人工智能和机器学习在金融交易领域中的应用研究

魏清晨

摘 要：随着人工智能和机械学习技术的不断进步，其应用范围不断延伸，为各行各业的创新发展带来了技术支撑。对于金融交易领域而言，运用人工智能和机器学习可实现投资决策、金融客服、风险控制的智能化发展。本文研究了人工智能和机器学习在金融交易领域中的应用，期望对促进金融业创新发展有所帮助。

关键词：人工智能;机器学习;金融交易

一 人工智能在金融交易领域中的应用

人工智能通过数据分析、逻辑推理、计算学习等方式，借助算法判断和归纳设定的事件，完成设置和操作。随着人工智能技术的快速发展，它已经被应用于各行各业的非结构化数据处理中，尤其在金融交易领域得到了成功应用。具体应用体现在以下方面。

（一）智能投资

智能投资主要应用人工智能技术对投资者的收益目标、风险偏好、风险承受水平进行分析和智能运算，结合投资组合优化模型，为投资者提供投资参考。在金融交易领域，智能投资既可以为投资机构提供服务，也可以为消费者提供服务。对于投资机构而言，智能投资系统可在分析金融数据的基础上剖析多方数据，构建交易模型，优化投资组合;对于消费者而言，智能投资系统可采集处理消费者的个人信息，构建起投资决策模型，为消费者提供个性化的投资方案。

（二）智能客服

智能客服是金融交易领域中最能够体现出人工智能科技含量的服务产品，主要应用了语音识别技术和自然语言处理技术、消费者可利用智能终端设备登录智能客服系统，由智能客服根据消费者提供的信息作出应答，为消费者提供咨询与业务办理服务。如果在业务办理过程中，难以满足消费者的需求，可转接人工客服。

（三）风险管控

金融交易具备风险高的特点，强化风险管控是促进金融业稳定发展的重要基础。将人工智能应用于金融交易中，可构建起风险预测模型，为风险管控提供依据。如在贷款业务中，可运用风险预测模型对贷款人的信用进行评估，得出审批结果，在几秒内完成对贷款人的审核，缩短贷款业务审批时间，降低贷款风险;在金融违法犯罪行为监管中，可应用人工智能扫描识别数据库中的数据文件，智能分析交易轨迹，准确识别异常交易的风险主体，为打击违法犯罪行为提供依据。

二 机器学习在金融交易领域中的应用

人工神经网络是机器学习中的重要算法，将人工神经网络应用于金融量化交易领域，可弥补线性模型的弊端，描述动态的金融关系，确定金融交易时间和买卖股数。在人工神经网络中，深度学习是最新分支，可适用于更为复杂的神经网络，而UNREAL是最为先进的深度学习算法，所以下面基于UNREAL构建起金融量化交易模型。

（一）价格预测

在金融交易系统中输入原始价格、交易量等数据，将第i天的数据转化为特征值，选定数据窗口，对训练、验证、暂停和测试四大区间进行划分，使用训练数据进行训练，得到ML-TEA预测模型，根据预测模型获取5天之后的价格涨跌，输出持仓信号。

（二）交易策略

每天开盘时，根据买卖信号建仓，持仓时间根据信号而定。若持有多仓，一旦输出空头信号，则建立空仓，反之则不改变持有头寸。若持有空仓，一旦输出多头信号，则建立多仓，反之则不改变持有头寸。在金融交易市场中，价格影响因素较为复杂，该模型只能预测部分价格变动，因此需设置止损参数，当超出止损参数时立即平仓。

（三）训练技术方法

在神经网络训练中采用了Tensorflow深度学习架构，并配合Keras神经网络库。为适应神经网络计算量的特点，可采用计算机集群方案，基于大规模高性能集群的卷积神经网络进行处理，构建出多个副本，并将训练集分为若干个子集，计算参数梯度，将参数传输给各个子节点，完成训练。Tensorflow可在多种终端设备的CPU上运行，多个CPU同时训练可满足大规模运算需求，在训练完成后可将模型快速发送到服务器。运用Tensorflow算法能够避免代码重写工作，提高模型运算效率。

（四）确定交易时间和买卖股数

基于UNREAL构建起的金融量化交易模型可模仿人脑处理复杂问题，形成人工神经元的联结网络，具备较强的计算和存储功能，可对大规模的信息进行并行处理。在神经网络训练中，既可以通过模拟人脑进行自组织和自适应性积累，还可以通过训练获取相关知识，确定最佳的执行方案，即确定交易时间和买卖股数。

三 结语

总而言之，人工智能和机器学习是当前最为尖端的科学技术，金融交易领域应尝试应用先进的人工智能技术和机器学习算法，实现智能投资、智能客服和风险智能管控，同时还可基于UNREAL构建起金融量化交易模型，预测价格走势，辅助金融交易决策，发挥出机器学习的最大化应用价值。

参考文献：

[1]高杰.人工智能在金融交易中的作用及未来的发展方向[J].电子技术与软件工程，2017（9）：104-106.

[2]陳维君，许纯纯.论人工智能在金融领域的应用风险和防范对策[J].重庆理工大学学报（社会科学），2019（9）：124-126.

[3]黄婷婷.机器学习在金融领域的应用[D].中国科学技术大学，2018.