來源：SSRN

作者：Sophie Emerson, Ruairi Kennedy, Luke O’Shea, and John O’Brien

?

機(jī)器學(xué)習(xí)是人工智能的一個(gè)子領(lǐng)域，它使用統(tǒng)計(jì)技術(shù)為計(jì)算機(jī)模型提供從數(shù)據(jù)集學(xué)習(xí)的能力，允許模型在沒有顯示編程的情況下執(zhí)行特定任務(wù)。近年來，機(jī)器學(xué)習(xí)技術(shù)激增，人們對(duì)其在金融領(lǐng)域的應(yīng)用也越來越感興趣。在投資管理中，已被應(yīng)用于新聞的情緒分析、趨勢(shì)分析、投資組合優(yōu)化、風(fēng)險(xiǎn)建模等。那么，機(jī)器學(xué)習(xí)在量化投資中有哪些潛在應(yīng)用呢？

?

1.常見的機(jī)器學(xué)習(xí)算法

?

機(jī)器學(xué)習(xí)算法主要有三種：監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。監(jiān)督學(xué)習(xí)是在已知輸入和輸出的情況下訓(xùn)練出一個(gè)模型，將輸入映射到輸出。無(wú)監(jiān)督學(xué)習(xí)是使用無(wú)標(biāo)記的數(shù)據(jù)，從中發(fā)現(xiàn)隱藏的模式信息。強(qiáng)化學(xué)習(xí)是使算法根據(jù)過去經(jīng)驗(yàn)的反饋，通過試錯(cuò)進(jìn)行學(xué)習(xí)。強(qiáng)化學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)一樣，不需要標(biāo)記數(shù)據(jù)。半監(jiān)督學(xué)習(xí)，則結(jié)合了監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，使用了有標(biāo)記的數(shù)據(jù)和無(wú)標(biāo)記的數(shù)據(jù)來訓(xùn)練模型，這在數(shù)據(jù)有限或使用有標(biāo)記數(shù)據(jù)的過程中可能有偏差的情況下非常有益處。

?

監(jiān)督學(xué)習(xí)的主要研究領(lǐng)域是回歸和分類，這種方法通常應(yīng)用于開發(fā)預(yù)測(cè)模型?；貧w技術(shù)使用線性回歸、決策樹和人工神經(jīng)網(wǎng)絡(luò)（ANN）之類的算法來預(yù)測(cè)連續(xù)響應(yīng)；分類技術(shù)則使用邏輯回歸、支持向量機(jī)（SVM）或K-最近鄰（KNN）等算法來預(yù)測(cè)離散響應(yīng)。無(wú)監(jiān)督學(xué)習(xí)的主要研究領(lǐng)域是聚類，聚類是按照給定的相似性將數(shù)據(jù)分組，使得同組數(shù)據(jù)彼此相似，而不同組數(shù)據(jù)不相似。

?

人工神經(jīng)網(wǎng)絡(luò)（ANN）已成為機(jī)器學(xué)習(xí)發(fā)展的關(guān)鍵技術(shù)。首次提出還是在七十多年前，靈感來自于人類大腦的運(yùn)作。它們是在神經(jīng)元層面復(fù)制生物大腦過程的算法集合。

?

人工神經(jīng)網(wǎng)絡(luò)有很多種，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和遞歸神經(jīng)網(wǎng)絡(luò)等。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是圖像分類和視頻處理的理想選擇，因?yàn)樗鼈兡芡ㄟ^聚焦圖像片段來識(shí)別模式。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）則更適合處理語(yǔ)音或文本分析之類的，因?yàn)樗鼈兪褂脮r(shí)間序列信息，例如利用每月股票價(jià)格數(shù)據(jù)來預(yù)測(cè)下個(gè)月的數(shù)據(jù)。生成式對(duì)抗網(wǎng)絡(luò)（GAN）自2014年首次推出以來，引起了人們極大的興趣。生成式對(duì)抗網(wǎng)絡(luò)（GAN）由兩個(gè)相互競(jìng)爭(zhēng)的神經(jīng)網(wǎng)絡(luò)組成，一個(gè)神經(jīng)網(wǎng)絡(luò)生成與訓(xùn)練數(shù)據(jù)集相似的數(shù)據(jù)，另一個(gè)神經(jīng)網(wǎng)絡(luò)則判別數(shù)據(jù)是來自訓(xùn)練數(shù)據(jù)集還是生成網(wǎng)絡(luò)。

?

除了神經(jīng)網(wǎng)絡(luò)外，還有其他人工智能算法，包括SVM、KNN。其中，SVM用于分類和回歸分析，尋找n緯空間中距離超平面最近的一組數(shù)據(jù)點(diǎn)。貝葉斯網(wǎng)絡(luò)是根據(jù)概率分布構(gòu)建的，使用概率法則進(jìn)行預(yù)測(cè)和異常檢測(cè)。KNN則選擇訓(xùn)練數(shù)據(jù)集中最近的數(shù)據(jù)點(diǎn)，算法以相同的方式對(duì)未來的數(shù)據(jù)輸入進(jìn)行分類。重要的是，評(píng)估算法的有效性，可幫助你在未來的應(yīng)用和研究中選擇合適的算法。

?

2.量化投資的演變

1929年華爾街崩盤后，Graham and Dodd?著作的《證券分析》（Security?Analysis）于1934年出版，是關(guān)于基本面投資的開創(chuàng)性著作，至今仍在出版。它是最早將投資與投機(jī)進(jìn)行區(qū)分的書籍，提倡使用系統(tǒng)的證券分析框架來選股。

?

1952年出版的《投資組合選擇》（Portfolio Selection），提出了投資組合構(gòu)建和風(fēng)險(xiǎn)分析的系統(tǒng)方法。書中，Markowitz將風(fēng)險(xiǎn)的定義為收益的標(biāo)準(zhǔn)差。該方法側(cè)重于通過優(yōu)化風(fēng)險(xiǎn)和回報(bào)之間的權(quán)衡來最大化投資組合收益，這是現(xiàn)代投資組合理論的基礎(chǔ)，為投資組合的構(gòu)建和分析提供了框架。

?

隨著計(jì)算機(jī)技術(shù)的進(jìn)步，收集和分析大量市場(chǎng)數(shù)據(jù)成為可能，市場(chǎng)分析的量化方法也越來越受歡迎。這使得市場(chǎng)模型的開發(fā)和驗(yàn)證達(dá)到了前所未有的規(guī)模，對(duì)理解金融市場(chǎng)做出了重大貢獻(xiàn)，包括資本資產(chǎn)定價(jià)模型（CAPM）和有效市場(chǎng)假說（EMH）。

?

1973年，F(xiàn)ama 和?MacBeth 利用證券價(jià)格研究中心（CRSP）的金融數(shù)據(jù)集（首批此類數(shù)據(jù)集）對(duì)CAPM進(jìn)行了實(shí)證分析。分析表明，CAPM在為市場(chǎng)數(shù)據(jù)的實(shí)證橫截面分析設(shè)定標(biāo)準(zhǔn)的同時(shí)，為證券價(jià)格的行為提供了一個(gè)很好的定量近似值。

?

從Markowitz投資組合優(yōu)化到CAPM、EMH和因子模型，量化投資者已表明他們?cè)敢饨邮苄碌募夹g(shù)和策略。將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于金融的關(guān)鍵點(diǎn)是，機(jī)器學(xué)習(xí)方法捕捉了數(shù)據(jù)中的非線性關(guān)系。在輸出與輸入不成正比的情況下，需要使用非線性方法對(duì)數(shù)據(jù)進(jìn)行建模，許多傳統(tǒng)的分析方法假設(shè)線性關(guān)系，或可以簡(jiǎn)化為線性模型的非線性模型。典型的非線性機(jī)器學(xué)習(xí)方法包括KNN和ANN。

?

機(jī)器學(xué)習(xí)已應(yīng)用于量化投資的多個(gè)領(lǐng)域，包括投資組合優(yōu)化、因子投資、債券風(fēng)險(xiǎn)可預(yù)測(cè)性、衍生品定價(jià)、對(duì)沖和擬合以及回測(cè)，都取得了很好的成果。

?

3.常見的機(jī)器學(xué)習(xí)案例和算法（學(xué)術(shù)文獻(xiàn)在文末）

?

表1展示了學(xué)術(shù)報(bào)告中重復(fù)出現(xiàn)的主題，出現(xiàn)次數(shù)最多的是：回報(bào)預(yù)測(cè)、投資組合構(gòu)建、風(fēng)險(xiǎn)建模。

?

?

表2展示了在這三個(gè)主題下不同機(jī)器學(xué)習(xí)算法出現(xiàn)的頻率。

?

?

?

（1）投資組合構(gòu)建

投資組合構(gòu)建是結(jié)合回報(bào)預(yù)測(cè)和風(fēng)險(xiǎn)模型，在給定投資者約束條件的情況下創(chuàng)建最優(yōu)投資組合的過程。各種ANN方法被應(yīng)用于投資組合優(yōu)化，通常優(yōu)于傳統(tǒng)的優(yōu)化技術(shù)。在投資組合構(gòu)建的背景下，深度學(xué)習(xí)在這次搜索中多次出現(xiàn)。深度學(xué)習(xí)是指由非線性信息處理的多個(gè)層或階段組成的模型（例如，具有許多隱藏層的神經(jīng)網(wǎng)絡(luò)）。使用層次聚類和強(qiáng)化學(xué)習(xí)來改進(jìn)投資組合多樣化。多篇論文還討論了應(yīng)用馬爾可夫（Markov）模型預(yù)測(cè)股票表現(xiàn)的方法。馬爾可夫模型是一種對(duì)隨時(shí)間隨機(jī)變化的變量進(jìn)行建模的機(jī)器學(xué)習(xí)方法。全球市場(chǎng)的復(fù)雜性使得使用這種模式成為一種可行的選擇。

?

（2）回報(bào)預(yù)測(cè)

回報(bào)預(yù)測(cè)，即預(yù)測(cè)資產(chǎn)或資產(chǎn)類別的投資回報(bào)，是投資管理的核心，在文獻(xiàn)中占有重要地位。測(cè)試了許多類型的ANN預(yù)測(cè)收益的能力。深度神經(jīng)網(wǎng)絡(luò)、CNN、LSTM都被應(yīng)用于收益預(yù)測(cè)。第一種，新的機(jī)器學(xué)習(xí)技術(shù)被應(yīng)用于改進(jìn)傳統(tǒng)輸入預(yù)測(cè)（如基本會(huì)計(jì)數(shù)據(jù)或技術(shù)指標(biāo)）。第二種，使用機(jī)器學(xué)習(xí)從可選數(shù)據(jù)中提取新的輸入，例如從新聞數(shù)據(jù)中提取情感。最后，作者在市場(chǎng)層面而不是在單個(gè)證券層面預(yù)測(cè)動(dòng)態(tài)，例如使用機(jī)器學(xué)習(xí)來識(shí)別。

?

（3）風(fēng)險(xiǎn)建模

在風(fēng)險(xiǎn)的大標(biāo)題下確定了三個(gè)不同的主題。第一個(gè)主題嘗試使用機(jī)器學(xué)習(xí)來改進(jìn)均值方差框架中使用的傳統(tǒng)風(fēng)險(xiǎn)度量。第二個(gè)主題是尋找有違約或破產(chǎn)風(fēng)險(xiǎn)的公司，自然語(yǔ)言處理等技術(shù)用于識(shí)別表示較高風(fēng)險(xiǎn)的詞語(yǔ)。最后一個(gè)主題則是使用機(jī)器學(xué)習(xí)來開發(fā)對(duì)沖策略，一些作者著眼于確定哪種機(jī)器學(xué)習(xí)方法的選擇最適合風(fēng)險(xiǎn)建模問題。

?

隨著新工具和技術(shù)的出現(xiàn)，各種機(jī)器學(xué)習(xí)方法已廣泛應(yīng)用于量化投資領(lǐng)域，最流行的方法是MLP，其次是SVM和LSTM。機(jī)器學(xué)習(xí)已應(yīng)用于回報(bào)預(yù)測(cè)、投資組合構(gòu)建和風(fēng)險(xiǎn)建模等領(lǐng)域。這些機(jī)器學(xué)習(xí)方法利用傳統(tǒng)的金融數(shù)據(jù)，以及新類型的替代數(shù)據(jù)。大數(shù)據(jù)正在提供需要分析的新數(shù)據(jù)，而機(jī)器學(xué)習(xí)技術(shù)能夠?qū)?fù)雜（非線性）關(guān)系建模并分析新數(shù)據(jù)。

?

值得注意的是，傳統(tǒng)對(duì)沖基金雇傭越來越多的STEM畢業(yè)生擔(dān)任投資組合構(gòu)建職位，因?yàn)樗麄兙邆鋸?fù)雜分析和計(jì)算機(jī)建模所需的數(shù)學(xué)技能。所以，對(duì)機(jī)器學(xué)習(xí)的認(rèn)知，以及構(gòu)建復(fù)雜模型所需的語(yǔ)言和框架，對(duì)量化投資來說都是有利的。

?

?

案例分析引用的文獻(xiàn)：

?

?

?

?

?

?

?

?

?

?