利用机器学习进行管理风险
作者：Todd Moses
编译：BigQuant
通过对冲降低交易风险的方法有很多，基金通常使用期货和期权来对冲每笔交易，然而与保险类似，这种安全网也是有成本的。现在有一种基于人工智能的方法，或许可以帮助实现更低的成本。
在麦当劳推出麦乐鸡之前，发现不得不对鸡肉的成本进行对冲，因为如果鸡肉价格大幅上涨，他们就无法持续提供该产品。
麦当劳随后通过一位财务顾问，确定了养鸡有关的两项成本是：粮食（主要是玉米和豆粕）和水。
为确保餐厅能够以固定成本持续提供鸡肉，该公司在粮食（玉米和豆粕）上购买了期权。这意味着他们有了在未来以一定的价格购买一些单位粮食的权利而不是义务。
此举确保了不管谷物价格是否上涨，麦当劳都可以通过期权来防范风险。这是一个非常明智的举动，唯一的问题是期权的成本意味着更高的总成本。
另外，套期保值策略在降低风险的同时也削减了可能的利润。现今机器学习已经被广泛应用，是否有更好的方法以较低的成本来降低风险？
我们先来讲一点背景知识：
资产的波动率意味着资产价格的不确定性，不管情况是否更糟，对冲都在起作用，但它并不是全方位的保护，而是一个通用的安全网。在金融领域，风险是投资的实际收益低于期望收益的可能性，可以通过风险价值（VaR）即未来特定一段时间内的最大可能损失来测度，但并不排除会有更糟糕的结果。
假设一个人以20万美元的价格购买了一套房产，并希望以每月1000美元的价格出租。在购买之前，他想要以某些方法来减小未来租金下跌（如每月只有800美元）的风险。房产保险抵御了房子起火或者被毁坏的风险，唯一需要对冲的地方在于预期租金和不确定的市场租金之间存在的差异。
首先要做的是查看历史数据并确定租金低于1000美元的可能性，许多在线网站提供了历史的租赁数据。如果该房产的租金有很大可能低到使这项投资不能盈利，那么进行套期保值很有必要。
例如，假设房产贷款为15年，如果有一种年金，花费20000美元，但在15年中每月提供200美元现金流，购买这个年金将大大降低房产月租金不到1000美元的风险，却会增加整体的投资额，这就是风险对冲存在的问题。
如果这是一个真实的房地产交易，解决这个问题有几种选择：例如，投资人可能会尝试讨价还价，降低房产的购置成本，从而降低所期望的租金使之与市场租金（800美元）一致，此外，如果该房产租赁市场波动不定，投资者当然也可以决定不进行购买。
下面说明如何用机器学习来对冲风险：
首先，考虑自然语言处理（NLP），即用机器读取文本语言并制定初步结论。目前，许多基金都使用NLP来实施一些量化策略。
如果投资需要对研究文件进行处理，那么NLP可以制定一个改进的对冲策略。例如，一个基于NLP的系统可以处理数百万符合良好租户标准用户的在线档案。
利用这些信息，可以为那些最可能按时支付并且租用2年或更长时间的人制定一套参数，维护这些租户将能够降低购买租赁物业的风险。
其次，可以使用K-近邻算法(KNN)，这是一种基本的机器学习技术，设计用于处理分类数据。KNN是非参数的，这意味着它不会对数据的分布做任何假设。当几乎不知道底层数据是如何分布的时候，它也能工作得很好。系统只从数据库中收集类别示例。
利用特征相似性，一个KNN系统可以决定新项目所属的类别，它通过分配一个与新项附近数据关系最密切的类来实现这一点。目前，KNN被用于欺诈检测。 同样地，投资人可以用KNN将数据库中的盈利与不盈利的项目进行分类。过去的每一笔投资都被归入以下类别:高、中、低。对于房地产交易，可以包括波动率、房间数量、平方英尺、邮政编码、特殊特征、财产状况、地段、车库数量、犯罪率等参数。
按照盈利潜力，KNN系统将其划分为高、平均或低利润潜力。例如，系统可能会发现房产的整体状况，房间数量和地段是高盈利的三个因素。因此，当一项房产符合这个标准时，它就被归类为具有高利润潜力，这样就大大地降低了购买的风险。
这种情况并非传统的对冲，而是对买卖双方的一种潜在的改善，我们的目标是消除对冲的需求，从而最大程度地降低成本。
最后，还可以使用随机森林。这是一种机器学习策略，它获取训练数据并在执行时创建大量的决策树。这些类似于流程图，每一行的决策都有一个特定的结论。用于训练的数据越多，随机森林越深，模式越模糊。
他们的目的是基于一组参数来发现样本群。在确定最佳对冲时，我们可以用一个特定投资类型中最佳和最差对冲的例子来训练，产生一个可以输入投资项目并返回最佳对冲策略的模型。
结论
以上所讨论的这三种机器学习策略都有希望让特定投资的对冲策略得到改进——无论是单独使用还是组合使用。然而，它们的效果还得取决于所用数据的质量，所以确保数据集
的质量是机器学习中最困难的方面。
对数据的关注是创建机器学习系统的范式转变，从事AI软件开发的开发人员需要关注模型选择和训练数据，而不是基于逻辑的算法。最终，那些能够完成这些壮举的人将能够开拓前所未有的新战略。
原文出处：《利用机器学习进行管理风险》
本文由BigQuant人工智能量化投资平台原创推出，版权归BigQuant所有，转载请注明出处。
利用机器学习进行管理风险相关推荐
- 《Nature》重磅 | 研究员利用机器学习发现近 6000 种未知病毒
作者:李雨晨 <Nature>杂志近日发布消息称,研究人员利用人工智能发现了近6000种未知的病毒.这项工作是在3月15日由美国能源部(DOE)组织的一次会议上提出的,它展示了一种探索地球 ...
- 美国银行将 AI 应用于企业应收账款处理；联合国或将利用机器学习技术帮助救灾工作...
8 月 24 日消息,据外媒报道,美国银行(Bank of America)与 Fintech 创业公司 High Radius达成合作,将人工智能应用于企业应收账款处理.该应用程序专为大型.复杂的公 ...
- 利用机器学习算法对实验室小鼠的睡眠阶段自动分类
目录 本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 .QQ交流群:941473018 筑波大学(Universityof Tsukuba)的研究人员结合两种流行的机器学习方法,创造了一种 ...
- Python 3 利用机器学习模型 进行手写体数字检测
0.引言 介绍了如何生成手写体数字的数据,提取特征,借助 sklearn 机器学习模型建模,进行识别手写体数字 1-9 模型的建立和测试. 用到的几种模型: 1. LR,Logistic Regres ...
- 搜索引擎利用机器学习排序
搜索引擎利用机器学习排序 标签: 搜索引擎机器学习排序 2013-07-29 20:52 1414人阅读 评论(0) 收藏 举报 本文章已收录于: 分类: 机器学习与数据挖掘(24) 作者同类文章X ...
- ML之Medicine：利用机器学习研发药物—《Machine Learning for Pharmaceutical Discovery and Synthesis Consortium》
ML之Medicine:利用机器学习研发药物-<Machine Learning for Pharmaceutical Discovery and Synthesis Consortium> ...
- ML/DL之预测分析类：利用机器学习算法进行预测分析的简介、分析、代码实现之详细攻略
ML/DL之预测分析类:利用机器学习算法进行预测分析的简介.分析.代码实现之详细攻略 目录 机器学习算法进行预测的简介 机器学习算法进行预测的分析 机器学习算法进行预测的代码实现 机器学习算法进行预测 ...
- 干货：如何利用机器学习实现有噪声标签样本分类模型？
在工业生产活动中,有一类常见机器学习问题,就是如何基于有噪声样本标签训练模型,以进行故障检测和分类. 先解释下什么是有噪声样本标签,它指的是训练模型用的样本标签并非完全准确,部分样本的标签有标错的情况 ...
- 利用机器学习的排名模型，提升你在英雄联盟的排名
作者 | Felicia Kuan 译者 | 弯月 出品 | CSDN(ID:CSDNnews) 英雄联盟是一款多人在线游戏,拥有百万人休闲与专业玩家.这是一款 5 对 5 展开激烈角逐的游戏,玩家为 ...
最新文章
- 浙江大学 | 深度域自适应和小目标检测挑战、技术和数据集：调研
- java hashmap 转对象_Java – 从HashMap中获取正确的转换对象
- 修改Hadoop的日志级别
- 激光slam-- .pgm格式地图分析及修改方法
- 关于MySQL出现`lock wait timeout exceeded; try restarting transaction` 的解决方案
- 理解 ActivityExecutionContextManager
- MVC 自定义属性验证登录
- 在Master page 里 CompositeControl 的事件失效了
- pthread_cleanup_push()/pthread_cleanup_pop()的详解
- transformer李宏毅讲解视频及decoder讲解
- 腾讯打免费牌争抢市场 马化腾表示QQ旋风免费
- 大数据调度工具oozie详细介绍
- 佛山科学技术学院计算机科学与技术李欣华,第七届国务院学位委员会中文学科评议组2019年度 扩大会议在佛山科学技术学院召开...
- 数据治理系列：数据血缘关系
- 机器学习模型融合实战指南
- 《区块链技术进阶与实践》之积分系统示例讲解
- 证券业上云内参： 深圳证券信息
- IT科技行业发展现状，未来发展方向有哪些？
- R Studio 安装stringi 报错download of package ‘stringi’ failed
- 关于C++ non-aggregate cannot be initialized错误的解决