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

请务必阅读正文之后的信息披露和法律声明 [Table_Main] 证券研究报告 | 金融工程专题 金融工程专题 2022年2月11日 金融工程专题 证券分析师 肖承志 资格编号：S0120521080003 邮箱：xiaocz＠tebon.com.cn 研究助理 王成煜 邮箱：wangcy3＠tebon.com.cn 相关研究 《机器学习因子：在线性因子模型中捕获非线性——德邦金工文献精译第一期》 2021.9.17 《不可知的基本面分析是可行的——德邦金工文献精译第二期》 2022.1.14 机器学习驱动下的金融对不确定性的吸收与加剧 ——德邦金工文献精译第三期 [Table_Summary] 投资要点：  本文对金融行业从业者进行了访谈，包括一些积极应用机器学习技术的人员。据此，本文分析了机器学习驱动下的金融市场对不确定性的吸收。  机器学习模型被用来吸收金融不确定性，但它们也引入关键模型不确定性。关键模型不确定性是指我们无法解释机器学习模型如何做出预测和决策。  人们对于不可测量的不确定性仍有争论。一派（Pixley）认为这种不确定性是必然不可知的，而另一派（Power）认为这种不确定性是可以被“驯服”的，而本文的访谈结果更倾向于后者。  期望具有递归性和反身性。在金融市场等社会系统中，期望会影响现象的实现，也会受到现象是否实现的影响。由于这种反身性，与估值相关的大多数因素都不是独立的，也不是稳定的。  人们通过工具实现认知标准化。借助工具，异质信息可以进行比较、解释并用于财务决策，这些工具包括股票分析技术、定价公式和金融模型，而机器学习技术也可以添加到这个列表中。  管理和减轻自然不确定性可以吸收不确定性。金融机器学习（ML）模型通过检测数据中的相关性来吸收自然不确定性，并将自然不确定性转化为可管理、可操作的风险。  关键不确定性对吸收不确定性的可行性提出了挑战。关键不确定性不能通过市场原则来吸收，如果ML的某些操作是难以解释的，那么由此产生的不可理解性就会滋生不确定性。  了解模型的原理或成为应用模型的先决条件。对于一部分交易者而言，如果他们不理解模型，他不会用模型去投资。只有了解模型的基本逻辑，才能进行全面的风险评估。  使用奥卡姆剃刀原则选择模型。出于对过度拟合的担忧，许多量化机构和交易员偏好直观的模型，或者乐于试图限制模型的复杂性，从而限制模型的不可理解性。  ML模型改变组织的权力结构。人类通过吸收不确定性来行使权力的能力，但 ML 的兴起及其关键模型不确定性表明，这种权力越来越多地存在于ML中。人们可以通过解释ML的运作机理，重新平衡机器人与机器之间的权力关系。 风险提示：市场波动风险，数据可用性风险，模型失效风险，国内外市场差异风险 金融工程专题 2 / 19 请务必阅读正文之后的信息披露和法律声明 内容目录 1. 摘要 ................................................................................................................................ 4 2. 介绍 ................................................................................................................................ 4 3. 不确定性与基于模型的决策 ............................................................................................ 5 4. 方法和数据来源 .............................................................................................................. 8 5. 吸收自然不确定性 .......................................................................................................... 9 6. 关键模型不确定性的加剧 ............................................................................................. 10 7. 结论 .............................................................................................................................. 12 8. 参考文献 ....................................................................................................................... 13 9. 附录 .............................................................................................................................. 16 10. 风险提示 ..................................................................................................................... 18 信息披露 ............................................................................................................................ 19 金融工程专题 3 / 19 请务必阅读正文之后的信息披露和法律声明 图表目录 图1：所有被采访者 ........................................................................................................... 16 图2：机器学习子样本采访列表 ......................................................................................... 16 金融工程专题 4 / 19 请务必阅读正文之后的信息披露和法律声明 1. 摘要 这篇报告是德邦证券金融工程团队文献精译的第三期。原论文的标题是《The absorption and multiplication of uncertainty in machine-learning-driven finance》，作者是Kristian Bondo Hansen和Christian Borch。市场发展及其影响的不确定性是金融市场的固有特征之一。机器学习被越来越多地用作吸收这种不确定性并将之转化为可管理风险的工具。本文对182位金融行业从业者进行了访谈，其中包括45位积极将机器学习技术应用于投资管理、交易或风险管理问题的从业人员，我们据此分析了机器学习驱动下的金融市场对不确定性的吸收。我们认为，虽然机器学习模型被用来吸收金融不确定性，但它们也引入了一种新的、更深刻的不确定性，我们称之为关键模型不确定性。关键模型不确定性是指我们无法解释机器学习模型（尤其是神经网络）如何以及为什么会做出预测和决策——它们吸收不确定性的能力。我们认为，机器学习模型对不确定性的吸收与加剧需要在金融及其他领域进一步研究。 2. 介绍 能够将无形的经济不确定性转化为可管理的风险是许多金融家的梦想。大数据处理机器学习（Machine-Learning，简称ML）算法等预测工具的复杂性和能力（Mackenzie, 2015a）使得我们似乎可将不确定性视为一种“资源”（Esposito, 2013）而不是威胁或障碍。因此，新数据挖掘和数据处理技术的大量流入正在深刻改变投资管理和证券交易（Guida, 2019; Lopez de Prado, 2018）。银行、对冲基金、交易公司和清算公司越来越多地采用ML技术，不仅是为了从数据中获取最大化的信息，更是为了驯服不确定性。 通过ML技术减少不确定性是具有理论和现实意义的。从实务来看，它加速了近几十年来金融市场中计算机和某些算法对人类的取代（Borch et al.， 2015），机器学习逐渐被用作处理某些不确定性。不断增强的数据可用性、计算能力、不断降低的数据存储成本以及越发自动化的市场基础设施更是加快了这一发展趋势（Arnott et al., 2018; Kirilenko & Lo, 2013; Pardo-Guerra, 2019）。许多公司相信，这种技术将使其相对于竞争对手来说拥有足够的“优势”，具体而言，为它们提供预测能力，使未来（以及未来的价格走势）更加确定，这增强了ML的应用。在其他领域中，ML越发受人关注，因为市场数据的爆炸式增长使得我们有必要用新的方法来理解一个似乎“越来越不确定的过去”。随着自动交易的兴起（MacKenzie, 2018），买卖金融资产的订单数量急剧上升。Mattli（2019, p. 142）报告称，在美国，金融行业监管机构“平均每天监控大约500亿个股票、期权和其他几个市场的市场事件（报价、取消和交易）。”这种数据的爆炸式增长使得确定的过去事件（甚至是过去一个交易日的事件），包括任何市场不当行为，变得越来越不确定，而ML就是吸收这种不确定性的一种手段。可以肯定的是，在ML未普及的市场环境中，我们常常可以见到对过去的事件存在相互矛盾的解释，尤其是当这些事件涉及金融危机时。新出现的情况是，数据量的激增加剧了过去事件的“不确定性”，包括普通以及非危机驱动的某类事件。 从理论来看，不确定性的膨胀和基于ML的解决方案促使人们重新评估经济社会学中的争论，这类议题通常围绕着Knight（1921）对可测量风险和不可测量的不确定性的区分——因此衍生出“Knightian uncertainty”（Basili, 2001;