利用机器学习对冲风险¶
作者：Todd Moses
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。