发帖
雷达卡
20220805-东北证券-机器学习系列之一：机器学习发展历程与量化投资的展望.pdf
(1.19 MB, 需要: 5 个论坛币)
--- 机器学习系列之一
报告摘要：
[人Ta工bl智e_能Su正mm当a时ry]
人工智能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。随着科技的进步与发展，人工智能技术被广泛应用于各个领
域。机器学习是人工智能的一种形式，深度学习是机器学习中基于神经
网络发展出的类别。
机器学习作为传统量化的补充与技术革新
一方面，机器学习使得对海量数据的分析运用成为可能，另一方面，机
器学习可以捕捉传统量化中难以发现的，数据之间的潜在关系。监督学
习作为一类典型的机器学习方法，从假设空间的选择以及总体优化目标
与数据集优化目标的不一致性可以引出监督学习的三大问题：估计、优
化与泛化。
机器学习的流程与发展历程
机器学习的一般流程包括数据获取、数据处理、模型选择、模型训练、
模型评估、模型调参与模型预测。从监督学习、无监督学习、概率图模
型、深度学习与强化学习这五个大类对广义的机器学习发展历程进行总
结与回顾，对有重要意义的经典算法进行介绍。
机器学习在量化投资研究中应用广泛
在量化选股层面的应用主要分为因子端与模型端。因子端包括因子挖掘，
另类因子分析挖掘，因子合成等。模型端包括模型算法的改进、创新与
运用。强化学习在算法高频交易与衍生品对冲方面也有重要的应用。作
为一个示例，我们对GAT 模型进行改进，构建ResGAT 模型对关联收益
和特有收益分别挖掘，并显示出不错的历史回测效果。
未来机器学习与量化投资的展望
数据驱动与模型驱动将互补融合。算法的不断改进或将提升机器学习
在低信噪比数据上的表现。预测对象与应用场景会更多地被关注。因
子挖掘将更关注本身的逻辑，而非过度挖掘。同时因子库、模型库以
及策略库会更加多样化。解释机器学习与市场多种状态转换下的模型
适应或模型轮换可能是未来机器学习需要关注的问题。
京公网安备 11010802022788号
