一文帶你深度領悟機器學習在量化領域的應用

3月31日，春天的上海天朗氣清，通聯栗子學院舉辦的「優礦量化實戰訓練營：機器學習在量化領域的應用」如期舉辦。

本次活動旨在探討前沿的機器學習應用，幫助用戶更好的將機器學習融入到量化模型當中。當天一百多位來賓與三位演講嘉賓進行了交流互動，下面帶大家回顧一遍主題分享，給自己的量化模型加點機器學習的「調味料」。

首先登場的是華泰證券金融工程分析師陳燁博士，她帶來的題目是《人工智慧融入多因子選股框架》。

陳燁博士由人工智慧在廣告精準投放、網路點擊等領域的應用引入，人工智慧已經無處不在的融入了人們的日常生活。

同時，機器學習及其前沿方向深度學習、知識圖譜和自然語言處理都已成功應用到投資領域中，例如運用機器學習模型發掘財務、交易數據與收益之間的非線性關係，從而構建量化投資策略；利用深度學習具有強大擬合能力的特點，更為深刻、精確的發掘投資規律。

接著，陳燁博士分享了他們的研究成果「人工智慧與多因子模型的融合思路」：

在介紹了人工智慧主要演算法簡介後，陳燁博士重點介紹了大家感興趣的決策樹，決策樹是基於多個特徵進行分類決策，它的優點有：

訓練速度快；

可以處理非數值類的特徵；

可以實現非線形分類。

缺點是會存在對訓練樣本敏感的不穩定情況，也容易過度擬合。

最後，她分享了華泰人工智慧選股策略的構建方式、結果對比和難點思考。上個結果對比圖感受一下：

接下來登場的是通聯數據演算法工程師趙靚先生，他帶來的分享是《使用TensorFlow構建模型進行回測》。

趙靚先生的分享使用了優礦的notebook，附帶源碼，方便來賓同步克隆操作進行實戰，是本次活動的亮點。

我們直接進入正題「使用TensorFlow構建神經網路」，分為兩大部分：

使用TensorFlow基礎函數搭建神經網路模型；

使用TensorFlow高級API：Estimator搭建網路。

在使用TensorFlow基礎函數搭建神經網路模型中，他分享了構建量化策略的各個步驟的源碼，分為：數據準備、構建單層神經網路模型、模型可視化、構建多層神經網路模型和回測，下圖為策略的表現：

第二部分的分享中，主要介紹了使用TensorFlow中Estimator這個高級API進行模型構建，分為TensorFlow架構、Estimator結構、載入數據、封裝模型使用、自定義模型和回測，下圖為策略表現：

最後壓軸登場的是通聯數據量化工程師馮璽祥先生，他帶來的題目是《機器學習常見模型構建方法之優礦實踐》，同樣附帶源碼，精彩紛呈。

他主要對SKlearn進行了介紹，SKlearn包含了很多種機器學習的方式：

Classification 分類；

Regression 回歸；

Clustering 聚類；

Dimensionality reduction 數據降維；

Model Selection 模型選擇；

Preprocessing 數據預處理。

馮璽祥先生首先對SKlearn的模塊進行了介紹，一般來說，建模時分為分隔訓練集和測試（和驗證集）、數據預處理、特徵選擇、模型選擇和使用GridSearchCV進行參數尋優，並給出了分類的樣例、降維的樣例和聚類的樣例。

然後他重點介紹了SKlearn在因子合成方面的應用，分為數據準備、模型因子合成和因子測試幾個步驟，下圖為因子的凈值走勢：

他還介紹了優礦新上線的深度報告頻道，其中有許多高質量的量化報告，開放源碼，幫助機構更快將研究思路融入自身模型中。

人工智慧越來越多的應用到投資領域中，優礦作為機器智能時代的量化投資平台，支持了TensorFlow、XGBoost和SKlearn庫，同時上線深度報告頻道，不僅提供「工具」，還提供「原料」，極大提升用戶的投研效率。同時如三位嘉賓分享中提到，機器學習在量化投資中的應用還有諸多難點，還有很長的路要走，掃描下面二維碼，與優礦一道，將更多前沿技術應用到量化投資，共同尋找交易的「聖杯」。

-- the end --

優礦是由通聯數據出品，覆蓋研究、回測、模擬、實盤交易全流程的量化平台。優礦不僅擁有通聯海量的金融數據、動態豐富的策略框架，同時還通過知識庫信號庫提供持續的知識輸出，滿足用戶在研究過程中高效獲取、迅速驗證、多維度挖掘、多策略並行的迫切需求，為投資決策提供重要支持。

掃二維碼，立即預約試用！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！