機器學習——到底在量化投資中用的好嗎？

---

這個問題我們在全網發出後，有很多讀者留言了，現在全部貼出來！希望我們可以繼續討論！

前言在前天，我們發布了一篇推文，想請大家來說說這個話題，總共收到了48條留言。對此我們按照點贊從高到底進行一個整理匯總。大家也可以繼續評論，或者說說哪個作者說的有道理哈！

@濮元愷

老師告訴我：為了區分一隻貓和一隻兔子，我只需要一條魚做Classification，外加一條胡蘿蔔做Cross Validation就可以了……

愚蠢的美國佬需要用裝備了8個GPU的伺服器訓練152層的神經元網路幾十小時才能做到，而且不能保證百分之一百準確無誤……

@鄭小龍

只不過沒有幾個真正理解機器學習又懂金融的人而已。

@李錦濤

這個問題，要澄清幾個概念，「機器學習」「量化」「投資」。 什麼是機器學習，這個也有很多層次的，如同電腦的286/386/486/PII/i3/i5/i7/GPU......

什麼是量化，這個也有很多層次的，諸如：趨勢量化、多因子量化、阿爾發、大數據、神經網路、遺傳演算法.....

什麼是投資，這個也是很多層次的，諸如：價值投資、高成長投資、一級市場、二級市場、期權、期貨、指數......

籠統的說，「機器學習在量化投資中用的好嗎？」，如同說，「馬路上有個人，這個人是不是好人？」 沒有意義的。呵呵。

@曲百萬

確實有用，現在路演時你要不把部分章節留給機器學習，資方都不一定正眼看你。各種決策樹、隨機森林，貝葉斯模型,svm支持向量機，深度學習，神經元balabala最後都把倉建到了低位放量的股票上。

@俊盛

從我導師的角度，沒有基於投資學理論基礎的，沒有任何意義。從目前自己的嘗試中，我也贊同，特徵選擇，特徵構建，才是最重要的。

@路過

以我十年量化苦旅，沒有任何用。真的

@榕樹

這還用問嗎，有用的也會說沒用

@余曉秋

如果某金融時序，在足夠長的時段內，存在近似穩定的內在規律，那機器學習可能把它提取出來。如果不存在穩定規律，隨機成分佔主導，任何方法（包括機器學習）實際上都無效。

@寧寧

很多機器學習模型說白了就是概率統計，量化中很大一部分是基於概率統計的，所以當然有用，只是大部分人不知道怎麼用罷了，因為其中涉及到特徵的提取，噪音的過濾，避免過擬合。。。其中的坑當然不少

@楊恩源

機器學習還需在數學理論上有針對金融時間序列數據的巨大突破，才有可能在量化投資有較好的運用！這就不是我們這些不造輪子用輪子的人所能解決的事了。

@楊連詩

投資本就是大道至簡，量化更是如此，明明簡單的搞複雜了能賺得更漂亮？

@張博瑜

有用，機器學習本質是對量化投資的更深層次的量化。只不過目前有效的方法很少，隨著機器學習的發展，會產生越來越合適的演算法。這個本就是一個不能證偽的話題，卻總有人拿著自己有限的了解，證明機器學習在量化上行不通。

@石川

人類花巨量時間腦力和精力能夠master的技能，機器學習註定會秒殺人類，比如圍棋，比如人臉識別（最強大腦）。但是對人類都沒法搞明白的東西，機器學習在未來二十年內也無能為力，比如二級市場投資。

@Leo

我很好奇有沒有哪家公司是做以機器學習主導的量化，如果有的話，還讓人感覺有希望。

@未知

我自己做的模擬，收益不穩定，少的時候一年就3%，多的時候一年十幾。

@楊磊

成功案例不會公布啦，哈哈。

@Bill

我做到了，你沒做到而已

@富強

以個人經歷來看，機器學習重要的是數據源，然後是演算法，拋開數據談演算法有點空中樓閣的意思

@大春

機器學習作為一種量化手段，肯定是可以用的，自適應的機器學習，深度學習，對量化一定是有作用的，投資市場也是人的博弈的過程，人的思維總會留下軌跡，這個就是需要機器學習，深度學習，遷移學習這樣的方法的學習記憶的過程。不是沒用，而是沒用對，或者用的好的沒有公布怎麼用而已，畢竟策略公布後一段時間後就會失效

@顏晉南

用來分析股票之間的關聯，這是我的想法。

@關偉

不知道，感覺有點虛。

@sunrise

高頻交易不好說，似乎有施展拳腳的空間，長期的投資來看，同意上面一位同學的觀點，就是大道至簡，不管是機器學習機器遺忘還是人工智慧人工智障，只有theory based策略才能真正奏效，如果複雜模型和簡單模型是同樣的實質，為啥還要暴力運算呢不過反正策略經過一段時間都會失效的，機器學習相對小眾，失效會稍慢？！

@何飛穎

我司在用，前兩年非常牛逼，今年開始走平，個人認為要用來挖絕對的聖杯是不可能，市場內在規律也在變化。

@Channel,CMT

有用，提高了效率和準確率，但是風險還是存在的。

@Seeking Alpha

機器學習就跟價值投資一樣，被人說爛了。

@朱鑫垚Solo

機器學習只是工具，主要解決預測和分類的問題，目前來講需要數據量比較大。如果應用在正確的方向和問題上，對於一些高頻的數據一定會有不同於以往的進步。但其他方面還有待探索吧。

@笨JOJO

可以用，但是要做點處理。

@AG Stalker

實踐告訴我，用機器學習演算法優化cta策略的部分模塊效果非常好。

@Ian Feng

值得一試，預計效果比SVM, 隨機森林，HMM稍微好點。

@鴻

看如何用，一條均線也可做出好策略。

@Flynn Gu

經濟學原理還不是人發現的，你能保證這個一定對嗎，一些規律會隨著市場進化而消失，也有可能內在的規律我們並沒有發掘到，所以能接受市場檢驗的機器學習就是make sense的。

@天下熙熙

這個教授可能是聰明的笨蛋，拿魚誘惑照片中的貓，服！

@wang

量化投資與機器學習違命題或不完全真命題?

@吳

投資金融一類的隨機性很大，當前的機器學習很大程度都是模型，機器學習的方法會有成功案例，但還有待挖掘。

@量化的X

如果價格走勢存在規律，那就有用。alpha因子中由價格和成交量得到的因子有效的話，那麼價格和成交量作為ml輸入得到的結果也理應有效。

@harford

還沒到那麼高的選擇和優化能力。

@Mr咩星人

寫作業時感覺HMM還可以，不過實戰中感覺一般。

@楊磊

LSTM絕對有用啊。

@Simon

機器學習範圍太大了，不如先討論下神經網路。

@行者(Batuwaa)

沒看到幾個成功案例阿！

@背匕的我

編輯部覺得價值回歸模型，因子模型，差分模型，隨機過程模型哪個更靠譜。

@楠公爵

機器學期應該是基於大數據的，應用在高頻交易應該效果比較好一點。

@天馬行空

可以用來過擬合，還讓人看不出來。

@Navi

機器學習就是一把利劍，用不用的好全憑個人。

---

金融數據信噪比很小，導致train set很容易overfit。可能做了半天，結果就是feature都擬合了train set里的噪音。

我本人是做套利的，統計的要求不需要很高，試來試去，還是用linear regression最有效，可以自行加一些判斷來解決一些肥尾情況，基本上就夠了，你有arbitrage，我都能套。機器學習的暗箱操作，很多時候給系統帶來的是operational risk(難以debug)，其他沒什麼好處。

當然，做alpha對沖策略的才是機器學習高手雲集的地方。比如citadel五月份挖走了微軟的首席機器學習官鄧力，他這種高手我相信能把統計/ml模型做得非常漂亮。

---

推薦閱讀：