量化研究每周精選-20171019

導語：本周精選了5篇機器學習、深度學習相關文章，第一篇為廣發證券使用深度學習演算法訓練預測模型的研究報告，第二、三篇文章為Google和投資領域從業人士對於深度學習應用的展望，最後一篇作為教程告訴大家如何從Tensorflow轉到Pytorch研究。BigQuant擁有海量的數據和主流開源AI框架，賦能每一位愛好機器學習/深度學習和量化交易的人。

• 《廣發證券-深度學習新進展：Alpha因子再挖掘》

原文鏈接

關鍵詞： 人工智慧，深度學習，選股

隨著深度學習技術的進步，人工智慧領域迎來最好的發展機遇。海外對沖基金和投資銀行都分別在智能技術上投入研發資源。本報告概要介紹深度學習基本概念與最新進展，並建立股票預測模型：從股票市場選取一些常用的選股因子和技術指標，作為股票樣本的輸入特徵，通過訓練深度學習預測模型，對股票未來走勢進行預測打分和選股交易。 實證分析表明，深度學習預測模型可以用於月頻調倉的選股交易上。策略整體表現不俗。

• 《忘了機器人殺手吧—偏差才是AI的真正隱患》

原文：《Intelligent Machine: Forget Killer Robots—Bias Is the Real AI Danger》

關鍵詞：人工智慧，偏差， 雲平台

John Giannandrea是Google AI項目領導者，他認為相比於智能殺人機器或者人工智慧淘汰人類的遐想，人工智慧造成的真正隱患來自於演算法中存在的偏差。當存在偏差的人工智慧系統應用於醫療和法律等關鍵領域時，會對一些人的生活造成重大的負面影響。由於演算法複雜性，智能系統中的偏差很難被檢測並且更正，許多人也沒有改進演算法的意願。目前，Google雲計算平台幫助AI演算法更易於使用，但也產生了偏差的植入。

• 《未來十年：深度學習在投資領域的應用》

原文：《The Next Ten Years: Deep Learning in Trading- by Gaurav Chakravorty》

關鍵詞：深度學習，HFT，無監督過程

本視頻為QPLUM聯合創始人Gaurav Chakravorty闡釋對於未來10年投資領域交易方式的展望。 Gaurav Chakravorty 先生之前從事HFT工作(高頻交易)，他首先詳細闡釋HFT是如何將計算機技術應用於交易且進一步優化。他總結歷史上每十年交易領域的主要交易方式，從依據本能進行交易到遵循規則進行交易（即HFT），到目前的從數據中學習規則。作者認為，以深度學習的方式進行交易將在未來十年中迅猛發展，成為交易的主要方式。深度學習是否利用得當將成為高收益公司與落後於市場的公司的明確分界線。

• 《入門 | 神經網路訓練中，Epoch、Batch Size和迭代傻傻分不清?》

原文鏈接

關鍵詞： 神經網路，梯度下降，迭代優化

本文介紹神經網路中Epoch、 Batch和Iteration的定義與區別。機器學習中一個用於尋找最佳結果的迭代優化演算法為梯度下降法。該演算法是迭代的，即需要多次使用演算法，以得到最優化結果。對於神經網路演算法，一個Epoch過程是指該演算法在全部數據集上訓練一次。當數據集過大時，即演算法不能將數據一次性訓練時，可以將數據集分為幾個Batch依次輸入進行訓練。Batch Size是指一個Batch中的樣本總數。Iteration為迭代，指Batch需要完成一個Epoch的次數，如果你還是沒有理解，可以閱讀這篇文章，文章介紹地也更詳細。

• 《教程 | 如何從TensorFlow轉入PyTorch?》

原文鏈接

關鍵詞： TensorFlow ，PyTorch，張量，變數

本文主要介紹如何由TensorFlow轉入PyTorch。PyTorch的主要構件是張量，用戶可以將PyTorch當做NumPy使用。在張量之上，PyTorch還提供變數，可以構建計算圖並自動計算梯度。另外，PyTorch採用了與TensorFlow不同的計算圖表現形式：TensorFlow使用靜態圖，PyTorch使用動態圖。本文還簡單介紹了模型定義，自定義層，在 CUDA 上訓練模型，權重初始化，反向排除子圖，訓練過程，記錄，掌控數據，最終架構等方面要點。最後，本文指出PyTorch的特點：可代替Numpy，原型設計非常快，調試和使用條件流非常簡單，有許多便捷之處且開箱即用。

《量化研究每周精選》每周一期，為大家提精選研報、前沿研究、熱門文章等優質內容。

• 加入 人工智慧量化投資交流群：

微信搜索bigq100，添加微信群管理員微信，附上姓名、所在機構、部門和職位，審核後管理員會邀請您入群。

• 關注 BigQuant 微信公眾號：

微信搜索BigQuant， 獲取更多人工智慧、Machine Learning、量化投資相關文章。