量化策略专题研究：机器学习在量化投资中的应用探讨-中信证券-20200205
由alkaid创建，最终由alkaid 被浏览 170 用户
摘要
人工智能的浪潮已波及到投资领域，国内外各类资产管理机构正抓紧布局相关研究。本文探讨了在量化研究中使用机器学习算法的基本原则和注意事项，并整理了六大类常用机器学习模型在投资领域中应用的优势和特点，本文最后还总结了部分在投资领域中使用机器学习算法的场景与案例。
量化型基金成对冲基金主流，人工智能/机器学习方法被广泛使用
- 2018年，全球最大的六家对冲基金均为量化型基金。为避免策略同质化，投资者开始探索和使用工智能/机器学习方法。
- 巴克莱2018年的对冲基金调查显示已经有56%的投资经理使用AI/ML进行投资决策，而2017年仅20%。
各大金融机构在AI/ML领域争相布局
- 近年来，不少顶级人工智能专家转战证券投资领域，如：微软人工智能首席科学家和卡耐基梅隆大学机器学习系主任分别在2017年、2018年加入了Citadel和摩根大通。
- 包括平安集团、华夏基金在内等多家国内资管机构也纷纷布局人工智能技术研究。
近十年AI对冲基金表现不俗
- 国际对冲基金研究机构Eurekahedge针对使用AI/ML的基金编制的AI对冲基金指数在近十年时间能够实现年化12.6%的收益。而同期Eurekahedge的旗舰对冲基金指数年化收益为4.9%。
- 近两年，市场中开始出现运用AI/ML进行投资的ETF，且增长势头迅猛。2017年有一只ETF（AIEQ）成立，到2018年底就增长到9只ETF。
六种常用的机器学习模型梳理
- 神经模型：通过神经元的连接，能够拟合任意函数，实现复杂的映射。
- 图模型：擅长对因果关系和概率关系进行刻画，能对复杂场景建模并且解释性较强。
- 聚类/编码模型：一般用于对数据进行归类和可视化。
- 线性模型：结构简单，易于分析理解，使用度最广。
- 树模型：模拟树的拓扑结构对特征空间进行逐层划分，得到预测结果的模型，解释性强。
- 集成学习模型：综合多个的弱决策模型得到强决策模型。
机器学习的应用逻辑
相对传统方法而言，机器学习方法具备四大优势：非线性优势、数据化优势、速度优势和复杂度优势。而金融数据的高噪、低维输入、动态性的特点给应用带来了极大的挑战。为此，本文提出可沿两个方向尝试：
- 机器学习算法和专业知识相结合。专业知识的结合不仅可以帮助改进模型，还能从经济金融学的角度来理解模型的行为，得到相互印证。
- 跳出收益率预测的思维定式。收益率预测的问题难度较大，可选择信噪比高的对象来进行学习和预测。
**现有的机器学习方法在投资领域的应用。**本文总结了大量文献，按机器学习方法在投资中应用任务进行梳理，主要包括：预测、定价、交易、文本分析和资产组合
正文
/wiki/static/upload/74/7444bf7c-639a-4024-a8f7-17af56fef894.pdf
\