康奈尔(Cornell)根据该领域有史以来使用的最大数据集进行的最新研究表明，机器学习可以评估用于预测金融市场走势的数学工具的有效性。

研究人员的模型还可以预测未来的市场走势，这是一项艰巨的任务，因为市场信息量巨大且波动性很大。

“我们试图做的是利用机器学习技术的力量，不仅可以评估我们当前的方法和模型的运行状况，还可以帮助我们以一种没有机器学习就无法做到的方式扩展它们。” O'Hara，庄臣商学院的Robert W. Purcell管理教授。

O'Hara是7月7日发表在《金融研究评论》上的“机器时代的微观结构”的合著者。

O'Hara说：“尝试使用标准技术来估计这类事情变得非常棘手，因为数据库是如此之大。机器学习的美妙之处在于，它是分析数据的另一种方式。” “我们在本文中展示的关键是，在某些情况下，附于一个合约上的这些微观结构功能是如此强大，它们可以预测其他合约的走势。因此，我们可以了解市场如何影响其他市场的模式，使用标准工具很难做到这一点。”

市场产生大量数据，挖掘数十亿美元的数据将危及未来市场行为的模式。华尔街和其他地方的公司采用各种算法，检查不同的变量和因素，以找到这种模式并预测未来。

在这项研究中，研究人员使用了所谓的随机森林机器学习算法来更好地理解其中一些模型的有效性。他们使用87个期货合约的数据集评估了这些工具，这些合约是指以预定价格买卖未来资产的协议。

奥哈拉说：“我们的样本基本上是五年内全球所有活跃的期货合约，在分析中，我们使用每笔交易(数千万笔)。” “我们所做的是使用机器学习来尝试了解为不太复杂的市场设置开发的微结构工具如何有效地预测合同内以及整个合同内的未来价格过程。我们发现某些变量非常非常有效好吧，其中有些还不算太好。”

机器学习在金融领域早已被使用，但通常被称为所谓的“黑匣子”。在这种情况下，人工智能算法使用大量数据来预测未来的模式，但并未透露其如何做出决定。奥哈拉说，这种方法短期内可能有效，但对导致市场格局真正起因的了解却很少。

“我们在机器学习中的用途是：我对推动市场发展有一个理论，那么我该如何测试呢?” 她说。“我怎么才能真正理解我的理论是否很好?又如何利用从这种机器学习方法中学到的知识来帮助我建立更好的模型，并理解由于太复杂而无法建模的东西?”

有大量的历史市场数据可供使用-自1980年代以来就记录了每笔交易-每天都产生大量的信息。计算能力的提高和数据可用性的提高使执行更细粒度和更全面的分析成为可能，但是这些数据集以及分析它们所需的计算能力对于学者而言可能是非常昂贵的。

在这项研究中，金融业从业者与学术研究人员合作，提供了用于研究的数据和计算机，以及在实践中使用的机器学习算法方面的专业知识。

奥哈拉说：“这种伙伴关系为双方都带来了好处。”她补充说，该论文是她，埃斯利和洛佩兹·德普拉多在过去十年中完成的一项研究。“它使我们能够以学术研究人员通常无法使用的方式进行研究。”