目前深度學習在量化投資領域應用的程度如何？

01-15

聽老師說目前的一些對沖基金都打著機器學習/深度學習的旗號，實際上應用得並不深入，想問問知乎上的量投從業者這行的具體情況。

談談我自己的感受。投資和下圍棋非常的不同。圍棋有明確的rule，輸贏定義。投資金融產品的收益，反映的是人們（尤其是金融從業者，投資人）對股票，期貨等金融產品未來的預期估值。除了本身underlying的fundamentals, 由於短期投機行為而引起的價格波動層出不窮。比如，不可測的因子，如惡意新聞, 大的short 單子，管理層動蕩，某大機構跟投，公司收購行為等等。讓機器根據實時信號，「理解」人類預期，尤其是某個特定族群的人類「預期」是個比較難的問題。因為邏輯往往只能決定方向，但exposure 基本是難以量化的。而現實生活里，每個trader都是有quota的，不可能無限的玩下去。所以短期內，不理性或達不到最大優化的決策多如牛毛。 (In other words, you could win the expectation, but you die instantly if you are running out of liquidity and you can"t come back ever.) 這都給機器「學習」造成很大的困擾。

基金方面，智能投顧的個性化，大方向是好的，但痛點始終是投資人本身的投資目標不能夠量化。比如說好30% return, 70% risk，跑不贏大盤的時候，自己就要求調了。所以最難的不是培養一個優秀的射擊手，難在這個射擊手要聰明預測到每個飛碟憑空出現在天上的位置。而要完成這個預測，就涉及到要了解每個飛碟的飛行軌跡，具體是哪個機器在哪個位置發射？風速的影響，雨雪的影響，子彈材質的影響，等等等等。在機器還沒有那麼smart的今天，擁有一個好的architect 尤為重要。遇到一個理性的顧客也至關重要（比如顧客以為你打的是飛碟，而你實際要打的是蚊子）。還是看好未來的。重複性的，可編程的工作交給機器是大趨勢。

下面這隻ETF基金AIEQ，全稱AI-powered Equity ETF，從今年10月18號發行以來跑輸標普500，達斯達克指數，道瓊斯指數以及小盤股羅素2000指數，我就不評價了。

深度學習在量化投資中的運用國外比較多，國內還處於探索階段吧，但國內機器學習在量化投資中的運用已經不少了。

附上幾個相關學習資源：

1、股市預測和建模——基於Python包的深度學習《 Deep Learning based Python Library for Stock Market Prediction and Modelling 》
鏈接：achillesrasquinha/bulbea
2、深度學習方法能用來炒股嗎？ - 知乎
3、深度學習做股票預測靠譜嗎？ - 知乎
4、深度學習在金融組合管理中的運用《Financial Portfolio Management with Deep Learning》 鏈接：Financial Portfolio Management with Deep Learning

5、【量化精品】通過LSTM神經網路進行時序預測針對股票市場（附Python源碼）
6、傳統小市值策略 VS AI市值策略

近年來，隨著計算機計算能力的提升，深度學習也迅速發展。因此，深度學習在量化投資中的運用國內也將得到快速發展。

Unstoppable AI-powered negative Alpha.

打著buzz word的旗號，忽悠起投資人，那叫一個爽啊！

---------要敢於說真話---------

雖然說目前深度學習對於金融數據這種樣本少，雜訊大的數據是不適合的。

但是也不是完全無用，需要自己對投資中的目標問題進行分解，而機器學習（不僅僅是深度學習）對於其中一些分支問題是很有用的。比如，在alpha多因子模型中因子合成是一個細分問題，而傳統的做法都是一些線性的模型，而機器學習對於識別因子重要程度這個問題處理的很好，在同樣多個優秀因子的前提下，機器學習效果明顯好於線性模型。但是在控制風險中，目前還是線性規劃同時具有計算快效果好兩個優點。

再提一個期貨上的例子，所有的均線策略都有一個缺陷，就是趨勢判別的滯後，而機器學習可以擬合出一個自適應的均線，效果好於其他濾波。

-----------怎麼做，我不說，自己想-------------

沒有腦洞，只有工具和原料成不了匠人

目測十個答案內會出現「呵呵，這種吃飯傢伙我怎麼會告訴你」這種量化裝逼圈的經典答案。坐等。

別說中國和中國的市場、數據質量了，美國從零幾年開始流行搞這個，折騰死多少ML的博士，眼瞅著蹉跎了歲月，最後紛紛轉正經IT公司止損。

利益相關：前knight capital馬工

你老師說的應該是實際情況，深度學習至少在我們這邊還沒使用，神經網路這個東西提出很多年了，一直是個看起來很美的方向

就是這個理，前面的人都說了，Andrew Ng最看不起金融了，他說金融只需要linear regression，深度學習是最複雜的模型，線性回歸是最簡單的模型，這是兩個極端。很多人最大的誤區就是我要用最先最厲害的模型才有競爭力，這才是最腦殘的。

最近確實有人用deep learning做金融預測的，幾十年前用神經網路做類似的事情就很多，那些發論文的。

絕對可以用於產品宣傳冊文案~震懾住那個在銅上持倉達到20%的煤老闆~不懂科學就知道一頓亂買~

深度學習還在圖中外圈……

在深度學習讓媒體熱炒之前，在量化投資量化交易領域就有很多深入的研究應用了。效果好不好取決於你的research process是否robust，你交易的頻率（也就決定了你的數據量）還有你monetization的能力。而且linear reg的features也可以本來是nonlinear in data space所以在一些方面和深度學習只是自動化程度的不同（同時 prior變弱，模型變靈活，更容易overfitting，是弊大於利？）。

深度學習可以識別圖片，因為人可以識別圖片，可以用認可的訓練集來訓練，圖片里的物體的特徵也在時間尺度比較invariant（不要跟我討論幾十年）。金融領域開玩笑了，市場在變，少有人能做好投資，所以extrapolate future難，用機器自動extrapolate更難，fit到一大堆noise，盲目使用深度學習在這個領域是無用的。

深度學習就是一個工具，在某些非常具體的量化應用下被證明有效，但不代表用之皆準。

從事這方面的嘗試兩年多，說一下在這方面我們自己的經驗。

運用在投資領域存在三方面問題：1、數據量；2、過擬合；3、模型無法解釋。

首先，說數據量方面的問題：

從時間維度來看，雖然A股至今為止積累了大量的數據，但是在實際工作中往往數據並不夠。從大的方面來講，市場和監管環境都發生過很多次變化，歷史過於久遠的數據可能並不能很好的適用於當下的市場。這個和語音識別或者圖像識別很不一樣。語音或者圖像的識別從長期來看並不會有太多變化。十年前的語言習慣和當下的語言習慣差別並不多，十年前的一隻小狗的特徵和當下可能也並沒有很多的區別。而金融市場不一樣，即使短短几年的時間，交易制度和交易者可能都會有很大的變化，這些變化反映到市場中就意味著市場對同一類情況的反映可能大相徑庭。比如小市值策略，往前幾年還能取得不錯的收益，但是據說最近的收益並沒有那麼好（這個是聽朋友轉述，現在收益率是否確實下降還需要業內人士求證）。甚至在很多時候，我們都很難分辨這些變化到底發生在哪些地方，也就無從判斷哪些數據可用而哪些數據無用。一個相對簡單粗暴的辦法就是採用相對更近的數據，或者對更近期的數據更高的權重。但是這樣的話，整體的數據量無疑就少了很多。

從標的個數的維度來看，許多方面的數據則更為有限。例如，股票投資所涉及的投資標的主要是幾千家上市公司，如果模型具體到某一特定行業，數據的可選擇範圍則更少。這些上市公司所能提供的數據主要也是交易數據、財報、公告、研報等。以財報為例，每年也就四次披露，總體下來數據量並不多。而且，大量的上市公司上市年限也並沒有多長，幾年或者十幾年所積累的財報數據也非常有限。相比於圖像識別之類的場景，投資領域的樣本量實在是太少了！！！

其次，說一下過擬合的問題。

不同於圖像識別之類的領域，投資領域的噪音非常嚴重！！！！這也就是為什麼許多人嘗試用神經網路等方法研究股票卻並沒有好的結果的原因。如果拿一段時間的歷史數據，通過深度學習等方法，想做出一個完美擬合的模型非常容易。但是，這個模型主要擬合的是市場噪音，對未來的投資參考並沒有半毛錢關係。

最後，模型無法解釋的問題。

深度學習擬合出來的是一個黑盒，我們很難知道電腦是基於怎樣的邏輯給出判斷。我們不排除電腦是真的發現了某種套利機會，但是也有可能是正好擬合到了某一偶然性的噪音。這樣的模型對於投資領域而言，並不具有投資邏輯，是不太可靠的。

事實上，我們也曾經用一些機器學習方面的模型嘗試過對指數進行預測。我們並沒有用深度學習，而是採用的其他方面模型，最後大致的結果也60%以下。這個結果和此前我們看到的一些用深度學習做股票預測方面的研究結果基本也是一致的。也就是說，目前的機器學習只能給你一個比隨機結果略好的結果。當然，面對市場，主動投資的基金經理也未必好多少。

所以，相比於深度學習，量化投資領域可能一些統計學+金融工程的方法會更靠譜一些。比如對於公司估值，財務數據以及估值模型可能能給一個還不錯的結果，而且這樣的模型也更能得到合理的解釋。

不過，深度學習以及其他的機器學習演算法也可以通過其他方面參與到量化模型的構建中，比如對於文本數據的挖掘、輿情分析、事件驅動，在一定程度上都是機器學習可以勝任的工作。

——————————————————————

最後打個小廣告，請關注我們的早期項目：量量新聞量量公司

有很多機構在做這塊，也有極個別號稱用這個做出好曲線的機構，但其實很多時候如果我不想透露策略細節，一句用深度學習就可以打發你了，其實可能是完全另一碼事。量化這個東西很多時候在於門檻，在於你能不能拿到高質量的，一般人不太好拿到的數據。

換個包裝其實還是統計神經網路。

就好像從CAPM 到Factor 到 Beta 現在叫Smart Beta

回測一根直線向上，實盤隨機遊走

利益相關，量化基金從業者

不信可以看百度的基金~

000826

還可以給大家舉個最近很有趣的例子

有空大家可以去看下aieq ,一個美國的ai選股etf,中國證券報的還寫了文章，誇的天花亂墜，最近的業績是啪啪啪的打臉。

我就說一下，多數答主喜歡也許無意，把一些不必要的簡單英文辭彙不會或者不願意用中文表達。這樣折射出來的狀態或者心態，不像是一個踏實搬運工。

一支名叫AI Powered Equity ETF（AIEQ）的人工智慧ETF，僅交易兩天，就輕鬆跑贏美股大盤。兩周過去了，卻輸了個精光。

說起投資圈最近的熱門話題就是「人工智慧（AI）」了。利用AI進行投資的方法大致分為兩類。

第一種是在人工智慧出現之後誕生的新技術和新商品，以及生活方式和消費行動的變化。在這樣的變化之中，哪些公司的收益明顯提高，哪些公司的業績顯著惡化。尋找出這些企業並在投資中加以利用，提高現有的投資產品收益，以及開發?銷售新的投資產品。

第二種是利用AI進行投資判斷，將投資收益提高的同時降低風險。當然，還可以作為投資家進行投資判斷的依據。

本文將兩種在投資中運用AI的方式和汽車的自動駕駛進行比較，在投資判斷中到底能將「機器學習」運用到哪種程度呢。

谷歌專註AI的創投基金Gradient Ventures

1.能否正確設定投資目標？

正確的投資，也就是說想要達到投資的最佳效果，首先要對「投資目標」進行正確設定。

要想正確設置投資目標，需要先設定投資時間和投資家對投資成果的明確目標。如果可以的話要對具體的投資金額，最好有準確的中間、最終數值，當然這是非常困難的。投資家的投資目標多種多樣，而且很多人根本沒有明確的目標。

另一方面，汽車的自動駕駛目標就容易設定多了。一般來說目標就是「安全到達目的地」。

再加上「速度盡量快」、「遵守交通法規」等等限制條件也不困難。以休閑為目的的話，加上「想去景色好的道路兜風」，也和「安全駕駛」、「不發生事故」等目標沒有衝突。

關於如何運用機器學習、AI系統等等，目的設定就顯得尤為重要。如果沒有明確目的的話，那麼AI擅長的「達成某種目的的能力」就無法正常工作了。從這個角度看，還是自動駕駛，有明確目標的運算更容易達成。

自不必說，先不管投資判斷能否實現，如果設定「10年獲得平均2%的投資回報」，再加上「選擇不會倒閉的企業」等明確目標。這樣的話就可以正常利用AI進行投資判斷了。

接下來，分析一下AI到底能對投資有多大幫助？

汽車無人駕駛的等級劃分

2. AI對達成投資目標的幫助有多大？

美國的非營利組織 SAE International 制定的「SAE J3016」中，明確規定了自動駕駛等級。

自動駕駛利用感測器幫助駕駛員駕駛的同時規避事故。AI不停的收集並處理信息，來達到「安全駕駛」的目標。這也是離現實最近的AI用途了。

目前，自動駕駛等級大多停留在1和2。汽車廠商為了達到等級3和4在不斷進行著測試和研發。為了應對各種路面上出現的各種危險情況，技術開發和程序改進同樣日新月異。

現在的自動駕駛等級1和2，也對事故有一定的抑制作用，可以說是有實際效果的AI領域了。關於汽車的自動駕駛，靈活運用過去的數據積累成效顯著。

另一方面，在投資判斷上AI是否好用呢。實際上現在已經出現了使用AI進行投資的基金機構。和目前的基金進行比較的話，投資回報明顯佔優。但是由於實際使用時間還較短，無法得出AI更好的結論。當然，自動駕駛汽車在減少事故率方面的成果已經得到證實。

在投資世界中，過去一直採用的是定量分析法進行投資。通過大量的數據積累，開發出有效的投資判斷模型，程序等進行投資。這也是將人類判斷最小化的投資方法，和運用AI進行投資有哪些區別呢？

AI不僅能使用過去積累的數據，還可以處理大數據等更龐大的信息。而且，通過深度學習可以找到人類無法想像的投資方式。

但是，投資和自動駕駛比起來，兩者對「AI」來說並沒有本質區別。

投資與自動駕駛的區別有兩點。

首先，對於進行投資判斷來說，過去積累的數據不如對自動駕駛那麼有效。

簡單的說，明天的道路和今天的大概沒什麼區別，而明天的股價和今天的卻肯定不同。對於投資世界來說，過去的數據當只能作為參考，未來仍是未知的。

還有一點區別是，汽車的自動駕駛不會對路面造成影響，而投資卻會造成價格上升或下降。

也就是說只要進行投資，就會改變外部環境。

當然，活用AI是有好處的。人類在進行投資判斷時，會受到市場情緒、個人判斷等左右，也會有猶豫不決的時候。

另一方面，將AI運用到定量分析模型中，能進行純粹的理性投資判斷，同時投資速度也會更快。把投資成果放在一邊，這樣的操作方式大致等效於自動駕駛等級4。

而且AI會找到人類尚未找到的投資組合，能找到更多影響投資效果的要素。也就是說AI能找到更加有效的投資方式。

但是，機器學習雖然能根據過去的數據進行投資操作，但是在投資對象的價格變化之後。AI能否及時作出反映並保持優勢呢，這就要長期觀察後才能得出結論了。

AIEQ：美股市場的一支由AI挑選股票的交易基金，從今年10月18日開始交易。配圖為至今AIEQ（藍色）和納斯達克（黃色），標普500（紅色）的指數走勢對比

3. 很難界定AI的實際效果

自動駕駛汽車發生事故時。警察、專家以及汽車廠商要共同對事故原因進行分析。如果是感測器故障，硬體出現錯誤的話還好說。如果是程序BUG的話，程序員應該也能找出原因來。

但是，如果機器學習AI發生程序錯誤的話，人類除了關閉它之外就無能為力了。

簡單的說，機器學習在科學研究的範疇內以「黑箱」的方式進行操作，有好結果的話自然不問原因。如果結果不好的話也很難說明原因。臉書就曾經出現過機器寫出的代碼程序員看不懂，導致系統緊急下線的事故。

另一方面，對於投資世界來說，如果投資效果很差，還不能詳細說明原因可就是個致命問題了。

使用定量分析法時，程序是根據人類對投資方式的理解編寫而成的。即使結果很差，也能分析出個所以然來。反正投資原則是固定的，投資結果只會受到投資環境左右。

在這種情況下對投資家說：「投資回報差是因為市場環境不好」是不能逃脫責任的。

將機器學習AI用在投資上，由於投資方式的黑箱化，最差的結果就是「今年第四季度的投資回報率很差，因為是AI操作的，所以我也不知道為什麼「。

當然，無論對AI模型作出何種解釋，只要能保證持續的高投資回報，那麼投資家也能欣然接受吧。只是，像前文所說，AI可不一定能帶來良好而持續的投資回報。

利用AI進行投資判斷，目前還無法達到汽車自動駕駛的水平。

另一方面，在投資活動中目的比較明確的幾個方面：財務分析，趨勢判斷，業務結算等方面，AI還是有發揮空間的。可以比人類更加快速的進行業務，同時還可以起到削減人力成本的作用。

未來，汽車的自動駕駛等級會從1、2不斷提升。AI也會開發出超越人類的投資方法來。

並且，未來，機器學習水平也會不斷提高，會有更加智慧的AI登場，進行超越人類的投資判斷。但是那種投資判斷方式，是人類無法理解，更加無法模仿的。到那時，對投資結果進行說明的工作，也一定要麻煩AI了。

內容參考：投資判斷でのAI活用はどのくらいできるのか～自動車の自動運転と比べて：研究員の眼，雅虎財經。

更多內容請關注微信公眾號：梓材好易學

我來這裡是想告訴大家，我的一個模型收斂了。

每支股票建自己的模型，用最近的20天做vaild，準確度超90%。即使用A股票模型預測B股票準確度也超過70%，你們看到這裡一定覺得是笑話，是的我也覺得是笑話。已經檢查 1個月了，沒有發現已知bug。平時工作較忙，待我有時間再做更深入的排查。

至於模型的細節不能細說，等我再檢查檢查

通病就是：賺的時候不知道為什麼賺，可以接受；虧的時候不知道為什麼虧，那還得了！

上面的說的這麼複雜，我就說點本質的。

所謂深度學習在投資的應用，本質上是想通過計算機通過對大量數據的處理，形成一套可用於投資的邏輯。

那麼問題的焦點在於：（1）數據本身的產生的邏輯、數量、質量；（2）深度學習的演算法特徵。

第二點或許是其次的，第一點才是投資最核心的。

看了樓上許多回答，其實，在金融領域，相對公認的是一點是：金融數據樣本小，噪音大。而深度學習本身對樣本量需求要比傳統機器學習模型大得多。很多業界的問題，使用深度學習去優化可行，一方面問題存在最優解、另一方面數據充足；而金融問題可以理解成並不存在最優解，而學習的目標更多是學習更多的可能解。所以，相比「深度」，「廣度」倒是更重要。