机器学习

\

Machine Learning in the Chinese Stock Market

作者：Leippold M, et al.

出处：Journal of Financial Economics, 2021-07

摘要

作者通过使用各种机器学习算法建立和分析一套全面的收益预测因子组合。与以前对美国市场的研究相比，流动性成为中国市场最重要的预测因子，这使作者仔细研究了交易成本的影响。中国市场中散户投资者的主导地位积极地影响了短期的可预测性，特别是对小票。中国市场区别于美国市场的另一个特点是大票和国有企业在较长时间内的高可预测性。

正文

[/wiki/stati

Weibo sentiments and stock return :A time-frequency view

作者：Yingying Xu, Zhixin Liu, et al.

出处：PLOS ONE, 2017-06

摘要

本研究为社交媒体情绪与中国股市之间的关系提供了新的见解。基于机器学习，我们将新浪微博上发布的微博内容分为愤怒、厌恶、恐惧、喜悦和悲伤这五种情绪。利用小波分析，作者发现情绪与股票收益之间存在着密切的正相关关系，两者具有频率和时变特征。自2014年10月以来，在不到十个交易日的中高频率交易下，股票收益率出现明显波动时，这五种情绪表现出与股票收益率的正

1.科学的投资体系。基于处理后的各类数据，通过数学建模和回测将市场信息进行量化，从数据中解读背后蕴含的市场规律，捕捉价格波动过程中的交易机会，真正做到可追溯、易复盘、能验证、迭代快。

2.应用前沿技术。大数据时代，积极应用机器学习、深度学习等人工智能新兴技术，以实现强大的信息搜集与处理能力，及时快速地跟踪市场变化，不断捕捉市场上能够提供超额收益的投资机会。

3.剥离情绪影响。严格执行量化投资模型给出的投资建议，决策信息透明度高、纪律性强，能有效规避人类主观认知偏差以及克服情绪对决策的影响，准确客观评价投资机会，降低管理人的道德风险。

4.统观信息全局。通过对尽可能全面、完整的海量

当前，越来越多的金融机构开始使用机器学习方法，以期在市场竞争中赢得优势。而量化投资机构也逐步抛弃传统的分析方法，转而使用机器学习算法预测市场走势和选择投资组合。

而机器学习的优势在于，能够提供非线性关系的模糊处理，弥补了人脑思维模式，同时利用相关算法，可以大幅提高数据挖掘、处理效率。则借用机器学习，量化投资策略会变得更加丰富。

与此同时，在量化领域应用机器学习算法，仍然存在一些问题和挑战。那么，你在实践过程中，都碰到哪些问题呢？

本文由BigQuant翻译来自于MSCI研究，原文标题为《机器学习因子:在线性因子模型中捕捉非线性》

作者：George Bonne, Jun Wang, Howard Zhang

发表时间：2021年3月

概要

虽然机器学习(机器学习)算法已经存在了几十年，但最近它们在包括金融在内的许多领域受到了越来越多的关注，尤其是在解释资产回报的应用上。虽然线性因子模型多年来一直是理解风险敞口、风险和投资组合表现的重要工具，但没有哪一种模型是一成不变的，即因子敞口和回报之间的关系必须是线性的。

在这里，我们研究了在去除线性成分后，机器学习算法在多大程度上可以检测因子暴露和安全回报之间的关

AI量化论文介绍

牛津大学英仕曼量化化金融研究所（OMI）是世界领先的金融市场跨学科研究中心。OMI主要研究量化金融的基本问题，重点关注机器学习和数据驱动的模型。OMI研究汇总是一份精心策划的月度摘要，涵盖了量化相关领域的最新研究、见解和工具。

本月的论文分享中，有两篇来自OMI的最新论文。第一篇是基于订单账面不平衡的度量对交易流进行分类，并研究分解后的交易流对价格的影响，以设计有利的交易策略。第二篇介绍了使用动量策略应用于加密货币的转移排序模型。

本文主要介绍与金融和机器学习相关的论文。

**1. Trade Co-occurrence, Trade Flow Decom

交易策略揭秘

Renaissance Technologies文艺复兴科技公司交易策略揭秘记录！该短片中详细介绍了文艺复兴科技公司多年来如何开发各种交易策略，从早期的均值回归到利用内核方法等等。

https://www.bilibili.com/video/BV1ae4y1f7Em

\

分享头部量化私募团队、策略、深度资料等

\

摘要

来自：Finance Research Letters 48 (2022)

作者：Matthias X. Hanauera, Marina Kononovab, Marc Steffen Rappb

标题：Boosting agnostic fundamental analysis: Using machine learning to identify mispricing in European stock markets

股票基本面分析有效吗？分析师应该如何得出股票基本面价值?虽然理论文献已经开发了贴现现金流模型和其他高度程式化的基础估值模型，但BG（2

摘要

大类资产配置系统简介

资产配置按照配置目标、配置周期、收益预期及风险偏好等可以分为超长期资产配置、战略性资产配置、战术性资产配置、动态资产配置和保底资产配置。每一种配置系统之下，各类资产走势的影响因素都不尽相同，目前国内市场较为关注的是配置周期相对较短的战术性资产配置和动态资产配置

三种机器学习方法应于股票类资产的趋势判断

进行大类资产配置时对每一种类别的资产的分析十分重要，本篇主要是针对股票类资产进行分析，使用logistic模型、人工神经网络模型及支持向量机三种模型对股票类资产短期走势进行预测。选取不同的输入指标、训练期等进行预测和比较，对于沪深300的

摘要

gcForest算法

gcForest（multi-Grained Cascade Forest）算法是2017年周志华教授提出来的一种基于树的深度模型，旨在作为深度神经网络的一种可供选择的替换。由于超参数更好的鲁棒性，小样本上更好的稳定性，因此该模型相对于神经网络可能在金融数据上有更好的表现。

gcForest的回测表现

将《机器学习与量化投资：避不开的那些事（1）》中的神经网络替换成为gcForest，按月收益回撤比可达15.959。

gcForest的参数敏感性

该模型的各个参数的敏感性都非常低。

正文

[/wiki/static

参考 https://wesmckinney.com/book/ 编写 Python For Quants - 用于量化投资的Python

摘要

量化择时交易策略

机器学习量化交易策略的制定，是通过从海量历史数据中，利用计算机强大的处理能力，挖掘并分析出那些能够为投资者带来收益的各种大概率可行的投资方式来实现的。通过数学模型对这些策略进行分析并加以验证，以期望让投资者获得更高更稳定的收益，或更合理地规避风险。

长短期记忆模型通过记忆单元有效地学习长期依赖关系，在金融市场预测中具有明显优势

长短期记忆网络是人工神经网络的一种，具有负责计算时间序列中各个观测值之间依赖性的能力，同时具有快速适应趋势中急剧变化的固有能力。所以，长短期记忆模型可以在波动的时间序列中很好地工作。在处理股票价格这样的时间序列数

1958 年感知机的诞生以及1986 年反向传播算法的出现，为深度学习奠定了基础。

1989 年，卷积神经网络（CNN）首次被提出，共用卷积核的方式很大程度上减少了模型中需要被训练的参数，在图像识别等方面有更好表现。

2000 年，一类非常重要的循环神经网络（RNN），长短期记忆神经网络（LSTM）被提出，在一定程度上缓解了梯度消失和梯度爆炸等问题。

2009 年，深度信念网络（DBN）与深度玻尔兹曼机（DBM）先后被提出，其中 DBM是多个受限玻尔兹曼机（RBM）相连构成的无向图，而 DBN 是在最远离可视层处为 RBM，其余层为贝叶斯信念网络的混合模型。

同年，图神经网络（GNN）

摘要

基于资产周期状态与市场表现的关系规律，采用机器学习挖掘预测逻辑本文首先介绍美林时钟等宏观择时模型，分析其根据经济周期状态的划分进行资产配置的原理，同时指出其应用于中国等新兴市场投资时遇到的挑战。其次，简要回顾华泰金工周期系列研究基于市场统一周期规律提出的周期三因子资产定价模型，以及机器学习挖掘市场规律的原理。最后，采 用机器学习的方法发现资产所处的周期状态与其未来市场表现的内在逻辑，实现对资产收益排序的概率预测，并通过对全球市场和中国市场的实证研究，证明该方法对指导资产配置的有效性。 市场周期运动的主导特征是基于资产周期状态预测其未来表现的基础美林时钟模型为宏观择时到资产配置的投

摘要

2022世界人工智能大会于2022年9月1日至3日在上海举办。世界人工智能大会自2018年以来，已成功举办四届。2022世界人工智能大会由国家发展和改革委员会、科学技术部、工业和信息化部、国家互联网信息办公室、中国科学院、中国工程院和上海市人民政府共同主办。

作为本届世界人工智能大会承办单位之一，数库科技于9月3日下午举办以“数无疆·智无界”主题分论坛，J.P. Morgan亚太地区量化策略负责人Robert Smith先生发表了题为*《Big Data and AI Strategies：AI for Investing》*的主题演讲，Robert Smith分别

摘要

机器学习是当前金融建模、预测和决策的最先进技术。然而，实现这一潜力需要克服许多复杂的挑战。在本次演讲中，Two Sigma的Justin Sirignano——他也是牛津大学数学副教授——讨论了金融领域机器学习的机遇和挑战。Justin介绍了用于高频数据的机器学习模型的例子，并涵盖了包括训练深度学习模型来尝试预测价格波动，以及使用强化学习来尝试确定最优执行策略。我们今天先分享第一个案例，使用RNN预测股票高频价格。

正文

![{w:100}{w:100}{w:100}](https://mmbiz.qpic.cn/mmbiz_png/42N1g4fYA

摘要

本期遴选论文

来源：Journal of Financial Economics 145 (2022) 64–82

作者：Markus Leippolda，Qian Wanga，Wenyu Zhou

标题：Machine learning in the Chinese stock market

Gu（2020）在The Review of Financial Studies发表的Empirical Asset Pricing via Machine Learning中，详细实证了机器学习模型在美股市场的表现。**结果表明，机器学习改善了对预期

机器学习作为发展中的学科，毕业后的从业人员年薪非常可观，平均年薪达到了144721美金。

一些头部公司的薪水大方到让人羡慕，ebay甚至能出到接近35万美金的年薪。在圣地亚哥市，机器学习工程师的平均年薪则在156376美金左右。

有网友说，接触机器学习，深度学习和计算机视觉已经一年有余，从小白逐渐到了有了一定知识和经验积累的学习者。目前的任务是通过深度学习训练神经网络以使其能对特定植物的进行切割，需要兼顾准确率和速度。植物的形态确实比一般物体复杂，很具有挑战性。

竞赛实战，可以让参与者更深刻体会ML的一些关键步骤，从工业视角去理解，例如了解度量优化——每个问题都有其独特的评估指标。如何在

机器学习可以帮助我们进行预测和决策。可以用历史数据训练机器学习模型，来预测某个资产未来的收益率，或者是波动率（风险），然后基于模型预测来进行交易。

比如，在选股策略中，我们可以把股票的量价数据、财报数据、新闻数据等作为输入，让模型预测股票未来收益率，接下来做多预期收益率高的股票，做空预期收益率低的股票。

所以，用机器学习方法的优势，就是处理数据，从数据中获得规律的能力比传统方法要强大。

更多关于机器学习在量化投资中的应用，9月8日18:00，非凸科技的联合创始人&CTO李佐凡为同学们做深入讲解，欢迎准时参加哦@复旦

相关链接：<https://mp.weixin.qq.com/s/Ym

\

摘要

机器学习与CTA：数据挖掘与人类对世界的认识

这是机器学习与CTA周报的第九篇，机器学习中证500神经网络策略上周（6.25-6.29）收益0.87%，机器学习商品期货策略收益2.72%，7.2-7.6大概率看多的商品是铁矿石；大概率看空的商品是白糖，焦炭，玉米，焦煤。机器学习与基本面结合商品策略收益-1.13%，下周看多铅，看空锡。

风险提示：根据历史信息及数据构建的模型在市场急剧变化时可能失效。

正文

[/wiki/static/upload/dc/dc506e90-d4ee-4955-9482-75f52dba743e.pdf](/wiki/static/up

小样本学习(Few-Shot Learning，FSL)是一种新颖的机器学习方法，旨在从少量的标记数据中学习。

深度神经网络在大数据上取得了骄人的成绩，但在仅有少量样本时表现得不尽如人意，而在很多实际情况中，数据难以取样或大量累积。为解决问题，小样本学习越来越受关注。

机器学习是从数据中学习，使完成任务的表现越来越好，而小样本学习则是具有有限监督数据的机器学习。

近年来，各种机器学习方法己被广泛应用到金融时间序列预测方面。这些方法往往是基于历史大样本数据进行训练，且假设训练样本和预测样本的分布是一致的。但股市分布并不稳定，在不同时间段，分布也不同。

为避免股市数据分布变化的问题，一个有

摘要

文献来源：Demiguel V, Gil-Bazo J, Nogales F J, et al. Can Machine Learning Help to Select Portfolios of Mutual Funds?[J]. Social Science Electronic Publishing, 2021.

推荐原因：众所周知，事先确定未来表现优异的共同基金是一项困难的任务。本文基于大量投资者容易获得的基金特征数据，利用机器学习方法训练提升其预测能力。研究发现，利用1980年至2018年期间美国股票型基金的数据，基于机器学习方法构建的基金组合，经风险调整