金融AI算法:人工智能在金融领域的前沿应用指南

本书以人工智能（Artificial Intelligence，AI）为关注点，提供了大量AI 应用于金融领域的案例。由于人工智能在金融领域的广泛应用和迅速发展，本书作为“量化交易与投资的新发展”系列丛书的**本由帕尔格雷夫?麦克米兰出版社出版。这一系列丛书的目标受众广泛，包括学者和专业金融分析师等。本书的目标读者是对预测、建模、交易、风险管理、经济学、信用风险和投资组合管理感兴趣的人。我们希望通过提供AI 在不同金融领域的实证应用，帮助那些正在寻找*新、*前沿AI 技术的学者和从业者。本书旨在为不同的市场和资产类别提供多种应用。此外，我们查找了大量的文献后发现，介绍将人工智能应用于不同的金融领域或广泛的市场和产品的文献很少。 本书分为四个部分，每个部分都汇集了AI 领域的专家们的智慧，这些都是*新的原创和未公开发表的内容。由于作者都是世界各地的老师和教授，所以文学硕士、理学硕士和工商管理硕士都可以从这些内容中找到可以借鉴的东西。此外，对于专业的金融预测专家而言，本书中关于AI 的全面、可操作和*新的洞察也是无可匹敌的。为了让读者有机会亲自应用这些技术，本书还摘录了一些编程代码。 本书作者至少在三个方面超越了现有的文献：**，我们加入了AI 在时间序列模型、经济学、信用和投资组合管理这四个不同金融领域中的实证应用；第二，我们运用的技术和方法非常广泛，涵盖了AI 的所有领域；第三，在每一章中，我们不仅调查了来自不同市场和资产类别的不同数据，而且调查了不同频次的数据，包括每天的、每月的数据以及宏观经济变量，甚至不同来源的文本数据。我们认为，本书介绍的内容非常翔实和实用，同时也挑战了现有金融机构和其他行业仍在使用的传统模式和技术。要特别强调的是，后者非常重要，因为本书介绍的所有应用都清楚地展示了应用AI 来建模时间序列、提高政府决策能力、评估信用评级、选股和优化投资组合的优势。本书的主要内容 **部分 在引言之后，**部分重点介绍了各种时间序列，包括商品价差、股票和交易所交易基金。这一部分主要关注的是AI 方法在建模、预测和交易多种金融工具方面的应用。AI 方法包括人工神经网络（artificial neural networks，ANN）、启发式优化算法（heuristic optimization algorithms）和混合技术。这部分内容提供了金融时间序列分析应用于预测和交易的*新进展。我们通过对文献的回顾发现，现有的方法要么过时了，要么范围有限，因为它们每次只关注一个特定的资产类别。而且，大多数文献都只关注对外汇和股票的预测。例如，王（Wang）等人对应用基于小波去噪（wavelet denoising）方法的反向传播神经网络（back propagation neural network，BPNN）预测上海证券综合指数进行了研究和分析。这种神经网络的性能是以传统的反向传播神经网络为基准的。目前，由于AI 领域的迅速发展，其他研究大多数都被认为是多余的。例如，齐里利（Zirilli）曾经对神经网络在金融市场预测中的实际应用进行了研究，然而当预测金融变量时，他使用的技术就不再有效了。这是因为数据越来越容易获得，输入数据集也越来越丰富，这就使捕捉输入数据集和目标变量之间的关系的方法变得更准确。因此，对于*新的研究和技术革新而言，这种方法已过时了。 尽管很多期刊都刊载了关于将AI 应用于各类资产的论文，但我们并没有发现关注AI，特别是其在金融工具和市场中的实证应用的书籍。因此，我们认为用整个章节专门介绍时间序列建模、预测和交易是完全合理的。 第二部分 第二部分侧重于将经济学作为一门更广泛的学科，包括经济变量的预测和行为经济学，其中还提供了宏观和微观经济分析。本部分的目的是为读者展示AI在经济建模领域的应用及其作为一种提高企业和政府层面决策能力的方法的案例。现有的各种研究都侧重于基于主体的模拟，例如，莱特纳（Leitner）和沃尔（Wall）使用基于主体的模拟来研究经济和社会体系，泰廖（Teglio）等人也关注于依赖计算机模拟的社会和经济模型，以对复杂的经济和社会现象进行建模和研究。奥新加（Osinga）等人*近发表的另一篇论文也利用基于主体的建模来捕获经济变量之间的复杂关系。尽管这个部分只提供了一个实证应用，但是我们认为，要证明AI 的优势，尤其是“商业智能”，还有很长的路要走。 由于我们在经济建模领域进行了广泛研究，很显然，第二部分也应专门讨论这方面的内容。事实上，鉴于这是近期的热点，我们预计本书的第二部分会引起很多人的注意。 第三部分 第三部分重点分析了信用和公司结构建模。这可以帮助读者了解在需要做出投资决策时，AI 在评估基础数据和金融报表方面的作用。我们在初步调查后发现，目前很少有专门介绍运用AI 方法进行信用分析和企业金融分析的书籍。不过，我们发现有一些期刊论文提供了破产预测领域信用分析的观点。例如，劳克瑞斯（Loukeris）和马萨特思尼斯（Matsatsinis）尝试使用AI 模型预测破产来研究企业金融。从这些期刊论文的研究结果来看，我们认为企业金融能够从第三部分给出的实证结果中获益。 阿尔特曼（Altman）等人在信用分析领域开展了早期研究，他们研究了网络层的使用及其如何导致了现有破产预测模型的重分类率的提高。在这种情况下，人们发现AI 有助于识别资本结构和企业绩效之间的关系。在企业金融领域的*新论文中，作者都会将AI方法应用于各种信用案例研究。 我们怀疑他们是受到了2008 年全球信贷危机的启发，因为大多数论文都发表于2008 年信贷紧缩之后。例如，哈耶克（Hajek）利用神经网络分类和遗传程序对城市信用评级建模来确定他的输入数据集，他的模型旨在根据美国各城市的风险水平来划分它们的信用等级。该模型包括数据预处理、输入变量的选择过程和各种神经网络分类结构的设计。每个解释变量都提取自金融报表和统计报表。这些变量代表了神经网络的输入数据，而穆迪（Moody’s）评级机构的评级等级则是输出数据。研究结果表明，即使使用有限的输入变量的子集，神经网络分类为债券发行人给出的评级等级也非常准确。哈耶克进行的进一步研究提出了一种使用基于模糊规则系统进行的信用评级分析。基于模糊规则的前馈神经网络系统可以将美国公司（分为金融、制造业、采矿业、零售业、服务业和交通运输业）和各个城市划分为评级机构提供的信用评级等级。遗传算法再次被当作搜索方法使用，而且也应用了过滤规则。实证结果证实，大部分现有研究对债券发行人的信用评级的分类都非常准确。对所选模糊规则分类器的比较表明，对不同行业使用不同的分类器可以提高分类性能。 莱昂? 索里亚诺（León-Soriano）和姆诺斯? 托雷斯（Muñoz-Torres）使用三层前馈神经网络对两个主要机构的主权信用评级进行了建模。即使在使用了一组经过简化的、公开的经济数据的情况下，他们得到的结果也十分准确。钟（Zhong）等人通过分析四种不同的学习算法的有效性为企业信用评级建模。这四种算法分别是反向传播、极限学习机、增量极限学习机和支持向量机（support vector machine，SVM）。结果表明，支持向量机比其他算法更准确。 在破产预测和企业/ 主权信用评级领域进行的研究正日益广泛。我们相信，读者将从第三部分对信用和企业融资进行的研究中获益。事实上，我们在第1 章介绍了AI 的一种应用，它可以发现哪些领域的信用*受欢迎。AI 正逐渐出现在对信用分析和企业融资的研究中，以挑战那些现有的方法。然而这些方法也有不完善之处，而且无法消除2008 年“信贷危机”的负面影响。 第四部分 本书的*后一部分侧重于通过证券选择、投资组合构建和资产配置优化的案例来分析投资组合理论。这无疑是投资组合经理非常感兴趣的内容，因为他们寻求从他们的资产组合中获得*优回报。投资组合优化和证券选择是AI 应用的重要研究领域之一。然而，我们发现只有少数期刊论文和书籍关注了这一特殊领域。此外，由于AI 方法不断地更新和改进，这一领域的研究很快就会过时。 现有的期刊论文挑战了马科维茨（Markowitz）的均值? 方差法。例如，苏布（Subbu）等人引入了一种强大的混合多目标优化方法，该方法将进化计算与线性规划相结合，以同时实现回报*大化、风险*小化和识别满足所有限制条件的投资组合的有效边界。他们得出的结论是，他们的帕累托分类进化算法（pareto sorting evolutionary algorithm，PSEA）能够稳定地识别帕累托前沿（pareto front）在收益和风险空间上定义的*优投资组合。他们还认为这种算法比二维的且被广泛被接受的马科维茨方法更有效。 由特里皮（Trippi）和李（Lee）合著的一本书主要介绍了资产配置、时间决策、模式识别和风险评估。他们检验了马科维茨的投资组合优化理论，并通过将其整合到一个基于知识的系统中而对其进行了调整。总的来说，这本书很有趣，但它已经是20 多年前出版的了。我们认为，更新的应用/ 方法可能对投资组合经理和机构投资者更有益。致谢 特别感谢那些为本书提供了原创的*新研究成果的作者。感谢那些在本书编写过程中发挥了重要作用的编辑们。感谢出版商帮助我们将本书呈现给读者阅读。 我们希望这本书的出版将能够促进AI 在金融界的广泛应用。本书中所展示的模型和方法尚未被更多的受众注意到，部分原因是这些研究成果分散在各种期刊和论文集中。我们希望这本书能够帮助新一代的定量分析师和研究人员更好、更准确地理解和解决复杂的问题。