量化机器进修的尝试设想和常见陷阱
量化投资与机器进修微信公家号，是业内垂曲于量化投资、对冲基金、Fintech、人工智能、大数据等范畴的支流自媒体。公家号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+存眷者，曾荣获AMMA优良品牌力、优良洞察力大奖，持续2年被腾讯云+社区评选为“年度更佳做者”。
2023《因子日历》它来啦！
限量出售，快来夺购吧！
上一篇文章跟各人分享了因子投资中的事实与曲解，今天我们来讨论下“量化金融中机器进修的尝试设想和常见陷阱”。一共汇总了三篇十分优良的论文：
Dixon, Matthew Francis, and Igor Halperin. “The four horsemen of machine learning in finance.” Available at SSRN 3453564 (2019).
此中第一篇论文讨论了在金融中摘用机器进修的科学办法时碰着的四个障碍。
机器进修在金融行业的利用已经超越40年，但曲到比来，它才在投资治理和交易范畴变得愈加普遍。机器进修为金融建模供给了比线性参数模子更通用的框架。虽然机器进修具有潜力，但在金融行业摘用机器进修仍存在障碍。那些障碍往往是因为该范畴的跨学科性量。基于与专家的讨论，以及做者在投资银行、资产治理公司和证券交易公司利用机器进修和传统量化金融的体味，本文识别了次要的求助紧急信号，并供给了制止它们的批示方针息争决计划。并提出了在投资治理和交易中利用监视进修和强化的例子的更佳理论。
展开全文
第二篇文章的重点是回测测试的标准及若何制止回测的七宗功。通过实现那些文章中概述的研究范式，投资司理能够制止在回测测试和成立量化模子时犯七个常见错误。
Arnott, Rob, Campbell R. Harvey, and Harry Markowitz. “A backtesting protocol in the era of machine learning.” The Journal of Financial Data Science 1, no. 1 (2019): 64-74.
机器进修有可能彻底改动投资治理的世界。然而，在金融范畴利用那些手艺时，有几个限造需要考虑。更大的挑战之一是数据的可用性。在许多情状下，机器进修利用法式需要大量数据才气有效，但在金融范畴，数据可用性往往有限。
关于持久投资战略来说出格如斯，在那些战略中，数据的可用性可能是一个次要限造。那意味着投资者必需为他们的模子隆重抉择准确的利用，并在利用那些东西时连结隆重。
除了数据可用性带来的挑战外，本钱市场的复杂性也给机器进修带来了挑战。本钱市场遭到人类行为的影响，人类行为可能是不成揣测的，也很难建模。那意味着机器进修手艺需要隆重利用，才气在金融范畴发扬有效感化。
通过认真抉择准确的利用法式并遵照严厉的研究范式，投资者能够足够操纵机器进修在金融范畴的潜力。在那篇文章中，做者提出了一个研究框架，既适用于机器进修手艺的利用，也适用于一般的量化金融。
第三篇文章讨论了定量建模中常见的七种误差或”原功”。计算才能的兴起和现成回测试软件的可用性，让量化投资看起来很随便。然而，投资者在停止回测和构建量化模子时往往会犯一些常见的错误。
Luo, Yin, M. Alvarez, S. Wang, J. Jussa, A. Wang, and G. Rohal. “Seven sins of quantitative investing.” White paper, Deutsche Bank Markets Research, September 8 (2014).
读者可能对此中一些成见很熟悉，但他们可能仍然会对它们可能产生的影响感应骇怪。其他成见在学术界和理论者的研究中非经常见，以致于它们经常被认为是天经地义的。
那项研究有一些在其他处所不常见的特殊特征。我们讨论了何时删除反常值，何时不删除反常值，各类数据标准化手艺，信号衰减、更替和交易成本问题，更佳再平衡频次，以及非对称因子收益形式。我们还讨论了可用性不敷对投资组合功绩的影响，并答复了投资组合中应该持有几股票的问题。我们回忆了各类因子权重和组合构建手艺的权衡，并将传统的积极投资组合治理与智能beta和因子投资的新趋向停止了比力。
最初，我们供给了一个理论案例，介绍在构建多因子模子和投资组应时若何制止七宗功，利用一个实在的例子。量化投资可能看起来很随便，但为了胜利，制止那些常见的陷阱很重要。
本文参考：
/
Tags：