于两者均有相关性。”

“对于短线交易,在线学习通常是必须的(持续数据流被输入到模型中,用于更新和再训练),但是对于长线应用,最好是在部署相关模型之前,开展模型训练、功能开发、参数调整和静态数据集验证。”

Advertisements