某机构调查发现，近年来，通过电子渠道进行的交易有所增加，所有资产类别的交易员都预计，这种上升趋势将在未来两年继续下去。

摩根大通的瓦克说，我们经历了两年多非常不寻常的疫情，在市场非常动荡的情况下，许多客户从办公室搬到家里，这对增加电子交易来说是一场完美风暴。

不过摩根大通的Wacker表示，人工智能和机器学习预计很快将超过移动技术，成为未来市场主要影响因素。

近年来，在动荡的市场中，算法交易已成为一种强有力的工具。算法交易的目的是： 1.通过分拆母单，拟合市场成交量分布，降低市场冲击成本； 2.隐藏下单意图，用特殊目的算法，有效保护交易意图，避免引起市场异动； 3.使用自动化算法交

摘要

人工智能和机器学习并不神秘

人工智能和机器学习方法并不神秘，其本质是以数理模型为核心工具，结合控制论、认知心理学等其它学科的究成果，最终由计算机系统模拟人类的感知、推理、学习、决策等功能。理解常用的机器学习算法，有助于澄清对人工智能的种种误解和偏见，帮助我们更清晰地认识人工智能的长处和局限，从而更合理、有效地将人工智能运用于投资领域。

机器“学习”的对象是客观存在的规律

机器学习的对象是某种客观存在的规律。这种规律可以非常浅显，比如教给计算机勾股定理，机器就拥有了计算直角三角形边长的智慧。规律也可以相当复杂，如指纹识别系统学习的是不同指纹图像之间差异的规律，

尊敬的Quant：

2021量化行业风起云涌，桥水、D.E.Shaw、Two Sigma和Winton陆续拿下WOFE牌照，与国内量化机构同场竞技。

另一方面，据市场测算，截至 2021 年上半年末，证券类私募中，量化产品规模接近万亿、规模占比约两成。百亿以上量化私募管理人的合计规模估算约 4800 亿，公募量化基金不考虑公募专户规模约 2600 亿。

同时行业持续内卷，很多大型对冲基金早在多年前就将人工智能方法应用

《alphanet GNN和GAN华泰金工深度学习量化研究》Deep Alpha 研讨会 small_q small_q 更新于 大约 1 个月前 · 阅读 785

#1、华泰人工智能系列研究：四年五主题四十七篇研究 首先非常感谢宽邦科技的邀请，这里我替换了一下标题，主办方给的题目是《国内投资机构深度学习量化实践》，我这里改成了《华泰金工深度学习量化研究》，因为我个人很难代表整个国内的投资机构，国内的买方和卖方，公募和私募研究差异还是挺大的。 总体来讲，买方机构会更务实，目标明确。卖方研究有特殊之处，市场对我们的期待是探索前沿内容，帮大家踩坑，所以需要我们仰望星空。但同时又不能太飘，也需

论文原名

Recent Advances in Reinforcement Learning in Finance

论文作者

Ben Hambly-牛津大学数学研究所

Renyuan Xu-南加州大学工业与系统工程系

Huining Yang

发布时间

2021 年 12 月 10 日

引言

随着数据量的不断增加，金融行业的快速变化已经彻底改变了解决了数据处理和数据分析技术，带来了新的理论和计算挑战。与经典随机控制理论和其他分析应用相比，解决严重依赖模型假设的财务决策问题的方法，强化学习（RL）的新发展能够充分利用大量减少模型假设的财务数据，并改进复杂

原研报标题：Generative Adversarial Nets

发布时间：2018年

作者：Ian J. Goodfellow∗, Jean Pouget-Abadie† , Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair‡ , Aaron Courville, Yoshua Bengio

摘要

本文通过对抗过程，提出了一种新的框架

摘要

【人工智能研报】华泰人工智能系列之二十九：提升超额收益，另类标签和集成学习20200319-华泰证券-35页.pdf

另类标签和集成学习有助于提升人工只能选股的超额收益

本文认为使用另类标签有三个方面的合理性

本文使用了在多种训练期长度下测试的方法对比不同标签构建的模型

相比收益率标签，另类标签在全A股优势明显，在指数成分股内优势较小

集成学习能充分利用不同模型的优点，在多个股票池内回测效果最好

正文

[/wiki/static/upload/4f/4f177bf7-06a0-4013-b4d8-df0b4ac213a2

摘要

机器学习是人工智能的一个分支，也是人工智能的核心领域。机器学习的目的在于推理，推理的过程是学习，研究计算机如何模拟人类的学习行为。从1930年代至今，机器学习逐渐发展成为一门独立的学科，已有超过数百种算法被提出。《Do we need hundreds of classifiers to solve real world classification problems?》对17大类共179个分类器，在121个数据集上进行了测试。结果显示，随机森林和支持向量机（高斯核）效果最好，其次是神经网络和Boosting集成方法。

机器学习的一大发展趋势是大众化。早期的机器学习研究人员不仅

摘要

1. 海外投资机构加大人工智能领域的布局
2. 案例一：基于随机森林的择时套保策略
3. 案列二：基于模式匹配的行业轮动策略
4. 案例三：基于TensorFlow的二叉树期权定价模型

正文

/wiki/static/upload/f3/f3167067-fd53-4f4b-85f8-43dc0ce09dac.pdf

\

摘要

选股模型的时效性

信息具有时效性。选股因子对股票收益率的预测能力会随着时间的延后而衰减。机器学习股票收益预测模型的目标是将股票因子与股票未来收益率关联起来。股票因子蕴含的信息决定了模型的预测能力，包括预测准确度和预测窗口长度。如果机器学习模型所用的股票因子中包含的是市场短期情绪面的信息，那么训练出来的机器学习模型可能对市场短期走势的预测能力较强；如果机器学习模型所用的因子包含的是市场中长期的价格扭曲信息，那么训练出来的机器学习模型可能对市场中长期的预测能力较强。

模型构建

本报告按照因子在不同预测窗口长度的IC将选股因子分成不同的组别，并针对不同的股票收益预

摘要

优化问题是金融中基础、不可避免的问题，从均值方差的二次规划开始，优化问题已经深入到金融领域的方方面面，从大类资产配置到组合优化、从理论模型下的效用最大化再到实战模型的参数优化，都用到优化技术。而很多优化问题较为复杂，非凸、不连续、不可导、高维、随机、约束过多等问题给数值计算带来困扰，本文提出次优理论并且介绍差分进化算法，通过展示差分进化算法的良好效果，希望给广大投资者的量化建模带来一丝启示。本文方法对组合优化、大类配置、FOF 组合构建、智能投顾等领域都会有所帮助。

次优战胜最优作者在长期建模的经验中斗胆提出金融次优理论，其实金融没有次优理论，运筹学也没有，只有福利经济学中有过

摘要

尝试构建以真假序列识别为起点基于量价的主动投资研究框架

真假序列识别是检验市场有效性的有力工具。主动投资的核心是市场能否预测，如果市场无法预测，满足有效市场理论，主动投资就没有存在的价值。随机序列满足有效市场理论，无法预测。暂且抛开宏观、财务等数据，仅就交易数据看，如果人工智能算法无法识别真实量价序列和随机序列，那么弱有效市场假说可能成立；如果人工智能可以识别真假，那么可以进一步采用网络可视化技术挖掘模式，或采用遗传规划等算法来暴力挖掘特征。随后通过检验有效模式/特征、过拟合检验、风险控制等步骤，控制整体风险，实现完整的以真假序列识别为起点基于量价的主动投资研究流程。

摘要

卷积神经网络引领深度学习的发展，能够运用于多因子选股

卷积神经网络（CNN）是目前最为成熟的深度学习模型，是近年来人工智能蓬勃发展的重要推手之一，其主要特点是通过卷积和池化操作进行自动的特征提取和特征降维。本文首先通过原理分析给出了CNN运用于多因子选股的经验方法；然后在全A股票池内对CNN的预测结果进行单因子测试，其单因子测试结果相比对比模型具有良好表现；本文还构建了行业、市值中性全A选股策略并进行回测，CNN在以中证500为基准的全A选股测试中相比对比模型表现优秀。

本文通过原理分析总结了卷积神经网络运用于多因子选股的经验方法

将卷积神经网络运用于多因子

摘要

特征选择是人工智能选股策略的重要步骤，能够提升基学习器的预测效果

特征选择是机器学习数据预处理环节的重要步骤，核心思想是从全体特征中选择一组优质的子集作为输入训练集，从而提升模型的学习和预测效果。我们将特征选择方法应用于多因子选股，发现特征选择对逻辑回归_6m、XGBoost_6m基学习器的预测效果有一定提升。我们以全A股为股票池，以沪深300和中证500为基准，构建行业中性和市值中性的选股策略。基于F值和互信息的方法对于逻辑回归_6m、XGBoost_6m、XGBoost_72m基学习器的回测表现具有明显的提升效果。

**随着入选特征数的增加，模型预测效果先上升后下

摘要

介绍Python安装方法、与机器学习相关的包以及常用命令

Python语言是目前机器学习领域使用最广泛的编程语言之一，拥有众多优秀的包和模块，并且相对简单易学。我们将简单介绍Python语言的特性，常用命令，以及和机器学习相关的包，例如NumPy，pandas，scikit-learn等，希望帮助有一定编程基础的读者迅速上手Python语言。

机器学习选股框架与多因子选股框架类似，具有一定优越性

机器学习中最为主流的方法监督学习，其核心思想是挖掘自变量和因变量之间的规律。我们将经典多因子模型稍加改造，以机器学习的语言描述。在训练阶段，根据历史的因子值X和收益

摘要

报告对各种Boosting集成学习模型进行系统测试

Boosting集成学习模型将多个弱学习器串行结合，能够很好地兼顾模型的偏差和方差，该类模型在最近几年获得了长足的发展，主要包括AdaBoost、GBDT、XGBoost。本篇报告我们将对这三种Boosting集成学习模型进行系统性的测试，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实用意义的参考价值。

Boosting集成学习模型构建：7阶段样本内训练与交叉验证、样本外测试

Boosting集成学习模型的构建包括特征和标签提取、特征预处理、样本内训练、交叉验证和样本外测试等步骤。最终在每个

摘要

本报告对朴素贝叶斯模型及线性判别分析、二次判别分析进行系统测试

“生成模型”是机器学习中监督学习方法的一类。与“判别模型”学习决策函数和条件概率不同，生成模型主要学习的是联合概率分布𝑃(𝑋,𝑌)。本文中，我们从朴素贝叶斯算法入手，分析比较了几种常见的生成模型（包括线性判别分析和二次判别分析）应用于多因子选股的异同，希望对本领域的投资者产生有实用意义的参考价值。

朴素贝叶斯模型构建细节：月频滚动训练，结合基于时间序列的交叉验证

朴素贝叶斯模型的构建包括特征和标签提取、特征预处理、训练集合成和滚动训练等步骤。我们的模型设置为月频换仓，在每个月月底重新训练并

作者：Robbie Allen
编译：BigQuant

早在21世纪初，我在编写关于网络和编程的书的时候，我就发现，互联网是一个很好的资源，但是它还不完善。 那时，博客已开始流行。但是YouTube还不是很普遍，同样Quora，Twitter和播客用户也很少。十年过后，我一直在潜心钻研人工智能和机器学习，局面发生了翻天覆地的变化。互联网上现在有非常丰富的资源——当你要寻找选择你想要的资源时，你很难抉择你应该从哪里开始（和停止）！

![微信图片_20180306160704|690x277](/community/uploads/default/original/2X/5/

翻译：王宁 兴业研究分析师；孔祥 兴业研究首席金融行业分析师

摘要

**资产管理机构的未来是什么样的？**2021年10月Morgan Stanley发布了全球资产管理和财富管理观察报告《Global Asset & Wealth Management》，提出了相关看法，基于报告我们梳理了七个核心观点。

**观点一：另类资产等新领域将是行业增长点。**未来在财富需求增长且疫情后传统标准化高收益资产不足情况下，另类资产需求增速显著提升。从KKR/黑石经验看，私募股权投资/REITS/高收益债/私募FOF等构成主流另类资产，2001~2019

本文转载源自华泰金融工程微信公众号文章：【华泰金工林晓明团队】SinGAN 单样本生成——人工智能系列之四十九

林晓明 S0570516010001 研究员 SFC No. BPY421

李子钰 S0570519110003 研究员

何 康 S0570520080004 研究员 SFC No. BRB318

报告发布时间：2021年10月24日

摘要

SinGAN基于单样本生成任意尺寸的模拟样本，捕捉数据长时程特征

本文介绍生成对抗网络的重要变式SinGAN，并测试该方法在金融资产生成任务中的效果

作者：Michael Harris 编译：caoxiyang

导语

以下是我几个月前在欧洲做的一次演讲的摘录，当时我应邀为一群低调但净资产很高的投资者和交易员做演讲。该主题由主办方决定，是关于人工智能和机器学习对交易和投资的影响。下面的节选分为四个部分，涵盖了原始报告的50%。

人工智能和机器学习对交易的一般影响

人工智能（AI）允许用机器代替人。在20世纪80年代，人工智能研究主要集中在专家系统和模糊逻辑。随着供应算力的成本降低，使用机器解决大规模优化问题变得经济可行。由于硬件和软件方面的进步，如今人工智能专注于使用神经网络和其他学习方法来识别和分析预测变量，

导语

人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不断取得成果。机器学习被评为人工智能中最能体现人类智慧的技术，因此开发AI量化策略可以理解为将机器学习应用在量化投资领域。

理解机器学习算法

以StockRanker为例

机器学习算法太多，本文讨论只针对适用于金融数据预测的常用有监督型机器学习（Supervised Machine Learning）算法：StockRanker。假设我们要去预测某个连续变量Y未来的取值,并找到了影响变量Y取值的K个变量，这些变量也称为特征变量（Feature Variable）。机器学习 即是要找到一个拟合函数 ![](/wi

前言

棋手柯洁研究了大半年的围棋软件，竟然发现人类关于围棋的认知“全都是错的，……甚至没有一个人沾到围棋真理的边”。

而在投资上用了人工智能后会我们发现，人类过去关于投资的认知也可能都是错的

用户小a从事量化投资快三年了，在我们的平台上，做出了非常漂亮的结果，符合他过去的经验逻辑，但效果远超过自己过去的成果；后来 他随便选了一个因子——上市天数，最后发现该因子开发的策略效果很好。

于是他给我们反馈一个很奇怪的问题，为什么 只选择 上市天数(list_days_0)，也会有好的收益。他觉得非常不可思议，是不是哪个地方出了问题。

我们看了他发过来的收益曲线，有收益，但波动率也很大，

这是关于股票主动投资组合管理的第一篇教程。在开始介绍正式内容之前，我先简要简要说一下《Alpha系列》的初衷。

近年来，随着国内大数据和人工智能的迅速崛起，量化交易领域也有了长足的发展。 从原来的指标驱动型程序化交易，演化到现在的以机器学习、人工智能为代表的新型量化交易。同时，量化交易的门槛与过去相比下降了许多。 不仅是因为这些年数据科学的发展带动了python及其生态的成熟和推广，更由于类似tushare、vnpy、zipline等开源项目以及像quantopian、bigquant等量化平台的出现， 使得以前做量化先造轮子到现在量化从业者可以专注于策略的研发，使得更多的人能够进入到这个领

https://bigquant.com/experimentshare/2fbb2629dcb0450bbf72e224835b4957

\