量化研究每周精选-20171102
由ypyu创建，最终由ypyu 被浏览 20 用户
导语：本周精选了5篇AI量化研究文章，第一篇介绍了JP Morgan应用机器学习开发量化策略重要成果，为本周重点推荐。其余主要为机器学习、深度学习在量化领域应用的文章，每篇文章都逻辑清晰、详细具体，部分文章还有策略源代码，大家读后可直接复现 。BigQuant拥有海量的数据和主流开源AI框架，赋能每一位爱好机器学习/深度学习和量化交易的人。
$目录$
- 《JP Morgan应用机器学习和RavenPack情绪指数评估策略》
- 《构造更好的策略》
- 《神经网络用于算法交易：改善经典策略》
- 《广发证券趋势策略的深度学习增强》
- 《机器学习专题研究：Adaboost算法下的多因子选股》
-
<h4 id=one>《JP Morgan应用机器学习和RavenPack情绪指数评估策略》</h4>
原文：《JP Morgan's Take on Valuation Strategies based on Machine Learning and RavenPack Sentiment》
关键词：公允价值，提升树，情绪信号
J.P. Morgan正在使用机器学习开发基于估值的交易策略。策略开创性地以股票“公允价格”为预测目标，这和预测价格或收益率的机器学习交易策略有明显区分。策略使用大量股票特征，量化“错误定价”信号，继而买入或者卖出被低估和高估的股票。J.P. Morgan构造策略步骤大致分为5步：挑选有潜力帮助预测市净率的37个股票特征；将以上特征作为输入，以提升树模型训练，得到策略信息比率为0.88；在提升树模型基础上，结合毛利/资产比，分析股票盈利能力，提高了策略回报并将信息比率提高至1.26；对于多头和空头组合中的股票，分别选取毛利/资产比排名前40%和后40%的股票进行筛选，将信息比率提升至1.46；作为最后一步，将RavenPack的新闻情绪数据引入模型，将信息比率提升至1.55。Morgan在AI量化方面的研究实力一直处于行业领先，因此本文值得一看。
-
<h4 id=two> 《构造更好的策略》 </h4>
关键词：交易策略，市场无效性，数据挖掘
交易策略构造主要有两种方式：基于模型（逻辑基础）和数据挖掘。基于模型的交易系统主要利用市场无效性，依赖于市场无效的明显性和长期有效性；数据挖掘的交易系统主要寻找匹配价格曲线的模式，唯一的假设是过去发生的事情会在未来再次发生，劣势是会产生很多随机无效的策略。本文详细介绍瑞士法郎案例的发展始末，得出结论：有很多线索表明市场并不理智有效。金融市场反应迅速并且经常对有明确价格运动方向的消息过激反应，市场对更加微妙的信息不反应或者反应缓慢。市场喜欢剧烈的方式，复杂的策略只被市场上少部分人采用。基于明显无效性的简单策略可以有高盈利，但是使用时间有限。
-
<h4 id=three> 《神经网络用于算法交易：改善经典策略》 </h4>
原文：《Neural networks for algorithmic trading: enhancing classic strategies》
关键词：移动平均线，神经网络，偏度
本文使用神经网络优化经典的移动平均线策略，并提出新的预测目标。作者提到，虽然指数移动平均线较之于简单移动平均线而言，能够对价格的波动反应迅速。但是，移动平均线类型策略的普遍缺陷在于价格平缓运动时（比如盘整）会不断产生交易信号，造成资金损失。本文对该策略进行如下调整为：在交叉信号出现时，检查一些指标，指标满足一定条件，才发出交易信号。作者以价格偏度作为预测目标，构造一些指标包括MACD、Ichimoku云、RSI、波动性和其他指标，形成多因子时间序列，然后采用正则化MLP神经网络做预测，继而通过偏度的变化来预测目前价格趋势是否改变。从本文案例回测结果观察到，优化措施有一定改善效果。
-
<h4 id=four> 《广发证券趋势策略的深度学习增强》 </h4>
关键词：人工智能，趋势策略，神经网络
人工智能的快速发展拓展了信息的获取源，从海量数据中发现规律和模式成为可能。本文尝试通过机器学习的方法，判断市场是否可进行趋势交易。策略的原理为每个交易日，取一段早盘行情数据，判断当日趋势策略能否盈利。若判断盈利，则按照早盘走势进行趋势跟踪，否则不开仓交易。模型选用循环神经网络模型，隐含层选用LSTM模块处理，解决了数据长周期时序依赖关系建模的难题。本文以IF股指期货主力合约作为交易标的，详细阐释策略原理、回测设置、策略流程和策略表现等并进行实证。实证结果表明，基于深度学习增强的趋势策略可以过滤掉在移动平均策略中盈利较小的交易信号，该策略有不俗的表现。
-
<h4 id=five> 《机器学习专题研究：Adaboost算法下的多因子选股》 </h4>
关键词：Adaboost，分类器，监督学习
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的弱分类器，尤其是对难以正确分类的数据重复进行训练，然后把这些弱分类器集合起来，构成一个更强的强分类器。本文旨在建构一个基于机器学习方法的多因子选股方法，本质上说这是一个监督学习的分类问题，也就是在给定因子数据作为输入，以收益率作为股票好坏判断依据，从而预测一个股票是否值得投资。 模型的构建主要分为两步：1，根据各股历史下一期收益率划分类标，历史当期因子数据对分类器进行训练得到相关参数。2，代入实际当期各股因子数据对各股进行分类，得到各股的得分。回测结果显示，Adaboost的选股结果是较为有效的，相对市场指数获得超额收益。与传统的回归方式选股做了对比，Adaboost以及概率统计分类的方式能够保持较高的有效性，使得从分类器的角度考虑多因子选股具有较高程度的可行性。 在文末，作者提出进一步改进的两个方向。感兴趣的朋友可以阅读原文。
<br/>
《量化研究每周精选》每周一期，为大家提精选研报、前沿研究、热门文章等优质内容。 查看所有 量化研究每周精选。欢迎投稿 (i@bigquant.com)。