摘要

这是最近在Quora上的一个提问：

Is stochastic math and Brownian motion still important to quantitative hedge funds? Is it all about AI and machine learning now？

机器学习算法大流行的时代，传统的量化金融理论，如随机过程、布朗运动等在量化对冲基金还重要吗？这本质上还是Q-Quant与P-Quant发展的问题。在这个问题下面，很多网友给出了很精彩的回答。

正文

▌Aaron Brown

很多量化投资策略都是基于非常简单的数学。复杂的工具往

摘要

人工智能系列之59：强化学习初探与DQN择时

本文介绍强化学习基础概念和经典算法，并构建股指日频择时策略。有别于传统监督学习对真实标签的拟合，强化学习不存在标准答案，而是针对长期目标的试错学习。其核心思想是个体通过与环境交互，从反馈的奖励信号中进行学习，数学上使用马尔可夫决策过程刻画。本文围绕基于价值的方法和基于策略的方法两个方向，依次介绍蒙特卡洛、时序差分、Sarsa、Q学习、DQN、策略梯度、REINFORCE、演员-评委算法。使用DQN构建上证指数择时策略，原始超参数样本外2017年至2022年6月年化超额收益率18.2%，夏普比率1.31，年均调

摘要

1.1.人工智能正当时1956年，人工智能（ArtificialIntelligence,AI）的概念在计算机达特茅斯会议上被提出。AI赋予机器像人一样思考，并做出反应的能力。它的本质是通过研究人类活动的规律，构造具有一定智能的人工系统来模拟人类的某些思维过程和智能行为，去完成以往需要人的智力才能胜任的工作。

如今，大数据、GPU和复杂算法的出现与进步，大大加速了人工智能的发展。2016年，由DeepMind开发的AlphaGo以4：1战胜了韩国棋手李世石，让人工智能备受关注，掀起了人工智能的浪潮。这一新兴学科凭借其广阔的发展前景吸引了众多研究者，目前已经在计算机视觉、自然语

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

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

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、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、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降特征个数并非越多越好。以逻辑回归_6m和XGBoost_

摘要

本周全A选股（非行业中性）随机森林表现最好本周中证500涨跌幅为-5.90%。本周4个人工智能组合跑赢基准，超额收益最高的策略是随机森林，该策略本周获得绝对收益-3.64%，超额收益。最近三月超额收益最高的策略是随机森林，该策略最近三月获得绝对收益-6.05%，超额收益9.37%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益10.24%，超额收益24.13%。 本周全A选股（沪深300行业中性）随机森林表现最好本周沪深300涨跌幅为-3.85%。本周1个人工智能组合跑赢基准，超额收益最高的策略是随机森林，该策略本周获得绝对收益-3.70%，超额收益。最近三月超

摘要

将周期三因子引入随机森林模型中构建带有因子择时效应的选股策略本报告中，我们将多因子截面数据和华泰周期三因子进行合并，构建了因子择时+选股一体化的随机森林模型。周期三因子在随机森林模型中起到了状态切换的作用，不同状态下对应不同的截面因子选股逻辑。加入周期三因子的随机森林模型能获得更好的回测结果，本质上利用了周期因子的两个效应：（1）在周期因子取值单调的训练期内，模型侧重于遵循离当前更近的截面期样本的投资逻辑。（2）在周期因子取值非单调的训练期内（即拐点处），模型能够利用到周期因子在拐点处所带来的增量信息。 加入周期三因子的随机森林模型选股表现有稳定的提升加入了周期三因子的随机森林模

摘要

本周全A选股（非行业中性）SVM表现最好本周中证500涨跌幅为1.39%。本周5个人工智能组合跑赢基准，超额收益最高的策略是SVM，该策略本周获得绝对收益2.73%，超额收益1.34%。 最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益，超额收益8.71%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益23.04%，超额收益21.02%。 本周全A选股（沪深300行业中性）朴素贝叶斯表现最好本周沪深300涨跌幅为2.60%。本周2个人工智能组合跑赢基准，超额收益最高的策略是朴素贝叶斯，该策略本周获得绝对收益2.84%，超额收益。最近三月超额收益最高

摘要

本文构建了可融入因子观点的随机森林模型，提升了随机森林的灵活性

相比线性模型，机器学习模型的复杂程度大幅提升，模型对于历史数据的拟合能力变强，但灵活性下降。在动态演化的金融市场中，机器学习的这些特性使其备受挑战。为了提升模型的灵活性，我们改进了sklearn的随机森林模型，可指定优先分裂的因子来分裂决策树，从而人为增大优先因子的重要性。最后，我们以价值、成长、质量为优先分裂因子分别训练模型，构建了中证800价值、中证800成长、中证800质量三个组合，该测试能为构建结合机器学习的SmartBeta策略提供一种思路

**面对量化投资中的挑战，如何提升机器学习的灵活性值得

摘要

对冲基金布局人工智能

随着深度学习技术的进步，人工智能领域迎来了最好的发展机遇。近年来，国内外知名的IT公司纷纷在人工智能上发力，创造了一系列突破性成果。同时，海外的对冲基金和投资银行也开始在人工智能上进行布局。高盛、BlackRock、Citadel等公司是投资领域人工智能的先行者。

人工智能在资产管理的不同领域大展身手

人工智能能够帮助不同类别的资管机构提高竞争力，在未来的市场竞争中占得先机。分部门来看，人工智能正在或者即将对资管机构的投资、研究、交易、风险管理、产品设计、营销等细分部门产生深远的影响。

投资上，依托高效的信息处理和知识挖掘能力，人工智

摘要

对冲基金布局人工智能随着深度学习技术的进步，人工智能领域迎来了最好的发展机遇。近年来，国内外知名的IT公司纷纷在人工智能上发力，创造了一系列突破性成果。同时，海外的对冲基金和投资银行也开始在人工智能上进行布局。高盛、BlackRock、Citadel等公司是投资领域人工智能的先行者。

人工智能在资产管理的不同领域大展身手人工智能能够帮助不同类别的资管机构提高竞争力，在未来的市场竞争中占得先机。分部门来看，人工智能正在或者即将对资管机构的投资、研究、交易、风险管理、产品设计、营销等细分部门产生深远的影响。 投资上，依托高效的信息处理和知识挖掘能力，人工智能能够提高对冲基金的投资表

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。

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

2022-04-26 | 作者：微软亚洲研究院

编者按：ICLR（International Conference on Learning Representations）是国际公认的深度学习领域顶级会议之一，众多在人工智能、统计和数据科学领域以及计算机视觉、语音识别、文本理解等重要应用领域极其有影响力的论文都发表在该大会上。今年的 ICLR 大会于4月25日至29日在线上举办。本届大会共接收论文1095篇，论文接收率32.3%。今天，我们精选了其中的六篇来为大家进行简要介绍，其中研究主题的关键词包括时间序列、策略优化、解耦表示学习、采样方法、强化学习等。欢迎感兴趣的读者阅读论文原文，一

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

标题一张嘴，内容全靠吹。

量化玩数载, 学废占多数。

基础不打牢, 进阶两行泪。

人工与智能, 玩好人上人。

曲线与真实, 理想与现实。

问我怎么办, 闭眼直接上。

单票+满仓, 不死也重伤 。

分仓+风控 , 还好有点用。

为啥搞量化, 数据说实话。

人言不可信, 都是韭菜命。

师从百家长, 悟道一朝夕。

只晓一两招, 天梯屠榜客。

学尽屠龙技, 恨无龙可屠。

废话那么多, 源码在哪里？

链接直接粘，克隆就完事。

调参随便改，画图随你心。

回测皆浮云，实盘屌炸天。

发帖撞撞X， 深藏功与名

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