1. 人工智能与投资的融合以及德州扑克AI算法概述 [page::1][page::5][page::6]

• 报告首先介绍了人工智能在投资领域的应用现状，强调深度学习的优势与局限性。

- 德州扑克AI通过虚拟遗憾最小化算法（CFR）实现优秀的博弈策略，DeepStack和Libratus分别战胜顶尖人类玩家。

• CFR算法基于对非完美信息扩展式博弈的迭代遗憾匹配，能够得到纳什均衡策略。

2. CFR算法及其在量化择时中的具体应用 [page::7][page::8][page::9][page::11][page::12]

• 投资者面对非完美信息市场环境，通过CFR算法迭代计算下个交易日上涨概率，从而形成多空信号。

- 流程包括初始化虚拟价值和遗憾值，记录博弈效用分解决策点，累积遗憾并更新策略。

• 该方法给出每决策点各动作概率，实现择时信号的生成。

3. 沪深300指数多空和纯多策略实证及策略绩效 [page::13][page::14][page::15]

| 指标 | 多空择时 | 纯多择时 |
|--------------|------------|------------|
| 择时周期 | 2011-3-14至2017-2-23 | 2011-3-14至2017-2-23 |
| 择时次数 | 19 | 9 |
| 平均预测周期 | 38个交易日 | 34个交易日 |
| 累计收益率 | 114.38% | 62.34% |
| 年化收益率 | 13.48% | 8.41% |
| 平均盈利率 | 11.03% | 18.16% |
| 平均亏损率 | -2.66% | -3.17% |
| 盈亏比 | 4.15 | 5.74 |
| 正确次数 | 10 | 4 |
| 错误次数 | 9 | 5 |
| 单次最大盈利 | 33.71% | 33.71% |
| 单次最大亏损 | -5.20% | -5.20% |
| 最大回撤率 | -8.60% | -8.60% |

• 策略稳定且择时周期较长，能捕捉大幅涨跌行情，调整阈值可进一步提升效果。

4. 上证综指、中证500及创业板指数多空、纯多策略表现 [page::16][page::17][page::18]

• 对上证综指采用样本内数据调整遗忘系数，择时次数较多，累计收益率达86.77%（多空）。

- 中证500累计收益率表现优异，多空择时达到137.20%。

• 创业板策略效果最佳，累计收益率160%以上，年化收益率超过30%。

- 各主要指数均显示CFR策略具备普适性和良好收益潜力。

5. 股指期货低频交易表现及交易成本影响分析 [page::19][page::20][page::21][page::22]

• 日内高频CTA策略因交易成本及盘口价差影响难以盈利，单笔收益率千分之一，成本吞噬空间大。

- 盘口价差自2016下半年缩小至1指数点左右，仍大于日内盈利窗口，日内交易盈利难度高。

• CFR策略低频多空择时用于沪深300股指期货，净交易成本为双边千一时，年化收益率仍保持在10%以上。

| 指标 | 零交易费用 | 双边万二 | 双边千一 |
|--------------|------------|------------|------------|
| 择时周期 | 2010-12-1至2017-2-23 | 2010-12-1至2017-2-23 | 2010-12-1至2017-2-23 |
| 择时次数 | 20 | 20 | 20 |
| 平均预测周期 | 39个交易日 | 39个交易日 | 39个交易日 |
| 累计收益率 | 90.22% | 89.46% | 86.45% |
| 年化收益率 | 10.70% | 10.67% | 10.40% |
| 平均盈利率 | 10.29% | 10.27% | 10.19% |
| 平均亏损率 | -4.13% | -4.15% | -4.23% |
| 盈亏比 | 2.49 | 2.47 | 2.41 |
| 正确次数 | 11 | 11 | 11 |
| 错误次数 | 9 | 9 | 9 |
| 单次最大盈利 | 37.60% | 37.58% | 37.50% |
| 单次最大亏损 | -8.56% | -8.58% | -8.66% |
| 最大回撤率 | -11.53% | -11.57% | -11.72% |

• 低频交易策略稳定性及抗交易成本能力较强，适合当前市场环境。[page::22]

6. 风险提示 [page::23][page::24]

• 本报告基于历史数据和若干合理假设，可能与实际未来环境存在偏差。

- 报告不构成具体投资建议，投资者应结合个人情况慎重决策。

金融研究报告详尽分析报告

一、元数据与概览

• 报告标题： 德州扑克AI算法在量化择时不交易中的应用——交易性择时策略研究之十

- 作者： 张超

• 发布机构： 广収证券金融工程

- 发布日期： 2017年6月

• 研究主题： 报告重点探讨了德州扑克中的AI算法——虚拟遗憾最小化（Counterfactual Regret Minimization，简称CFR）在量化择时中的创新应用与实证，特别聚焦其在指数多空、纯多策略及股指期货低频交易领域的表现和优势。

核心论点总结

报告提出CFR算法作为一种在非完美信息扩展式博弈中极具效果的AI算法，能够被有效地移植到金融量化择时领域，解决传统深度学习等人工智能方法在金融时间序列数据中样本有限、黑匣子效应严重等问题。通过构建将交易视为投资者与市场之间的博弈模型，采用CFR算法预测市场涨跌概率，进而给出量化择时交易信号，实现多空与纯多策略的收益提升。报告不仅有理论支撑，还有沪深300、上证综指、中证500和创业板等多指数择时的实证数据，结果显示CFR择时信号稳定有效，具有良好的年化收益率和风险控制效果。同时，报告也分析了CFR在股指期货低频交易的适用性，强调其对交易成本敏感性的优势。整体调性积极，推荐关注基于CFR算法的量化择时策略应用价值。[page::0,1,11,13,14,15,16,17,18,22]

---

二、逐节深度解读

2.1 引言与行业背景（第3页）

• 介绍Fintech的快速发展，尤其是借贷、支付、保险等子行业的火爆发展态势。

- 数据显示2012-2016年全球与中国金融科技投资金额规模明显增长，2016年中国金融科技投资额达46亿美元，且中国企业占据全球前10大金融科技公司的6个席位。

• 图表详实展示了全球与中国市场投资规模和行业细分占比，验证了数据分析和财富管理作为未来的增长点受到重视。

- 此部分调整了读者认知基线，展示金融科技市场的旺盛活力，为后续引入“人工智能与投资”的结合做铺垫。[page::3]

2.2 深度学习在人工智能投资中的局限（第4页）

• 说明深度学习虽然能从浩如烟海的市场数据中提取投资特征，生成交易信号，但存在两个主要缺陷：

- 需要大量有效的训练样本，市场数据有限且非独立同分布（IID）限制学习效果。
- 算法结果属于“黑匣子”，缺乏可解释性，难以用于理解市场机制和策略调整。

• 下图展示了两种基于深度学习的投资策略（股指期货日内交易、Alpha因子挖掘）以及其累计收益表现，证明深度学习在技术上虽成功，但在投资实务上的瓶颈明显。

- 为寻求替代方案，报告转向介绍基于博弈论的CFR算法。[page::4]

2.3 德州扑克中的AI算法及虚拟遗憾最小化（第5至9页）

• 详细介绍德州扑克AI算法的发展、重要战绩及核心算法——虚拟遗憾最小化（CFR）：

- DeepStack和Libratus系统分别在2016-2017年击败多名顶尖人类德扑玩家，展现强大实力。
- CFR核心概念是针对非完美信息扩展式博弈，通过分解遗憾值，反复迭代最小化“虚拟遗憾”，逼近纳什均衡策略，使得算法胜率显著领先。

• 通过博弈树的示例图（第8页），展现了CFR在决策点H上计算和更新策略的过程，着重于算法通过累积虚拟遗憾来调整每个动作的执行概率。

- 流程图（第9页）进一步阐明训练机制，包括初始化、计算效用值、累计遗憾值更新、策略迭代，直到训练足够次数输出最优策略。

• 该部分理论严密且结合图示，展示CFR强大而系统的方法论基础与实现过程，为后续金融量化择时应用奠定算法基础。[page::5,6,7,8,9]

2.4 CFR在量化择时中的应用（第10至12页）

• 将投资者与市场视为博弈双方，强调投资者面对非完美信息市场（不完全信息），决策过程可看做是一连串多阶段决策（扩展式博弈），适合使用CFR算法。

- 对比德州扑克和量化择时博弈的对应关系（表格说明）：
| CFR用于 | 德州扑克 | 量化择时 |
|-----------------|---------------------|------------------|
| 对手 | 其他局中人 | 大盘 |
| 对手历史动作序列 | 加注/跟注/弃牌序列 | 大盘历史数据序列 |
| 时间单位 | 局 | 日 |
| 策略输出 | 动作的概率（加注等） | 翌日涨跌概率（信号）|

• 依据虚拟遗憾最小化迭代算法，给出下一交易日上升概率 $\sigma^{T+1}(\mathrm{long})$，并以阈值判断买卖信号。

- 以详细公式串联虚拟价值、虚拟遗憾和最终概率的计算流程，结合择时信号判断逻辑，展示CFR如何在交易日层面生成精准的多空信号。

• 技术扎实，呈现量化择时的创新方向。

- 图示充分说明了信号生成与交易决策的闭环机制。[page::10,11,12]

2.5 实证分析：指数多空与纯多择时结果（第13至18页）

• 选择沪深300、上证综指、中证500、创业板四大代表性指数为样本，分别对CFR多空和纯多择时策略进行实证，样本期均涵盖2010年至2017年左右区间。

- 具体实证流程包括：基于历史数据校准阈值Gate1 (看多阈值)、Gate2 (看空阈值)及遗忘系数k，搭建策略系统进行信号预测与交易执行。

• 每个指数均配备三张图：

- 均显示累计收益率曲线（多空、纯多）与指数收盘价对比。
- CFR信号的概率分布直方图。
- $\sigma$(long)信号的走势变化（示趋势稳定性）。

• 重点结果总结表格：

- 沪深300：多空年化13.48%，纯多年化8.41%，判断准确率分别为52.63%和44.44%，盈亏比均超过4.0，单次最大盈利约33.7%。
- 上证综指：多空年化10.62%，纯多年化7.21%，判断率较沪深300低（36-38%），盈亏比约2.9左右，最大回撤率较高。
- 中证500：多空年化15.19%，纯多年化9.67%，判断率37%-40%，最大回撤达24%，说明策略风险稍高。
- 创业板：多空年化33.61%，纯多年化28.67%，表现最为抢眼，盈亏比显著高达6.6和9.7，符合创业板指数波动性较大带来的高收益潜力。

• 这些结果表明CFR择时策略能够捕捉中长期趋势波动，带来超额收益。策略信号较为稳定，尤其多空策略在多个指数上均实现了较好风险调整收益。

- 但判断正确率并非特别高，反映金融市场固有的不确定性和模型简化假设。[page::13,14,15,16,17,18]

2.6 CFR在股指期货低频交易中的应用与交易成本分析（第19至22页）

• 报告分析了股指期货市场日内CTA长期跟踪的两种优良策略SMT和EMDT，尽管累计收益可观，但单笔收益率仅千万分之一级别，面临严峻交易成本压力。

- 近几年股指期货的买卖盘口价差仍维持在0.5至2个指数点之间，2016年下半年整体价差集中在1个指数点左右，对日内高频策略盈利空间形成严重限制。价差与费率共同推高交易费用，日内高频常处于亏损边缘。

• 鉴于此，报告提出CFR更适合股指期货的低频交易，即通过量化择时产生稳定信号配合长周期交易，降低交易频率和成本。

- 实证中，CFR生成的沪深300多空信号在零交易成本、双边万二、双边千一三种情境下均显示了不错的年化收益（10.70%、10.67%、10.40%），回撤水平温和（11.5%左右），说明低交易成本环境下CFR低频交易策略依然稳健有效。

• 该部分深刻指出了交易成本的重要性，推荐使用CFR算法发出的择时信号进行低频指标期货交易，规避日内高频风险。[page::19,20,21,22]

2.7 结论与风险提示（第23-24页）

• 报告强调建立模型时的合理假设及历史数据的局限性，指出模型结果不一定完全反映未来市场情况，投资者需结合自身环境审慎决策。

- 同时声明本报告为广収证券重点客户专有资料，强调不构成具体买卖建议，仅供参考。

• 规定版权及责任范围，防止未经授权传播。

- 体现报告的专业严谨与合规意识。[page::23,24]

---

三、图表深度解读

3.1 报告整体结构图（第1页图片）

• 展示报告的五部主要内容：人工智能与投资、德州扑克中的AI算法、CFR在量化择时应用、指数多空择时实证、CFR用于股指期货低频交易。

- 该结构图清晰地指明了报告以德州扑克AI技术为桥梁，应用于量化投资的全面路线图。[page::1]

3.2 金融科技行业投资规模与细分图（第3页左上图和饼图）

• 左侧柱状图显示2012-2016年全球与中国金融科技投入额持续增长，尤其2014年起大幅增加至2015年高点，2016略微回落。中国市场投资额增长更显著。

- 右侧饼图显示借贷（32%）、支付（18%）、保险（12%）三大领域是资金主要流向。

• 下方表格列举了全球金融科技Top10中国企业，显示行业领导地位。

- 图示强化Fintech迅速崛起大背景，对人工智能技术如CFR进入金融具有现实意义。[page::3]

3.3 深度学习策略和Alpha因子的累计收益图（第4页）

• 左图为深度学习股指期货日内交易的累计收益曲线，初期快速增长后趋稳。

- 右图为深度学习方法提取不同权重Alpha因子的多条收益线，多数线表现稳健增长，但波动明显。

• 图示验证深度学习的潜力，但前述黑匣子效应与样本需求限制其应用广度。[page::4]

3.4 德州扑克博弈树与CFR算法图（第8页）

• 图为两人德州扑克博弈树，展示了各个决策阶段（预翻牌、翻牌、转牌）中可能的动作（弃牌、跟注、加注），节点颜色与箭头体现不同角色及动作路径。

- 侧面阐释了博弈的复杂性及CFR对决策点虚拟遗憾计算和策略调整的必要性。

• 这为投资领域中动态多阶段决策和策略生成提供直观比喻。[page::8]

3.5 虚拟遗憾最小化迭代流程图（第9页）

• 流程图系统地呈现虚拟遗憾最小化算法迭代步骤：初始化遗憾值和策略 => 模拟博弈与效用计算 => 更新虚拟价值与遗憾值 => 生成新策略 => 循环迭代直到满足训练次数。

- 逻辑清晰，便于理解该算法在非完美博弈中如何逼近纳什均衡策略。[page::9]

3.6 择时信号生成流程图（第12页）

• 左侧显示信号计算过程，基于T交易日结束时的虚拟价值和遗憾累积，计算\( \sigma^{T+1}(long) \)上涨概率。

- 右侧为根据信号阈值（Gate1、Gate2）判定持仓状态（看多、看空、平仓）的状态机，体现了信号输出到交易决策的闭环。

• 图示直观揭示了算法与实际交易执行间的衔接，操作逻辑明晰。[page::12]

3.7 指数择时累计收益及信号分布（第14-18页，多张图）

• 各指数累计收益曲线均分别以多空、纯多策略形式呈现，均实现了两位数以上年化收益，且对应指数走势提供较好趋势跟踪。

- 信号概率分布图显示 \(\sigma(long)\)主要集中于0.4至0.6区间，符合择时信号在平衡态稳态波动，展示信号稳定性。

• 实证表细节丰富，包括交易次数、平均预测周期、正确率、盈亏比、最大回撤等，彰显策略综合表现。

- 不同指数表现差异体现了其市场结构及波动特征对策略的影响。如创业板展现最高风险调整收益和最大的波动区间。[page::14-18]

3.8 股指期货策略与交易成本分析图（第20-22页）

• 展示SMT和EMDT两策略累计收益图，呈现年化稳定增长，但单笔收益率极低，交易成本极大限制盈利空间。

- 盘口买卖价差走势图揭示2016年后价差集中于1指数点左右，对日内高频策略构成较大成本压力。

• 低交易成本下CFR策略多空择时年化收益逾10%，对应三种费用结构累计收益变化小，说明低频交易的优势。

- 结合交易费用表，反映择时次数有限但收益率稳定，判断正确率略高于50%，盈亏比较理想。

• 图表体现策略实用性及市场现实约束，强调择时策略需考虑交易成本。[page::20,21,22]

---

四、估值分析

报告未涉及企业估值分析、财务模型、价格目标或市值估算，属于金融工程量化策略研究报告，无直接估值内容。

---

五、风险因素评估

• 模型假设风险： 报告明确表示模型基于历史数据和一定的市场假设，不能完全反映未来真实市场状况，可能导致预测偏差。

- 市场风险： 市场受多因素影响，且投资者信息非完备，模型策略面对真实复杂多变环境有无法预见的风险。

• 交易成本风险： 日内高频的交易成本过高导致策略盈利受限。

- 策略实现风险： 实际操作中可能存在执行延迟、滑点和市场冲击等风险。

• 数据质量风险： 模型依赖历史数据，数据错误或异常会影响结果准确性。

- 报告未给出具体风险缓解措施，但提醒投资者结合自身情况谨慎采纳。

• 总体风险意识明确，表述规范。[page::23]

---

六、批判性视角与细微差别

• 报告基于博弈论和AI算法理论提出创新择时方法，其有力性基于多个指数的实证，显示较好收益和风险控制能力，体现高度专业化。

- 然而，策略的判断正确率一般集中在30%-50%区间，显示市场复杂性和策略局限，投资者不能盲目信赖。

• 收益率与波动性、最大回撤之间应权衡，特别是创业板策略高收益伴随较大回撤，投资者风险承受能力需充分考虑。

- 模型对未来市场假设和历史数据依赖较大，存在过拟合风险未直接讨论。

• 报告未充分讨论多空策略与纯多策略间的优劣权衡及适用情境。

- 交易成本分析反映策略现实限制，但强调低频交易仍有优势，体现实务判读能力。

• 总体保持客观看法，语言中规中矩，无明显夸大宣传，值得参考但非万能方案。[page::23]

---

七、结论性综合

本报告创新地将德州扑克中领先的AI算法——虚拟遗憾最小化CFR引入金融量化择时领域，提出了市场博弈模型框架以适应市场非完美信息和多阶段决策的复杂性。算法通过反复迭代优化策略概率，寻找纳什均衡，生成下一交易日的涨跌概率信号。

详细实证覆盖沪深300、上证综指、中证500及创业板四大指数，结果均显示出稳定的年化收益能力，尤其创业板多空策略年化超33%，凸显该算法在抓取市场大趋势和防范风险上的潜力。虽然预测的判断正确率未达百分之百，但较高的盈亏比和正向累计收益证明策略具备实用价值。

报告进一步分析了股指期货日内高频策略在交易成本面临的严峻挑战，并提出应用CFR算法于低频交易以规避每日盘口价差和高费率带来的影响。实证结果表明，在实际手续费考虑下，CFR低频策略依旧表现出了较好的收益和较低的回撤，适合股指期货的量化择时应用。

图表方面，报告通过博弈树结构图、遗憾最小化迭代流程、策略信号生成流程、多指标择时收益曲线及交易成本分析图，详实展现了算法机理及量化择时的全景画面，增强了理论与实证的结合力度。

综上，报告充分体现了德州扑克AI算法CFR在金融择时领域的创新价值及实践可能性，建议投资者审慎参考，结合风险与实际操作成本，探索符合自身风格的应用模式，同时关注未来算法与模型的持续优化。

---

参考篇幅标记

以上分析信息均源于报告第0至24页内容，具体页码标注见正文每段落句末。[page::0-24]

报告