摘要

对冲基金布局人工智能随着深度学习技术的进步，人工智能领域迎来了最好的发展机遇。近年来，国内外知名的IT公司纷纷在人工智能上发力，创造了一系列突破性成果。同时，海外的对冲基金和投资银行也开始在人工智能上进行布局。高盛、BlackRock、Citadel等公司是投资领域人工智能的先行者。

人工智能在资产管理的不同领域大展身手人工智能能够帮助不同类别的资管机构提高竞争力，在未来的市场竞争中占得先机。分部门来看，人工智能正在或者即将对资管机构的投资、研究、交易、风险管理、产品设计、营销等细分部门产生深远的影响。 投资上，依托高效的信息处理和知识挖掘能力，人工智能能够提高对冲基金的投资表

摘要

因子投资模型增强：基于深度学习来预测基本面数据经过回测发现，如果能够预知未来的基本面数据并构建组合，则能够大幅跑赢传统方式构建的组合。并且，基本面数据之间的关系可能比基本面数据与价格之间的关系具有更高的信噪比。因此，作者根据过去5年的基本面数据训练一个深度神经网络来预测未来的基本面数据，结果表明较之于简单预测（假设未来数据和当前数据一致）模型，神经网络模型在MSE、年化收益、夏普比率等指标都有明显的提升。

消费者的眼睛是雪亮的：消费者评价的投资价值本文探究了消费者的评价是否包含着对投资有价值的信息。利用上买家对产品的评价信息，发现消费者的评价对于选股具有一定的价值。

通过做多异

策略思想

基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。

StockRanker模型

原有模型是基于BQ提供的Stockranker机器学习算法：

![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f5599

2022-04-26 | 作者：微软亚洲研究院

编者按：ICLR（International Conference on Learning Representations）是国际公认的深度学习领域顶级会议之一，众多在人工智能、统计和数据科学领域以及计算机视觉、语音识别、文本理解等重要应用领域极其有影响力的论文都发表在该大会上。今年的 ICLR 大会于4月25日至29日在线上举办。本届大会共接收论文1095篇，论文接收率32.3%。今天，我们精选了其中的六篇来为大家进行简要介绍，其中研究主题的关键词包括时间序列、策略优化、解耦表示学习、采样方法、强化学习等。欢迎感兴趣的读者阅读论文原文，一

https://bigquant.com/experimentshare/dd9cff01459a41f9be40d7e660164795

\

\

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

Q1:现在海内外量化实践有什么代际差吗？海外接下来量化方向除了另类数据应用，还有什么发展潮流？他们对于国内量化市场是怎么判断的？

**关子敬：**在我看来海内外最主要的差别是：国内投资人是偏向喜欢直接对股价做预测，而海外直接预估股价比较少，主要做填充模型（imputation model），针对遗失数据做估算，特别是在

\

AI量化策略快速理解

https://bigquant.com/wiki/doc/celve-Uu3N6WbJNJ

《alphanet GNN和GAN华泰金工深度学习量化研究》Deep Alpha 研讨会 small_q small_q 更新于 大约 1 个月前 · 阅读 785

#1、华泰人工智能系列研究：四年五主题四十七篇研究 首先非常感谢宽邦科技的邀请，这里我替换了一下标题，主办方给的题目是《国内投资机构深度学习量化实践》，我这里改成了《华泰金工深度学习量化研究》，因为我个人很难代表整个国内的投资机构，国内的买方和卖方，公募和私募研究差异还是挺大的。 总体来讲，买方机构会更务实，目标明确。卖方研究有特殊之处，市场对我们的期待是探索前沿内容，帮大家踩坑，所以需要我们仰望星空。但同时又不能太飘，也需

论文原名

Modeling the Momentum Spillover Effect for Stock Prediction via Attribute-Driven Graph Attention Networks

论文作者

Rui Cheng, Qing Li

引言

在金融领域，上市公司的动量溢出效应是公认的。只有少数研究预测了一家公司在其相关公司方面的趋势。试点工作的一个常见策略是采用具有一些预定义牢固关系的图卷积网络 (GCN)。然而，动量溢出是通过各种公司关系传播的，其中的桥梁重要性随时间而变化。限制几个预定义的关系不可避免地会产生噪音，从而误导股票预

论文原名

End-to-End Risk Budgeting Portfolio Optimization with Neural Networks

论文作者

A. Sinem Uysal, Xiaoyue Li , and John M. Mulvey

修订时间

2021年7月9日

引言

投资组合优化一直是金融领域的核心问题，经常与两个步骤：校准参数，然后解决优化问题。然而，两步过程有时会遇到“误差最大化”问题，其中参数估计的不准确转化为不明智的分配决策。在这论文中，我们将预测和优化任务结合在一个单一的前馈神经网络中网络并实施端到端的方法，在那里我们学习

论文原名

Multi-Horizon Forecasting for Limit Order Books:Novel Deep Learning Approaches and Hardware Acceleration using Intelligent Processing Units

论文作者

Zihao Zhang, Stefan Zohren Oxford-Man Institute of Quantitative Finance, University of Oxford

修订时间

2021年8月27日

引言

我们为限价订单 (LOB) 数据设计

https://bigquant.com/experimentshare/b6bb3c84df0c4da5bb0b495bc52feb06

\

论文原名

Recent Advances in Reinforcement Learning in Finance

论文作者

Ben Hambly-牛津大学数学研究所

Renyuan Xu-南加州大学工业与系统工程系

Huining Yang

发布时间

2021 年 12 月 10 日

引言

随着数据量的不断增加，金融行业的快速变化已经彻底改变了解决了数据处理和数据分析技术，带来了新的理论和计算挑战。与经典随机控制理论和其他分析应用相比，解决严重依赖模型假设的财务决策问题的方法，强化学习（RL）的新发展能够充分利用大量减少模型假设的财务数据，并改进复杂

原文标题：Deep Residual Learning for Image Recognition

发布时间：2015年

作者：Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun Microsoft Research

摘要

越深的神经网络训练起来越困难。本文展示了一种残差学习框架，能够简化使那些非常深的网络的训练，该框架使得层能根据其

研报标题：A Gentle Introduction to Graph Neural Networks

发布时间：2021年

作者：Benjamin Sanchez-Lengeling、Emily Reif、Adam Pearce、Alexander B. Wiltschko

摘要

这篇文章是关于图神经网络的两篇论文之一。看一看理解图上的卷积，了解图像上的卷积如何自然地概括为图上的卷积。

图表无处不在;现实世界中的对象通常是根据它们与其他事物的联系来定义的。一组对象，以及它们之间的联系，很自然地被表示为一个图形。研究人员已经开发了十多年的基于图数据的神经网络(称为图神经网络，或

test h1

test h2

test h3

test h1

\

原研报标题：Generative Adversarial Nets

发布时间：2018年

作者：Ian J. Goodfellow∗, Jean Pouget-Abadie† , Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair‡ , Aaron Courville, Yoshua Bengio

摘要

本文通过对抗过程，提出了一种新的框架

原研报标题：Transformer: Attention is all you need

发布时间：2017年

作者：Ashish Vaswani、 Noam Shazeer、 Niki Parma 、Jakob Uszkoreit、 Llion Jones 、Aidan N. Gomez、 Łukasz Kaiser

摘要

主流的序列转换模型都是基于复杂的循环神经网络或卷积神经网络，且都包含一个enc

摘要

卷积神经网络引领深度学习的发展，能够运用于多因子选股

卷积神经网络（CNN）是目前最为成熟的深度学习模型，是近年来人工智能蓬勃发展的重要推手之一，其主要特点是通过卷积和池化操作进行自动的特征提取和特征降维。本文首先通过原理分析给出了CNN运用于多因子选股的经验方法；然后在全A股票池内对CNN的预测结果进行单因子测试，其单因子测试结果相比对比模型具有良好表现；本文还构建了行业、市值中性全A选股策略并进行回测，CNN在以中证500为基准的全A选股测试中相比对比模型表现优秀。

本文通过原理分析总结了卷积神经网络运用于多因子选股的经验方法

将卷积神经网络运用于多因子

导语

由于深度学习中牵扯到Dropout和随机种子等多处随机项，因此如果无法固化模型，当缓存丢失后会模拟交易/回测会触发重新训练，导致模型变化，本帖介绍固化已有的模型的步骤。

如何固化模型

调试策略

第一步，调试策略

好的策略应该经过多次训练查看模型的回测效果稳定性，如果发现同样参数下多次训练模型得到的回测结果变动范围较大，多半是模型不稳定。模型稳定后可以考虑固化模型并开启模拟交易。

记录模型文件

第二步，记录模型文件到userlib文件夹

![](/wiki/api/attachments.redirect?id=43e5c6bc-0a87-48

由于深度学习中牵扯到Dropout和随机种子等多处随机项，因此如果无法固化模型，当缓存丢失后会模拟交易/回测会触发重新训练，导致模型变化，本帖介绍固化已有的模型的步骤。

第一步，调试策略

好的策略应该经过多次训练查看模型的回测效果稳定性，如果发现同样参数下多次训练模型得到的回测结果变动范围较大，多半是模型不稳定。模型稳定后可以考虑固化模型并开启模拟交易。

第二步，记录模型文件到userlib文件夹

以上图DNN模型为例，

2021世界人工智能大会于2021年7月8日至10日在上海世博中心和上海世博展览馆同时举行。会中幻方量化合伙人徐进探讨了如何使用量化模型和深度学习在股市中赚钱的路径。

徐进提到,与传统股票定价不同,量化通过输入获取的信息,包括行情数据、上市公司财务数据,还有另类数据,比如新闻舆情、产业链等,进行模型训练,利用深度学习对股票进行定价。

在徐进看来,在这个过程中,需要处理很多关键细节,细节是魔鬼!以时间序列预测模型为例,包括数据清洗、规划处理、防止过拟合、 避免未来函数等,大量的细节决定了量化能否赚钱,并不是简简单单就能成功的。“只要你对市场、数据充分了解之后,才能得出比较好的赚很多钱的结果。