无标题

01

量化投资机构布局人工智能

2016年以来，AlphaGo使人工智能成为了科技领域最热的话题。实际上，近年来人工智能发展迅速，在图像和语音识别、自然语言处理、无人驾驶、专家系统等领域都取得了突破性进展。科技公司纷纷在人工智能领域加大投入并且获得了不菲的回报。

与此同时，海内外的对冲基金也开始在人工智能上进行布局。

高盛在2014年年底向Kensho投资了1500万美元以支持该公司的智能化数据分析平台，目前该平台已经运作于高盛内部。该平台具有高效的分析能力，可以把长达几天的传统投资分析周期缩短到几分钟。同时，该平台具有强大的学习能力，可以根据各类不同的问题积累经验，完成自我更新。

桥水基金从2013年开始建立人工智能团队，基于历史数据与统计概率建立起交易算法，让系统能够自动学习市场变化并适应新的信息。

2017年5月，微软的人工智能首席科学家邓力加入Citadel，担任首席人工智能官，在人工智能领域和量化投资领域都吸引了大量的目光。

近年来，知名的对冲基金，如文艺复兴科技公司和Two Sigma也在扩充自己的人工智能团队。

除此之外，近年来也有一些新兴的专注人工智能交易的对冲基金。总部位于纽约的Rebellion Research公司推出了第一个纯人工智能投资基金，这一基金在全球44个国家股票、债券、大宗商品和外汇上进行交易。此外，比较有名的专注于人工智能交易的机构还有总部位于香港的Aidyia，旧金山的Sentient Technologies，伦敦的Castilium和CommEq，日本的Alpaca等等。其中，Alpaca和Sentient的核心算法是深度学习，CommEq的投资方法结合了定量模型与自然语言处理技术。

人工智能已经成为了量化投资的新竞技场。

02

人工智能投资研究框架 

广发金融工程人工智能投资策略的研究框架如图1所示。该框架主要可以分为两大部分：1）通过人工智能方法获取和利用大数据；2）采用人工智能方法进行预测和优化，建立性能更优的交易模型。

在人工智能另类数据获取上，借助网络爬虫、自然语言处理、图像识别等技术，可以获取大量的另类信息。经过适当的处理，可以从这些另类数据中获取知识，指导投资决策。

 在人工智能交易策略构建上，采用人工智能算法从海量的数据中学习知识、发现事件之间的关联和规律、构建性能更好的预测模型。人工智能方法可以帮助我们进行选股、择时、交易信号优化和交易策略优化等。

03

基于人工智能的交易策略介绍  

我们从选股、择时、交易信号优化、交易策略优化四个方面分别选取有代表性的策略进行说明。

（一）选股策略   

 多因子选股采用一系列的因子作为选股标准，筛选能够产生超额收益的股票构建组合。

《深度学习新进展：Alpha因子的再挖掘》中，广发金工团队用传统的选股因子、价量技术指标和行业等属性来刻画股票的特征，通过深度学习方法建立预测模型，对股票未来一个月的走势进行预测并打分。

       

通过筛选深度学习打分较高的股票，可以建立能够产生超额收益的股票组合。用中证500指数对冲时，对冲策略的表现如下图所示。从2011年以来（样本外），策略的年化收益率为20.3%，最大回撤为-4.77%，月度胜率为88.0%

。

（二）择时策略       

人工智能方法可以用于市场择时。《探寻西蒙斯投资之道：基于HMM的周择时策略研究》中提出了一种用隐马尔科夫模型（HMM）进行市场择时的策略。策略的主要流程如下：

首先，按照事先分类，选取历史上属于同类走势的日期以及该日期之前若干个星期的股票数据，提取股票数据中某些特征指标（成交价格，成交量，等等）形成相应的序列作为模型的输入，对不同类别的市场数据分别建立HMM模型。

 其次，获取当前市场的最新数据，分别运用前向后向算法对各类市场环境下的HMM模型进行似然估计，得到最大概率的模型输出，即判断当前市场最有可能是牛市或者是熊市。

（三）交易信号优化    

 通过人工智能方法，我们可以对交易信号进行优化，获得盈利概率较大的交易信号。

《趋势策略的深度学习增强》报告采用循环神经网络预测每个交易信号的趋势跟踪盈利概率，并过滤盈利概率较小的交易机会，如下图所示。

交易策略在样本外（2014年1月以来）取得了18.47%的年化收益率，最大回撤-8.63%。由于盈利概率小的交易机会被舍弃，策略的单笔交易的平均收益率达到0.17%。累计收益如下图红色曲线所示。作为对照策略，如果我们在盈利概率小的时候进行交易，则一般不能获得收益（绿色曲线所示）。

（四）交易策略的优化

通过遗传规划等优化方法，我们可以对交易策略进行优化，从而获得性能最优的交易策略。在《另类交易策略系列之九：基于遗传规划的智能交易策略方法》中，广发金工提出了一种智能交易策略方法。

在该策略中，每个策略被视为一个个体。对于初始的策略集合，我们通过给定的适应度函数来评价不同策略的表现，进而通过遗传算子来筛选性能较好的策略，并产生新的策略。如此反复迭代，直到获得最优的策略。

该方法的主要流程如下：

1）生成由不同策略构成的初始群体；2）计算群体中每个策略的适应度；3）筛选群体中性能较好的策略作为父代策略；4）通过遗传算子，由父代策略产生新的策略；5）众多新的策略构成新的群体，跳到第2步继续进行策略优选，直到产生满足优化目标的最优策略。

04

基于人工智能的另类数据研究 

在另类数据挖掘与研究方面，广发金工建立了完善的数据抓取平台以及对互联网大数据各个数据维度的研究视角。

数据抓取平台的搭建是另类数据研究的基础工作，通过下图所示的爬虫，我们可以从热门网站抓取最新信息。

广发金工研究了多个维度的互联网数据，比如从公告、财报角度研究的报告《公告披露背后隐藏的投资机会——互联网大数据挖掘系列专题之（二）》等；从股吧、社交角度研究的报告《倾听股吧之声，洞察大盘趋势——互联网大数据挖掘系列专题之（三）》等；以及从网络媒体角度分析的报告《基于互联网挖掘的热点选股策略——互联网大数据挖掘系列专题之（五）》、《基于大数据挖掘的关联个股投资机会——互联网大数据挖掘系列专题之（六）》、《基于大数据挖的Smart Beta策略——互联网大数据挖掘系列专题之（七）》、《多维数据下的大数据择时策略研究——互联网大数据挖掘系列专题之（八）》、《基于大数据挖掘的概念轮动策略-互联网大数据挖掘系列专题之（九）》、《基于大数据挖掘的行业轮动策略-互联网大数据挖掘系列专题之（十）》等。

基于对大数据的研究积累，广发金工也开发了一系列的互联网挖掘小工具，包括上市公司公告抓取、研究报告抓取、搜索量抓取、关注度抓取等小工具。

风险提示：       

策略模型并非百分百有效，市场结构及交易行为的改变以及类似交易参与者的增多有可能使得策略失效。

－ END －

（来源于广发金融工程研究；编辑 | 对冲研投）

特别声明：千际指数除发布金融市场行情评述、行业要点解读等原创文章外，亦致力于优秀财经文章的交流分享。部分文章推送时若未能及时与原作者取得联系并涉及版权问题，请及时联系删除，内容为作者个人观点，并不代表本公众号的观点或证实其真实性，也不构成其他投资建议，仅提供交流平台。