人工智慧如何運用到量化投資？
這篇文章說的人工智慧特指深度學習以及和深度學習相關的方法。深度學習在其他領域如語音識別，無人駕駛，圍棋等取得的突破性進展，尤其是在下棋方面遠超人類，令人印象深刻。
大家很自然的會想到將人工智慧深度學習放到量化投資，製造出超級策略擊敗市場，睡著賺錢。在人工智慧和深度學習之前，機器學習演算法也被大量移植，如線性模型，隱馬爾科夫模型，SVM，隨機森林等。那麼這些東西到底效果怎樣呢？我們只能說，到目前為止，一個複雜的策略能夠應對絕大部分市場行情是不大可能的。搞一個大的模型，輸入所有歷史數據擬合然後給預測，BlockQuants不看好這樣的方式。
對於深度學習，我們仔細分析它的三個領域在量化投資的應用，分別是深度監督學習，深度無監督學習，深度強化學習。
深度監督學習需要響應變數，以及大量的自變數數據。由於市場噪音太大，神經網路的訓練很難收斂到一個穩定且有實戰意義的解，我們認為此路不通。
深度無監督學習可以用到K線圖/訂單簿等的一些模式的自動識別，自動特徵工程做完後再交給交易員或者監督模型，這是一個可能有希望的方向，但預期投入巨大，預期收益不明，中間開發過程艱辛，不合適絕大多數投資者。
深度強化學習看似厲害，但訓練出來的網路無非是在給定歷史數據/歷史行情下能處理的比較好，遇到了新的市場行情，只能把歷史上見過的類似行情的處理方式平均一下，綜合一下，不會產生什麼特別的方法。這樣的平均和綜合能否有效，是不知道的。這一點跟使用了什麼網路，CNN還是RNN，用了什麼強化模式 ，model free 還是model based，用了什麼訓練方法，經驗回放/正則化，等等，都沒有關係。不能指望這些演算法能幫上忙，最新最強的方法也是不行的。
實際上這些東西離人工智慧的內涵還差的很遠。不考慮金融市場和交易特點，直接把其他領域的方法演算法搬過來，前途是渺茫的。深度學習在量化投資的應用，必須在一個符合金融邏輯，交易邏輯，投資邏輯的框架下，能包容已知的投資知識和交易特徵，然後再對某些粗糙的地方改進。
那人工智慧如何才能運用到量化投資呢？這一行業里，有價值的研究不會公開。甚至什麼道路行不通，一般也不交流。
BlockQuants的量化對沖基金希望能使用真正的人工智慧，沿著不同於以上的道路前進。。。
TAG:BlockQuants |