A股天机

欢迎来到我的金融界博客

博文 字体:

量化交易与机器学习第六十七篇

  [2019-10-14 15:49:23] 

上周我们讨论交易的博弈问题,本周我们来继续讨论。

1,先说问题

武当山上,殷素素在张翠山自刎后也随即自杀,临死前嘱咐儿子张无忌“千万不要相信漂亮的女人。越是漂亮的女人,越会骗人。”在量化投资中,回测就是这样一个漂亮的女人。

对于给定样本长度,只要尝试足够多的参数配置,总能达到想要的风险收益特性。

众所周知,金融数据中的信噪比很低。当我们在回测中尝试了大量的参数时、或是在选股时测试了大量的因子后,找出来效果最好的一组参数或者一个因子总能获得非常不错的效果。但这大概率是因为它们仅仅是对回测期内的噪音精准建模了。

当我们乐此不疲的测试不同的参数组合或者尝试不同的因子时,其实只是在做一件事 —— 过拟合。最终被挑出来的往往是过拟合带来策略。回测中过拟合的直接结果就是无法准确评价策略在样本外的效果。如果过拟合非常严重,即策略本身就是针对噪音构建的,那么它可能在实盘中是完全失效的、等待它的只有亏损。

策略的提出往往经过回测、模拟盘、实盘三个阶段。回测中,越美丽的回测,越会骗人。

2,再说实践

交易有一个很重要的命题是,如何跑赢大盘?

我们总结下来存在以下几个方面:

1,选股能力,其中包括技术面选股、基本面选股

  技术面选股太长常见了,选股公司可以选出符合技术条件的股票,但是会发现,里面的股票有的会涨,有的会跌。这里就涉及基本面的东西,一方面是上市公司管理人员的治理能力,第二方面是当下行业处于上升、衰退的那个周期。第三方面是政策这种外力的作用。

2.多周期的择时交易能力。

这个不用过多解释了,就是缠论的多级别分析。

3.   执行优化能力。

   很多时候方法是死的,人是活的,许多人都学过缠论,实际交易起来千差万别,归根结底是没有活学活用。

  人类更擅长优化线性模型,把几个条件叠加起来就想达到一定的效果,往往加入一个条件就会引入新的分类,一个条件可以把市场一分为二,两个条件可以分为四个,依次类推。实际上分类可以用非线性的方式,非线性的东西非常难理解,大家很难调参,而线性模型调参是很容易的一件事情。我们对一个非线性模型进行优化,可能要花一两周以上的时间,使用AI算法之后,就可以做到一个最新的结果。

3总结

在机器学习的路上,我们最关键的一步是及时识别了过拟合,没有在深度学习上过多分析,及时调整到非完全信息的博弈理论中来。

人工智能量化研究的体系其实和传统量化策略研究是没有差别的。人工智能并不是给我们一种全新的方式,像黑盒子一样扔进去就能得到结果。它还是在原有的理论框架下运行,只是解决细节问题的时候使用AI替代人类进行优化。每一步都在我们的预期范围之内。

其次使用人工智能进行研究需要有非常强大的IT系统,它不像做一个交易的接口那么简单,它所需要的技术能力范围要广很多。做AI研究的公司需要提供非常强大稳定的服务器集群,高性能的显卡以及一切成熟的配套软件设施。而这些问题通过以学生是身份,申请超算中心的资源来解决。

  最后,一个非过拟合的策略,应该是多个品种有效的,其次收益曲线应该是沿着45度的方向进行的。
微信朋友圈 生成长微博
阅读(112)收藏(0)
网友评论 已有0条评论
500/500

个人资料

博客等级:10

博客积分:33480

总访问量:108100

文章总数:832

实盘直播

网站导航| 关于金融界| 广告服务| 产品与服务| 合作伙伴| 法律声明| 人员招聘| 征稿启事| 意见征集| 联系我们| About Us

Copyright © JRJ.COM Inc. All Rights Reserved. 版权声明