用AI打造新一代的投资引擎


(小马哥) #1

GTC CHINA 2018是AI和深度学习领域的盛会,一直被公认为是人工智能领域全球规模大、重要的GPU开发者的行业聚会。GTC CHINA 2018 于11月20日~22日在苏州举行,百度、阿里巴巴、腾讯等众多中国大型企业及创新企业的开发者也在此展示了其技术成果及创新性突破,探讨如何利用AI赋能美好生活。宽邦科技创始人兼CEO梁举就AI如何赋能智能投资与参与大会的各位专家进行深度探索。

image

$$宽邦科技创始人及CEO梁举在GTC大会上发表演讲$$

AI赋能投资,跑赢87%的主动管理型基金经理

AI的趋势毋庸置疑,alpha go与李世石、柯洁的对弈是AI大范围地被人们所知的现象级事件。其实AI的兴起已有很多年,不过限制于数据量的规模,AI未能被大众所认识。随着互联网的产生,数据量大规模的增长才能让AI的算力和算法开始发挥显著作用。数据是AI的口粮,没有足够的数据喂饱AI,AI就疲软无力。在投资领域,金融市场每天的交易都能产生大量的数据,同时还有企业财报、市场行情等标准金融数据,并且还伴随着相应的情绪数据,例如新闻、舆论、评论等社交数据。 在这样一个天然且丰富的数据池里,AI能超越人类吗?

全球首只人工智能量化基金AIEQ自成立以来,收益超过了标普500和罗素2000指数的涨幅,跑赢了87%的主动管理型基金经理。

智能量化投资是趋势,但仍面临着挑战

智能量化投资将成为未来主流投资方式,但现存的传统量化研究方法和工具平台只适合小数据流、小规模计算的算法交易等数据规模与计算量不大的场景,不支持多机多GPU卡分布式并行计算来处理海量数据和计算任务。AI技术使用门槛高,传统量化团队缺乏辅助开发工具、不熟悉相关算法,同时在底层框架及硬件驱动上也有重重困难。同时,传统量化平台均只针对简单计算或者只是单机环境,而人工智能的海量计算需求,每个用户都可能在某段时间内需要数十台或者几十个CPU/GPU卡做并行计算,但平时大服务器和GPU卡都可能出于闲置状态。

同样,在金融行业搭建AI平台主要有以下几大挑战:一是数据。金融市场每天都在产生海量和实时数据,包括标准化的交易、行情、财报等数据,非标准的新闻、舆情等情绪数据,对数据的处理要达到快、准、全。二是算法。得到丰富的数据后,需要对数据进行分类、回归、时间序列和文本等处理,同时要用到深度学习、机器学习技术对数据进行再次加工,计算出符合金融投资的结果,需要长期、大量的投入。三是算力。需要支持数百万策略的训练,但仅靠CPU远远是不够的,要建立CPU+GPU异构计算,汇集数百台服务器的集群,同时根据GPU使用情况支持自动扩容缩容,实现资源的合理分配。

用AI打造 一代的投资引擎

金融投资行业的数据密集型需要更快的速度、更高维度数据学习能力,BigQuant采用了NVIDIA RAPIDS 加速平台,数据处理速度较原来提升了10倍,能高效地处理呈爆发式增长的金融数据;将算法加速50倍,模型训练提速50倍,因子挖掘提升100倍。高倍的效率和速度可以发掘出市场上更多的投资机会并做出更快的反应,从而带来巨大的收益。

以往的策略开发者开发一个优质策略往往耗时半年至一年升值更长时间,而BigQuant平台将策略研发周期缩短至一个月甚至更短,利于策略开发者将时间集中在策略研究上,而不是数据处理上。并且平台还支持训练数百万的策略,满足模型训练对大量算力的需求,帮助用户发掘市场上更好和更多的投资机会。

目前,BigQuant已经成为全国最大的AI量化平台和机器学习平台,吸引了15W+的开发者和行业用户。量化投资只是宽邦科技的开始,公司正在积极建设金融企业级AI平台-BigAI,通过降低AI技术建设和运营成本,提高企业的生产效率,机构无需再苦于AI人才短缺和耗费数年时间研发AI平台,可以在3个月内实现AI技术的开箱可用和团队的快速升级,让金融企业能够享受到更多AI带来的便捷。

BigQuant——人工智能量化投资平台