摘要

机器学习系列报告

本系列报告试图系统全面性的介绍各种不同的机器学习方法，并且结合具体的在投资研究领域应用实例、交易策略及code示例，说明其应用情景和实现方法。机器学习的方法可以分为以下几类：监督学习、无监督学习、深度学习及其他机器学习方法（例如强化学习），对应到具体的模型上数量则更是繁多，目前大部分机器学习模型并未广泛的应用在投研领域，因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主

监督学习模型之回归类模型及其应用

与普通线性回归不同，监督学习中的惩罚回归模型和非参数回归，可以分别用于处理输入变量中存在大量线性相关性关系

\

摘要

机器学习波动率预测

大多数量化策略的盈利与波动率高度相关。预知波动率对于分配每个策略的仓位至关重要。使用机器学习进行波动率预测较传统方法的预测效果有所提升。

机器学习策略判断失效的方法

判断机器学习策略失效有独特的方法，可以在击穿最大回撤前提前下线策略。

机器学习在量化投资中应用的杂谈

我们在这一章节中致力于打通实盘的各个环节，以及展开对机器学习对冲基金运营方式的探讨。

正文

[/wiki/static/upload/3a/3af7bff5-f4fe-4eef-96df-74530303b737.pdf](/wiki/static/up

摘要

机器学习和人工智能在量化投资的应用有很长的历史

机器学习在九十年代初的热潮中已经被大量运用于量化投资中。尽管受限于当时的计算能力和算法，但是由于在算法交易和CTA等领域中机器学习提供了一些更好的解决方案，机器学习在这些领域的应用一直延续到今天

机器学习在量化投资中应用的九个思考

本报告是系列报告的第一篇，简略介绍了机器学习运用到二级市场投资过程中的一些常见问题。这些问题覆盖了策略研发常见错误，策略归因，策略失效判断，机器学习平台的建立，交易系统和机器学习平台的对接以及机器学习对冲基金的团队架构。后续系列报告将会详细围绕这些问题展开

**适当使用下的机器学习

研究结论

机器学习容易给人“黑箱模型”和“过拟合”的印象，但事实上一些机器学习算法的逻辑和结果都非常直白，而且算法自身带有一套避免过拟合的参数估计机制。众多的实践研究说明，机器学习方法的预测能力大部分情况下都强于线性模型，很值得在量化投资中测试使用。本报告主要讲述机器学习的基本原理和用其来做量化选股的实证结果。

机器学习模型众多，不存在所谓的最强模型，不同的数据，不同的问题适用不同的模型。我们测试了LASSO、SVM、增强型决策树、随机森林等几种常见机器学习方法，最终选择用随机森林，主要是因为它结构简单、参数少、过拟合概率低，同时还具有非常强的样本外预测能力。机器选股模型省

正文

/wiki/static/upload/cc/ccdb74be-b863-4da3-8f49-1f6faa26c18e.pdf

\

研究要点

多因子模型是量化投资领域中最为经典、应用最为广泛的方法体系之一。本文使用改进后的截面回归法，在因子定价逻辑基础上对技术类、预期类、财务类因子的历史收益进行了考察，构建了多因子跟踪体系。

方法介绍

使用逐步回归法提取各类因子的纯收益。

（1）截面回归在使用中面临的最大问题是因子之间的共线性问题，本文采用逐步回归法进行规避。

（2）逐步回归法的含义是，每一步回归中只对单一变量进行回归，即仅估计单一因子的收益率，而每一步回归时将前一步回归的残差项作为这一步回归的因变量。

（3）逐步回归法在实践中100%的规避了共线性问题，而且从逻辑上说，相当于

\

技术实力，代表了量化投资机构的内在实力；自我驱动的技术迭代，将是长期保持行业竞争力的不二法门。

人工智能作为当前技术领域的重要分支，能以更高维的方式创造性地解决量化投资在应用领域的诸多复杂难题，为量化投资的跨越式发展提供跳板。与此同时，人工智能还给行业提出了新要求，即唯有紧握技术机遇，才可以在科技的“军备竞赛中”不落后于人。

非凸科技也在因子挖掘、收益预测、交易执行等环节引入人工智能和机器学习，为算法交易打造更强劲的科技驱动力。比如，交易执行方面，非凸科技致力于探索前沿交易软硬件技术，多业务场景下的技术落地，实现算法交易领域的技术创新。

如果说策略与技术的应用和迭代是量化投资的高层建筑，

摘要

西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。西学东渐不仅推动了中国在科学技术和思想文化方面的发展，也有力地促进了社会与政治的大变革。

在今天，西学东渐仍有其重要的现实意义。作为A股市场上以量化投资为研究方向的卖方金融工程团队，在平日的工作中，常常深感海外相关领域的研究水平之高、内容之新。而这也正促使通过大量的材料阅读，去粗取精，将认为最有价值的海外文献呈现在您的面前

本文重点对基于因子的资产配置方法进行研究。本文提出了利用宏观因子进行资产配置的框架，并且针对几类代表性机构的资产组合进行了实证研究。

本文基于因子的资产配置方法分为四步：首先选择所用的宏观

https://bigquant.com/experimentshare/4653b9de9090496ba06147ce444eeb36

\

量化策略的alpha收益，通过持续跑赢指数，能极大地改善权益投资的风险特征。只要投资者认可并看好中国的经济金融发展，看好指数的长期走势，那么量化投资可以说是最优的投资方式。可以在指数的相对低位（估值偏低，绝对点位偏低）时布局优秀的量化指数增强策略产品。

相较于传统的主观投资，量化投资最大的特点是尽量减少人性的弱点在投资决策流程的负面影响，基于统计学概率进行大量交易，是让投资走向科学与理性的一种艺术。

在国内，量化仍旧是相对新兴的产物，但是在欧美已经发展40年。展望量化私募行业的发展前景，欧美市场的发展轨迹有很大参考价值，大方向上有迹可循。量化是大趋势，在国内的发展空间巨大！

由于市场风格

「股票及量化投资书籍分享」https://www.aliyundrive.com/s/4kajoeM7ock 点击链接保存，或者复制本段内容，打开「阿里云盘」APP 下载。

摘要

投资要点

西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。西学东渐不仅推动了中国在科学技术和思想文化方面的发展，也有力地促进了社会与政治的大变革。在今天，西学东渐仍有其重要的现实意义。作为A股市场上以量化投资为研究方向的卖方金融工程团队，我们在平日的工作中，常常深感海外相关领域的研究水平之高、内容之新。而这也正促使我们通过大量的材料阅读，去粗取精，将我们认为最有价值的海外文献呈现在您的面前！为了保证品质，我们的文献推荐系列报告将以双周形式推出，每期推荐1~3篇不等的优秀文章。

本期的三篇文献涵盖了另类选股策略、盈余操纵及非流动资产配置等不同领域。第一

前言

传统的CTA策略多为多品种多周期的趋势跟踪策略组合。其中对于趋势的定义，大都基于时间序列计算出的传统技术指标，如MACD、均线等。然后根据趋势的多空，构建多品种的多空组合。随着深度学习的发展，很多研究者在量化CTA策略的研发中，开始尝试深度学习算法。常见的作法，如直接用深度学习预测每个品种未来一段时间的收益率，并根据预测收益构建品种多空的组合。但这钟做法有以下两个缺点：

• 直接预测收益，并没有考虑组合的风险；
• 没有考虑每个品种在组合钟的权重。

在Lim etl. 2019的论文《Enhancing Time Series Momentum S

摘要

西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。 西学东渐不仅推动了中国在科学技术和思想文化方面的发展，也有力地促进了社会与政治的大变革。在今天，西学东渐仍有其重要的现实意义。作为A股市场上以量化投资为研究方向的卖方金融工程团队，我们在平日的工作中，常常深感海外相关领域的研究水平之高、内容之新。而这也正促使我们通过大量的材料阅读，去粗取精，将我们认为最有价值的海外文献呈现在您的面前！为了保证品质，我们的文献推荐系列报告将以双周形式推出，每期推荐1~3篇不等的优秀文章。 本期的两篇文献聚焦在量化选股和择时领域。第一篇文章通过实证，对因子择时的可行性进行了验证，并

摘要

西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。 西学东渐不仅推动了中国在科学技术和思想文化方面的发展，也有力地促进了社会与政治的大变革。在今天，西学东渐仍有其重要的现实意义。作为A股市场上以量化投资为研究方向的卖方金融工程团队，我们在平日的工作中，常常深感海外相关领域的研究水平之高、内容之新。而这也正促使我们通过大量的材料阅读，去粗取精，将我们认为最有价值的海外文献呈现在您的面前！为了保证品质，我们的文献推荐系列报告将以双周形式推出，每期推荐1~3篇不等的优秀文章。 本期的两篇文献聚焦在量化选股领域。第一篇报告研究了利率在股票定价中的作用，并提供了一个新的分析

摘要

初步探索基于神经网络的组合优化

在基于因子的量化投资流程中，因子生成、多因子合成、组合优化是三个重要步骤。组合优化一般是指通过凸优化方法将收益预测转换为资产权重的步骤，本文将尝试把组合优化融入到神经网络中，构建端到端的量化投资框架，该框架输入资产的原始数据，通过神经网络进行特征提取和合成，再通过可传播梯度的凸优化层(如 CvxpyLayers)优化得到资产权重，目标函数可直接定义为资产组合的收益率或其他指标，并以该目标优化整个神经网络。本文以资产配置中的风险预算模型为例，测试了基于神经网络的组合优化效果。 在合理限制下，模型在两组资产配置测试中均能获得更好的收益表现。

1.https://bigquant.com/live/strategy?notebook_id=4ab011f4-c320-11ec-98fa-361fbc3525fa

2.https://bigquant.com/live/shared/strategy?id=80110

3.https://bigquant.com/live/shared/strategy?id=79204

选择最近市场表现比较活跃的股票；

检测股票最近资金流量的变化；

用多因子策略选股；

最近表现比较好

\

摘要

西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。西学东渐不仅推动了中国在科学技术和思想文化方面的发展，也有力地促进了社会与政治的大变革。在今天，西学东渐仍有其重要的现实意义。作为A股市场上以量化投资为研究方向的卖方金融工程团队，在平日的工作中，常常深感海外相关领域的研究水平之高、内容之新。而这也促使我们通过大量的材料阅读，去粗取精，将认为最有价值的海外文献呈现在您的面前

目前，因子择时受到众多关注，本文结合市场择时和因子投资的思想研究因子择时，具有较高价值。首先，本文的研究有着重要的经济学理论价值：最优投资组合应当等于SDF。

文章通过加入：

1. 假设存

人工智能在量化投资领域已有哪些应用实践？

未来发展将走向何方？

模型测试、因子挖掘、另类数据、对抗过拟合、生成对抗网络以及其他综合领域，有何前沿成果？

6月6日（周一）-6月10日（周五），“华泰人工智能量化研究5周年论坛”，2天主论坛与6场主题分论坛，连续5天，与您聊聊人工智能量化研究的前沿内容。

宽邦科技首席策略官 邵守田受邀，与您于16∶05-16∶35聊聊《 量化选股中Al算法应用最佳实践》。

参与方式：

行知App全程直播

扫描下方二维码直达 ![{w:100}{w:100}](/wiki/api/attachments.redirect?id=e5d

量化投资规模多大？对市场影响有多深远？顶级机构突破了哪些最新的前沿研究？4月29日，由华泰证券、宽邦科技、亚马逊云科技、朝阳永续、金融阶等多家市场权威机构联合组织撰写的《2021年中国量化投资白皮书》正式发布，并在深圳举办发布会。

[http://1500003242.vod2.myqcloud.com/43830c9bvodtranscq1500003242/13d56d69387702300069670514/v.f100030.mp4](http://1500003242.vod2.myqcloud.com/43830c9bvodtranscq1500003242/13d56d6938

\

导语

在阅读了 深度学习的简要介绍后，本文将介绍深度学习CNN模型及其在量化投资领域中的应用。

深度学习在量化领域应用

机器学习作为人工智能的核心，其传统算法在解决很多问题上都表现出了高效性。随着近些年数据处理技术上的进步和计算能力的提升，深度学习得以在很多问题上也大放光彩，成为近一段时间互联网、金融等领域的大热门。

在量化投资领域，机器学习尤其是由统计学延伸的各种算法一直以来都被尝试应用在选股、择时等策略的开发上，随着深度学习在其他领域上的突破，其在自动化交易甚至投资策略的自开发自学习方面的应用成为了大家探索的焦点。

为什么要用深

量化私募和投资者们应该如何应对？

管理人表示，应加强投研，投资人应看长远！

尤其是量化指数增强策略产品，所谓又能赚指数的钱、又能赚股票阿尔法的钱，容易被大众接受和理解，一批私募乘势狂发产品、快速上规模。

然而不少指数增强产品，不仅没有做出阿尔法，还跑输指数，出现超额回撤。

鸣石投资创始合伙人房明表示，去年在量价赛道过度拥挤下，上升期太好，下滑期自然更猛。接下来是投研的比拼，一是打磨细节，二是降低相关性。

平方和投资副总经理李霞表示，市场大幅回撤对其影响不大。由于我们一直坚守阿尔法信条，所以绝大部分的产品是中性对冲产品，β的波动对我们影响微乎其微。今年以来我们的中性产品还有4%-5%的