You won't need to be a machine learning expert, you will need to be an excellent quant and an excellent programmer.
—J.P.Morgan宏觀量化和衍生品策略研究小組
2018，毫不意外，銀行金融行業的關鍵詞之一，是AI（人工智能）和ML（機器學習）。
從最早高頻交易的“類”人工智能，到現如今用深度學習來分析趨勢，尋找最有利可圖的交易策略，機器學習在金融領域的用武不斷縱深化。
這就呈上個案例：JPM採購了“空中鳥瞰”得來的數據，處理投資決策。
RS Metrics是這項衛星和無人機高空影像數據服務的提供商，它擅長利用停車場影像分析零售流量、地產熱度、工業產能和企業員工僱傭數等，並將分析結果提供給投資機構。
下圖是特斯拉的南部物流倉，整車被集中起來準備發往客戶。今年2月2日，此地駐停了421輛Model 3's，88輛Model X's，和85輛Model S's；8月23日，數量是112輛Model 3's，33輛Model X's，和22輛Model S's；而最近的一張圖片顯示，有243輛Model 3，35輛Model X's，和29輛Model S's。據此，RS Metrics在18年9月4號發佈稱：特斯拉可能很難達成馬斯克承諾的2018年產能，否則它必須每小時至少有42輛車新駛進這個停車場。
JPM採用了RS Metrics的停車場空置率數據來決策買、賣或持有。策略是這樣的：他們聚焦在S&P 500中有長期歷史數據的個股，計算年同比停車場車流量數據（月度滾動，季度重啟），0.5的正負偏離觸發買入或賣出。
深度學習特別適合於非結構化大數據集的預處理，並由過去的經驗指導，不斷優化。上述的觸發值，隨著長期的數據累積和算法擬合，被不斷調整和精細化。
當然，這個案例僅是JPM揭露的最為簡單的利用機器學習進行的交易策略，金融市場的現實複雜度要超乎想象的多。但可以肯定地是，未來，定量研究人員必須學會使用數據，包括個人生成的數據（社交媒體、產品評論、搜索引擎等），商業數據（公司能耗數據、交易數據等）和傳感器生成的數據（衛星影像、冷熱、定位等）來解讀信號、評估影響、理解預期、預測轉折點。
同時不偏不倚地提一句，也無須過度販賣焦慮，畢竟，理解數據和信號背後的經濟和政治邏輯，比開發複雜的AI/ML解決方案更重要。
Reference：《Big Data and AI Strategies：Machine Learning and Alternative Data Approach to Investing》
閱讀更多 沸騰牛肉一鍋粥 的文章
