量化投资

人工智能在量化投资领域已有哪些应用实践？

未来发展将走向何方？

模型测试、因子挖掘、另类数据、对抗过拟合、生成对抗网络以及其他综合领域，有何前沿成果？

6月6日（周一）-6月10日（周五），“华泰人工智能量化研究5周年论坛”，2天主论坛与6场主题分论坛，连续5天，与您聊聊人工智能量化研究的前沿内容。

宽邦科技首席策略官 邵守田受邀，与您于16∶05-16∶35聊聊《 量化选股中Al算法应用最佳实践》。

参与方式：

行知App全程直播

扫描下方二维码直达 ![{w:100}{w:100}](/wiki/api/attachments.redirect?id=e5d

量化投资规模多大？对市场影响有多深远？顶级机构突破了哪些最新的前沿研究？4月29日，由华泰证券、宽邦科技、亚马逊云科技、朝阳永续、金融阶等多家市场权威机构联合组织撰写的《2021年中国量化投资白皮书》正式发布，并在深圳举办发布会。

[http://1500003242.vod2.myqcloud.com/43830c9bvodtranscq1500003242/13d56d69387702300069670514/v.f100030.mp4](http://1500003242.vod2.myqcloud.com/43830c9bvodtranscq1500003242/13d56d6938

\

导语

在阅读了 深度学习的简要介绍后，本文将介绍深度学习CNN模型及其在量化投资领域中的应用。

深度学习在量化领域应用

机器学习作为人工智能的核心，其传统算法在解决很多问题上都表现出了高效性。随着近些年数据处理技术上的进步和计算能力的提升，深度学习得以在很多问题上也大放光彩，成为近一段时间互联网、金融等领域的大热门。

在量化投资领域，机器学习尤其是由统计学延伸的各种算法一直以来都被尝试应用在选股、择时等策略的开发上，随着深度学习在其他领域上的突破，其在自动化交易甚至投资策略的自开发自学习方面的应用成为了大家探索的焦点。

为什么要用深

量化私募和投资者们应该如何应对？

管理人表示，应加强投研，投资人应看长远！

尤其是量化指数增强策略产品，所谓又能赚指数的钱、又能赚股票阿尔法的钱，容易被大众接受和理解，一批私募乘势狂发产品、快速上规模。

然而不少指数增强产品，不仅没有做出阿尔法，还跑输指数，出现超额回撤。

鸣石投资创始合伙人房明表示，去年在量价赛道过度拥挤下，上升期太好，下滑期自然更猛。接下来是投研的比拼，一是打磨细节，二是降低相关性。

平方和投资副总经理李霞表示，市场大幅回撤对其影响不大。由于我们一直坚守阿尔法信条，所以绝大部分的产品是中性对冲产品，β的波动对我们影响微乎其微。今年以来我们的中性产品还有4%-5%的

已解决

尊敬的Quant：

量化使用最多的语言是什么？python还是C?工资差别有多大？

畅想未来3年的量化，大家能想到哪些关键词？这些关键词是否就是未来照进现在？

AI算法在使用哪些场景？市场模式识别、收益率预测、交易执行各是什么算法在驱动创新？

宽度、弹性、深度、集中度，高频数据最关注哪些盘口变化？

这一次我们提前设问，邀请您参与《2022年中国量化投资白皮书》问卷调研https://www.wjx.cn/vj/P3OsjQj.aspx，提前锁定电子版数据。

2021年，我们提出了很多疑问，但我们现在有了更多疑问，我们相信，聚沙成塔，洞见未来，因为有您的参与，本问

敬启者：

2021量化行业风起云涌，如何量度当前的量化市场？寻找到量化发展最新前沿？市场如何演变？

聚沙成塔，洞见未来，由华泰证券×朝阳永续×宽邦科技×金融阶联合发起量化行业问卷调研《2021年中国量化投资白皮书》，向235家机构发起问卷调查，并且与8家顶级机构定性访谈，尝试研判量化未来发展趋势。

鉴于贵机构对于量化行业的深厚积累及引领地位，现特别诚挚邀请您莅临现场做主讲嘉宾，分享贵机构工作实践及行业认知。

研讨会安排

时间：4月29日

地点：深圳 福田香格里拉40层

报名方式

https://bigquant.com/activity

研讨议程

尊敬的Quant：

2021量化行业风起云涌，桥水、D.E.Shaw、Two Sigma和Winton陆续拿下WOFE牌照，与国内量化机构同场竞技。

另一方面，据市场测算，截至 2021 年上半年末，证券类私募中，量化产品规模接近万亿、规模占比约两成。百亿以上量化私募管理人的合计规模估算约 4800 亿，公募量化基金不考虑公募专户规模约 2600 亿。

同时行业持续内卷，很多大型对冲基金早在多年前就将人工智能方法应用

主题：The Impact of AI to Global Asset Managers: The Responses and Adoptions

演讲人：关子敬 先生 Kevin Kwan彭博亚太区量化及数据科学专家

**完整视频观看地址：<https://webcast.roadshowchina.cn/cmeet/NlZBZVhZRGZ6Q1NSRjdrbmJqQjZUQT09

\

单因子分析是量化投资中重要的一步，是对因子进行有效性、单调性相关的检验。因子通过一系列检验后才有机会进入因子池并据此构建量化策略进行投资。单因子分析一般分三步：因子构建、因子处理、因子分析，本文将基于平台对上述步骤进行详细讲解。

1. 因子构建

投资者根据已有的经验来构建因子，比如传统的量价因子和财务因子。本文将构建一个动量因子进行分析，具体公式如下：

                        factor = ( close_0  / mean( close_0, 44 )) - 1

该因子的意思是比较过去44日的股价均值和当期的股价，如果该值越大，则说

可视化策略-AI选股

https://bigquant.com/experimentshare/b08f437e5ee94168b0bc856f6f650ad2

\

Overview

说到量化投资和研究，很多人有一个基本认知，就是通过数据观察和分析，提出假设，然后通过回测来验证假设。通过验证之后，再上实盘验证。当然，其中有一些深入的细节。比如回测可以是样本内+样本外。这里有篇学术论文，其中一个观点就是大部分人跑的回测都没什么意义。论文的作者是前AQR的机器学习负责人，康奈尔大学的机器学习教授，畅销教科书《 Advances in Financial Machine Learning》作者。论文题目：TACTICAL INVESTMENT ALGORITHMS。

摘要

根据历史证据，有三种基本方法来测试投资策略的有效性：a）向前走法；b）重

https://bigquant.com/experimentshare/28a454b6532144eb819a78efae160768

\

\

摘要

GAN的核心思想是通过学习真实训练数据，生成“以假乱真”的数据

本文关注生成对抗网络GAN及其在量化投资领域的应用。GAN的核心思想是通过学习真实训练数据，生成“以假乱真”的数据。GAN包含判别器D和生成器G两组神经网络，引入博弈的思想，通过交替训练的方式达到纳什均衡。我们训练GAN生成不同市场、不同时间频率的股指收益率和价格序列，并与Bootstrap和GARCH等其它生成虚假数据方法相比较，以波动率聚集、盈亏不对称性等指标评估生成模型优劣。结果表明，GAN生成的数据质量优于其它两种方法。最后我们以双均线择时策略参数选择为案例，展示GAN在检验过拟合上的应用。

**

怎么用bigquant的架构来获取每天涨停的个股，不是用传统的代码打出来的那种，试过好多次！老是运行的结果错误！

https://bigquant.com/experimentshare/b6bb3c84df0c4da5bb0b495bc52feb06

\

策略案例

https://bigquant.com/experimentshare/0f5a773d39184d73bec6520dccad7ee8

\

策略案例

https://bigquant.com/experimentshare/62dde783f98a42f4a9bead37e1817c66

\

导语

近日，来自Two sigma AI Core团队的David Kriegman教授进行了题为《Deep Learning for Sequences in Quantitative Finance》在线分享。David Kriegman是加州大学圣地亚哥分校的计算机科学与工程教授，也是计算机视觉的专家。他于今年1月份加入了Two Sigma AI Core团队。

![图片来自：Two Sigma{w:100}{w:100}](https://mmbiz.qpic.cn/mmbiz_png/42N1g4fYAajXu1wduhL66ibe17p1W5rY9tPPNsH3A

摘要

指数增强方法汇总及实例

量化多因子指数增强策略实证

指数增强型公募基金以量化方式为主，通过多因子模型能够有效控制风险

指数增强型基金是主动投资和被动投资的有机结合，其目标是在控制跟踪误差的前提下追求稳定、持续超越基准指数的表现。我们整理了目前所有跟踪上证50、沪深300、中证500、中证1000指数的公募指数增强产品，共有36只，其中有32均采用量化方式增强。在量化指数增强策略中，又以多因子模型为主流。多因子模型本质是将对𝑁只股票的收益-风险预测转变成对𝐾个因子的收益-风险预测，通过控制投资组合在风险因子上的暴露达到科学控制跟踪误差的目的。本报告

摘要

非线性特征

非线性模型：𝑹=𝑿𝒇+𝑮𝑿𝒈+𝝐′其中，线性部分：𝑹=𝑿𝒇+ε；残差项的非线性结构：𝝐=𝑮X𝒈+𝝐′；𝐺()为基于线性因子暴露X的非线性函数

对于收益率的残差，分别使用randomforest，boostedtree，neuralnetwork，以及对几种集成学习模型的集成方法分别建模

量化投资理念的两大流派

有些策略种类的命名是基于策略的表现形式，基于原始信号的触发机制，也可归为上述两类。例如，高频交易、多因子模型。

风控：贯穿始终，以最终获得统计意义上的收益

**传统Alpha策略Beta化，探求更高维度的

摘要

股票预测是量化投资中最为关键的任务。近年来，深度神经网络因其强大的表征学习能力和非线性建模能力，逐渐成为股票预测的主流方法。现有的预测方法均假设股票数据符合独立同分布（IID）且采用单一模型有监督地对股票数据建模。但实际上，股票数据通常会包含多种不同甚至对立的分布（Non-IID），比如动量（历史收益率高的股票未来收益率会高）和反转（历史收益率低的股票未来收益率会高）这两种分布形式同时存在于股票数据中，但是已有的模型并不具备同时学习股票数据中多种分布的能力。

因此，微软亚洲研究院的研究员们提出了 Temporal Routing Adaptor (TRA)，来赋予已有模型学习多