20220211-德邦证券-德邦金工文献精译第三期_机器学习驱动下的金融对不确定性的吸收与加剧_19页_1mb

金融工程专题：机器学习驱动下的金融对不确定性的吸收与加剧

核心内容

本报告探讨了机器学习（ML）在金融行业中对不确定性的吸收与加剧。随着金融市场的不确定性成为其固有特征，ML作为一种强大的工具，正在被广泛用于将这种不确定性转化为可管理的风险。然而，这种技术的应用也引入了新的、更深层次的不确定性——关键模型不确定性，即模型的预测和决策机制难以解释。

主要观点

• 不确定性吸收与加剧的辩证关系：机器学习模型在吸收市场自然不确定性的同时，也带来了关键模型不确定性，这种不确定性源于模型的不透明性和难以解释的内部逻辑。
• 模型的不可解释性：许多金融从业者对ML模型的内部机制缺乏理解，这导致他们对模型的使用持谨慎态度，尤其在涉及重大决策时。
• 期望的递归性与反身性：在金融市场中，期望不仅影响事件的实现，也受到事件是否实现的影响，因此与估值相关的因素往往是不独立且不稳定的。
• 认知标准化与工具：金融从业者通过使用ML等工具实现认知标准化，使异质信息得以比较和解释，从而支持财务决策。
• 模型的透明度与复杂性：为了减少过度拟合的风险，许多量化机构和交易员倾向于使用直观的模型，如线性模型，以控制模型的不可理解性。
• 组织权力的转移：随着ML技术的普及，权力正在从人类向这些模型转移，但通过理解模型运作机制，可以重新平衡人与机器之间的权力关系。
• 市场不确定性的时间维度扩展：由于数据的爆炸式增长，市场不确定性不仅限于未来，也扩展到过去和现在，而ML技术可以用于处理这些不确定性。

关键信息

• 研究方法与数据来源：本研究通过访谈182名金融从业者，其中45人积极应用ML技术，探讨其在投资管理、交易和风险管理中的应用。
• 案例分析：以一家欧洲大型银行的清算部门为例，展示了ML模型如何检测交易数据中的异常，从而吸收自然不确定性。
• 模型类型与应用：受访者主要来自对冲基金、银行、交易所、技术供应商等，其中部分受访者使用无监督神经网络模型来检测异常交易行为。
• 风险提示：包括市场波动风险、数据可用性风险、模型失效风险和国内外市场差异风险。

附录信息

• 图表1：展示了所有被采访者的类型及其数量。
• 图表2：列出了机器学习子样本采访的具体信息，包括访谈ID、公司类型、角色、地点和日期。

分析师与研究助理简介

• 肖承志：德邦证券金融工程首席分析师，研究领域包括市场择时、资产配置、量化与基本面选股。
• 王成煌：德邦证券金融工程助理研究员，专注于主动量化选股。
• 林宸星：负责大类资产配置、中低频策略开发、FOF策略开发、基金研究和数据爬虫。
• 吴金超：负责指数择时、行业轮动和基本面量化选股。

投资评级说明

• 股票投资评级：分为买入、增持、中性和减持，分别对应相对市场表现的不同范围。
• 行业投资评级：分为优于大市、中性和弱于大市，基于行业预期回报与基准指数的比较。

法律声明

• 本报告仅供德邦证券客户使用，不构成投资建议。
• 报告内容受版权保护，未经授权不得复制、分发或引用。
• 德邦证券及其关联机构可能持有报告中提到的公司证券并进行交易。

结论

机器学习技术在金融行业的广泛应用正在改变传统的投资和交易模式，但其对不确定性的吸收与加剧之间的辩证关系需要进一步研究。关键模型不确定性对模型的透明度和可解释性提出了挑战，而这些挑战也影响了市场参与者对模型的信任和使用。未来的研究应关注如何更好地理解和管理这种不确定性，以实现更有效的风险控制和决策制定。