ai时代我们在金融投资方面做了这些尝试….docx

Al时代，我们在金融投资方面做了这些尝试… 金融科技的到来，不仅代表着技术上的飞跃，更是对金 融服务模式的颠覆和创新。 随着 AI 的发展和普及， 量化交易 也步入了智能交易的新高度。金融投资的核心在于追求收益， 而人工智能的分析和预测能力恰如其分地满足了投资的要 求。让我们就AI在金融投资方面的应用进行设想：▲证券长 短期价格区间的预测▲量化策略模型的研发（高 /低频）▲证 券的择股和择时的优化▲大类资产的配置▲证券投资组合的 优化▲证券风险特征识别 机器学习分为浅层机器学习和深度学习，传统的浅层学习中 决策树、素贝叶斯、支持向量机和浅层神经网络等等也都 决策树、 素贝叶斯、支持向量机和浅层神经网络等等也都 是金融工程中常用的一些方法。作为金融科技的开拓者，恒 生研究院就人工智能在量化交易领域进行了一系列的创新 尝试。 基于小波神经网络对时间序列进行预测人工智能有监 督机器学习的模式中，有两大类学习模型： 分类和回归预测， 督机器学习的模式中， 有两大类学习模型： 分类和回归预测， 而在金融投资或者说量化交易中，对于时间序列的预测最为 直观。 小波分析是指通过高低频通道来将时序数据分解为高频部 分和低频部分， 进行多尺度细化分析， 目前对于时序 /频域的 预测已经取得了一些有意义的成果。将小波分析和神经网络 结合起来，构建小波神经网络（ Wavelet Neural Network WNN ），可以对时序数据进行预测分析。 WNN 是将神经网 络隐节点的激活函数由小波函数来替代，相应的输入层到隐 含层的权值及隐含层的阈值分别由小波函数的尺度伸缩因 子和时间平移因子所代替，这是应用最广泛的紧致型结合。 如下图所示我们用小波神经网络做的 HS300 的预测，使用 2010.1~2015.8 沪深 300 指数的日行情数据进行模型训练， 使用 2015.9~2016.8 的日行情数据进行测试验证。 有监督的 学习要取得较好的应用效果，其和机器学习的训练过程直接 相关。这一过程中还是要投资者较深地介入数据的预处理， 进行培训数据样本的特征标签标定或对训练规则给出方向 性指引。通常量化交易的团队资源要更深入地去发掘更好的 特征。因此，人工设计样本特征，不是一个容易的可扩展的 途径。上面我们判别市场短期走势的案例中，所定义的特征 是否合适？我们也比较难评判，也许会有更好的特征可以刻 画证券市场的走势。 让机器学习帮我们找到合适的量化策略 市场千变万化，很难找到合适的特征去进行机器学习，那么 是否我们能通过机器学习的方法去寻找合适的量化策略，替 代自己总结的方式呢？ 技术指指标千差万别，股票市场价、量、时、空的数据也是海 技术指 指标千差万别，股票市场价、量、时、空的数据也是海 量的，在这样庞大的数据基础上，寻找和优化量化技术指标 也是比较困难的。基于进化理论的遗传算法可以较好地针对 预定问题，用解决全局最优解的方式寻找性能瓶颈，在对传 统技术指标因子和基本面因子进行交易信号的整合上，也可 以发挥很好的作用。通过遗传算法可以获得在训练集上较好 表现的量化技术模型，虽然遗传算法得到的是类似黑箱的量 化技术模型，但模型背后隐含着关于时间序列的深刻的数学 含义。上面这个就是机器通过遗传规划的方法，寻找出来的 模型。训练集我们采用了 2006~2010 的数据——深 100ETF ， 通过机器训练， 系统能够找到胜率在 70% 、盈亏比接近 6 的 策略，策略的年化夏普率超过了1.5。为了考察策略的泛化能力，我们采用2014.1~2016.8 策略，策略的年化夏普率超过了 1.5。 为了考察策略的泛化能力，我们采用 2014.1~2016.8 的深 100ETF 数据进行测试验证。 下图是在 2014~2016 的测试集 的效果，发现测试能力还是具备一定的可验证性。在测试 为了进一步考察模型的泛化能力，我们使用 50ETF 的数据 进行验证， 50 和深 100 在走势上还是有较大的差异的。 集上的年化夏普率甚至超过了2 集上的年化夏普率甚至超过了 2。 面是 50ETF 的测试效果，虽然比 100ETF 要差，但还是 可以接受的一种模型。 后续，我们希望将“遗传算法在量化技术指标的优化”这一应 用成果形成智能策略服务平台，为广大投资者提供适合自己 投资风格的量化技术模型。 从图像中识别证券发展趋势 图形属于非结构化数据，传统的金融工程很难运用非结构数 据。利用图像识别的方法，将图形数据应用于 CNN 学习网 络是否是一个可行的量化分析方法？盘感好的高手可以通 过看 K 线图， 用较难量化的模糊模式识别出证券未来的走势 可能。 围棋为什么难？因为它需要人类通过直观判断盘面而进行 行动，和投资者根据 K 线图进行投资行为很相像。那么，是 否也可