研究稱機器學習可以預測市場行為

康奈爾(Cornell)根據該領域有史以來最大的數據集進行的最新研究表明，機器學習可以評估用于預測金融市場走勢的數學工具的有效性。

研究人員的模型還可以預測未來的市場走勢，這是一項艱巨的任務，因為市場信息量巨大且波動性很大。

“我們試圖做的是利用機器學習技術的力量，不僅評估我們當前的方法和模型的運行狀況，而且還以一種沒有機器學習就無法做到的方式幫助我們擴展這些方法和模型。” O'Hara，莊臣商學院羅伯特·珀塞爾(Robert W. Purcell)管理學教授。

O'Hara是7月7日發表在《金融研究評論》上的“機器時代的微觀結構”的合著者。

O'Hara說：“嘗試使用標準技術來估計這類事情變得非常棘手，因為數據庫是如此之大。機器學習的魅力在于，它是分析數據的另一種方式。” “我們在本文中展示的關鍵是，在某些情況下，附于一個合約上的這些微觀結構功能是如此強大，它們可以預測其他合約的走勢。因此，我們可以了解市場如何影響其他市場的模式，使用標準工具很難做到這一點。”

市場會產生大量數據，而挖掘這些數據的方式可能會暴露出數十億美元的風險，以揭示未來的市場行為。華爾街和其他地方的公司采用各種算法，檢查不同的變量和因素，以找到這種模式并預測未來。

在這項研究中，研究人員使用了所謂的隨機森林機器學習算法來更好地理解其中一些模型的有效性。他們使用87個期貨合約的數據集對工具進行了評估，這些合約是指以預定價格買賣未來資產的協議。

奧哈拉說：“我們的樣本基本上是五年內全球所有活躍的期貨合約，在分析中，我們使用每筆交易(數千萬筆)。” “我們所做的是使用機器學習來嘗試了解為不太復雜的市場環境開發的微結構工具如何有效地預測合同內以及整個合同內的未來價格過程。我們發現某些變量非常非常有效好吧，其中有些還不算太好。”

機器學習在金融領域早已被使用，但通常被稱為所謂的“黑匣子”(black box)，其中人工智能算法使用大量數據來預測未來的模式，但沒有揭示其如何做出決定。奧哈拉說，這種方法短期內可能有效，但對導致市場格局真正起因的了解卻很少。

“我們在機器學習中的用途是：我對推動市場發展有一個理論，那么我該如何測試呢?” 她說。“我怎么才能真正理解我的理論是否很好?又如何利用從這種機器學習方法中學到的知識來幫助我建立更好的模型，并理解因為太復雜而無法建模的東西?”

有大量的歷史市場數據可供使用-自1980年代以來就記錄了每筆交易-每天都產生大量的信息。計算能力的提高和數據的可用性的提高使得進行更細粒度和更全面的分析成為可能，但是這些數據集以及分析這些數據集所需的計算能力對于學者而言可能是非常昂貴的。

在這項研究中，金融業從業者與學術研究人員合作，提供了用于研究的數據和計算機，以及在實踐中使用的機器學習算法方面的專業知識。