人工智能与量化投资

《人工智能与量化投资》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、人工智能与量化投资林晓明华泰证券金融工程首席分析师执业资格证书：S09805120200010人工智能在量化投资中发展概况1CONTENT0华泰人工智能选股研究体系简介20人工智能选股模型对比实证301人工智能在量化投资中发展概况人工智能（AI）的发展历程长短记忆人工智能研究LSTM认知计算机器学习聚类算法深度学习决策树感知机卷积神经网络AI基于规则搜索引擎的系统反向传播195019802010人工智能与量化投资2016年3月，举世瞩目的围棋人机大战中，GoogleDeepMind团队的人工智能围棋软件AlphaGo

2、以四胜一负的战绩击败世界冠军韩国棋手李世乭，轰动围棋界。2017年5月，AlphaGo升级版在乌镇围棋峰会中以3:0完胜世界围棋第一人中国棋手柯洁，又一次掀起社会上对于人工智能的热议。而人工智能在量化投资界的热潮随着技术的发展也在不断兴起。人工智能投资热潮传统投资顾问通过效早期遗传算法、支持率低下的人工方式完向量机以及决策树算成，只面向高净值人法的兴起,使得投资士开设；由此，使用者借助交易算法可以从2006年开始，深度AI技术对大量客户进通过历史数据和统计学习技术开始成熟，行财富画像，以人工概率预测未来。计算机速度加快

3、，迎智能算法定制的资产来了大数据时代。考管理投资方案的“智虑到动辄几千、几万能投顾”应运而生。机器学习算法的金融数据维度，深度学习方法在数据分智能投顾析与数据预测准确度上显然更胜一筹。深度学习量化投资中的人工智能应用把握市场动态引入新闻，政策，社交网络从数字推测模型中的丰富文本并运用自然语言处对财务、交易数据进行建模，发理技术分析，将非结构化数据结现数据间相关性，利用回归分析等构化处理，并从中探寻影响市场自然语言传统机器学习算法预测交易策略。变动的线索。处理机器机器学习算法学习知识监督学习:通过历史数据，可以

4、语义网络图谱找到规律，对未来进行预测；基于图的数据结构，根据专家无监督学习:聚类/因素分析；设计的规则与不同种类的实体连智能接所组成的关系网络。深度学习：使用多层神经网络来分析事物背后的趋势；投顾减少黑天鹅事件对预测的干扰自学习的机器无法区分虚假的强化学习：使用算法来探索和相关性所导致的，这时候就需要找到最有利可图的交易策略。AI专家设置的知识库（规则）来避免这种虚假相关性的发生。机器学习下的量化投资传统线性机器学习算法人工构建特征的非线特征选择特征性组合寻找买入预测未来相买卖策略卖出阈值对收益缩短了新因子的

5、开发周期。可以比较好地处理不同因子或者特征之间的信息重叠。可以非线性地组合单独看来弱有效甚至无效的不同因子或者特征。深度学习下的量化投资?1,?2,?3,…,??传统因子不同来源自动提取的信息特征技术图形事件驱动02华泰人工智能选股研究体系简介人工智能系列报告《人工智能选股框架及经典算法简介——系列之一》17.06.0117.06.22《人工智能选股之广义线性模型——系列之二》《人工智能选股之支持向量机模型——系列之三》17.08.0417.08.17《人工智能选股之朴素贝叶斯模型——系列之四》《人工智能选股之随机

6、森林模型——系列之五》17.08.3117.09.11《人工智能选股之Boosting模型——系列之六》《人工智能选股之Python实战——系列之七》17.09.1917.11.23《人工智能选股之全连接神经网络——系列之八》《人工智能选股之循环神经网络模型——系列之九》17.11.2418.01.01正式推出《人工智能选股周报》，跟踪对比各模型样本外表现机器学习算法示例支持向量机：用超平面划分样本空间，进行分类决策。线性支持向量机遵循最大间隔分类原则，确定最优的分类超平面核支持向量机将线性不可分数据通过非线性映射?↦

7、?(?)投影到高维空间，然后使用线性SVM分类。机器学习算法示例随机森林：弱分类器决策树对数据集重复随机抽样，使用多个决策树组成分类器随机森林=决策树+Bagging机器学习算法示例AdaBoost：将弱分类器以串行的方式组合起来训练弱分类器，更新样本权值得到新的数据集，重复操作，每个弱分类器都可以计算出它的加权训练样本分类错误率，将全部弱分类器按一定权值进行组合得到强分类器。机器学习算法示例全连接神经网络：含有两个隐藏层的神经网络在模型训练的过程中，我们根据输入特征?计算隐藏层的值?(??)，再根据隐藏层?的值算

8、出输出层的预测值?。模型训练的目标是寻取最优的权重参数?，使得预测的均方误差最小。机器学习算法示例循环神经网络：ht-1htht+1X+X+X+tanhtanhtanhXXXXXXσσtanhσσσtanhσσσtanhσXt-1XtXt+1循环神经网络与传统神经网络模型最大不同之处：加入了对时序数据的处理。例如，全连接神经网络