量化投資-用機(jī)器學(xué)習(xí)尋找Alpha

用機(jī)器尋找Alphaxinhua.sun@目錄量化投資的基本概念什么是Alpha?機(jī)器學(xué)習(xí)在資產(chǎn)管理中應(yīng)用SignalWeightingLasso/Ridge

Regression

vs.

OLSAdaBoost量化投資定性投資和量化投資在投資理念上沒(méi)有本質(zhì)上的區(qū)別，只是投資方法不同定性投資：偏藝術(shù)深入研究少而精定量投資：偏科學(xué)發(fā)掘市場(chǎng)規(guī)律廣度用統(tǒng)計(jì)規(guī)律和數(shù)學(xué)模型來(lái)指導(dǎo)投資，本質(zhì)是定性投資的數(shù)量化實(shí)踐對(duì)沖基金常用量化策略常用的量化策略收斂性套利市場(chǎng)中性Alpha事件驅(qū)動(dòng)統(tǒng)計(jì)套利多空策略CTA風(fēng)險(xiǎn)+Alpha假設(shè)任何有價(jià)證券的超額收益都來(lái)自于以下模型:r=a+brb那么 ra=r–rb=a+brb-rb=a-(1-b)rb其中

a=主動(dòng)收益的選股部分 (b-1)rb=主動(dòng)收益的基準(zhǔn)擇時(shí)部分Alpha的解釋Alpha(a)指的是投資回報(bào)中來(lái)自投資經(jīng)理選股的一部分，而不是來(lái)自于基準(zhǔn)表現(xiàn)Alpha也指“剩余收益”如果我們規(guī)定b=1,則禁止標(biāo)的指數(shù)擇時(shí)，Alpha就是主動(dòng)收益（傳統(tǒng)做多投資目標(biāo)）如果將基準(zhǔn)設(shè)定等于某一計(jì)價(jià)單位（例如：美元），那么alpha=主動(dòng)回報(bào)=超額收益和投資經(jīng)理資產(chǎn)配置（對(duì)沖基金投資目標(biāo)）市場(chǎng)中性Alpha國(guó)內(nèi)常用的市場(chǎng)中性策略做法：構(gòu)建一個(gè)股票組合(多因子模型)放空一個(gè)指數(shù)（滬深300，中證500……）風(fēng)險(xiǎn)收益來(lái)源于股票組合相對(duì)于指數(shù)的表現(xiàn)，與指數(shù)本身的表現(xiàn)無(wú)關(guān)多因子模型A股市場(chǎng)由于散戶(hù)的參與量大，價(jià)格與價(jià)值往往偏差較大，因此A股市場(chǎng)非常適合運(yùn)用多因子模型來(lái)挖掘股票投資的價(jià)值股票因子定價(jià)模型單個(gè)因子分析因子之間的優(yōu)化依據(jù)國(guó)外學(xué)術(shù)界和業(yè)界多年研究發(fā)明的股票定價(jià)多因子模型已經(jīng)在海外市場(chǎng)被廣泛應(yīng)用并得到充分驗(yàn)證A股市場(chǎng)非常適合運(yùn)用多因子模型來(lái)挖掘股票投資價(jià)值以基本面為導(dǎo)向的估值因子以技術(shù)分析為導(dǎo)向的股票走勢(shì)技術(shù)因子以及其他風(fēng)格因子綜合多維度因子：綜合考量單因子貢獻(xiàn)度，以及因子之間的相關(guān)性/互補(bǔ)性常見(jiàn)因子池基本面市凈率市盈率企業(yè)估值倍數(shù)企業(yè)負(fù)債率等等技術(shù)動(dòng)量趨勢(shì)價(jià)格反轉(zhuǎn)流動(dòng)性波動(dòng)率等等其他風(fēng)格規(guī)模成長(zhǎng)分析師等等機(jī)器學(xué)習(xí)基于數(shù)據(jù)構(gòu)建概率統(tǒng)計(jì)模型并運(yùn)用模型對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)與分析的一門(mén)學(xué)科，也稱(chēng)為統(tǒng)計(jì)機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)在投資中的應(yīng)用信息處理公告閱讀關(guān)聯(lián)關(guān)系主題發(fā)現(xiàn)情感分析策略研究事件研究動(dòng)態(tài)多因子財(cái)富管理機(jī)器人理財(cái)資產(chǎn)配置機(jī)器學(xué)習(xí)&策略研究尋找新的因子探索新的數(shù)據(jù)源（特別是信噪比高的數(shù)據(jù)）因子配權(quán)Signal

Weighting固定權(quán)重經(jīng)驗(yàn)和主觀偏好穩(wěn)定，對(duì)極端值不敏感抓不住短期風(fēng)格變化動(dòng)態(tài)多因子對(duì)于短期風(fēng)格變化敏感對(duì)于極端值敏感SignalWeighting假設(shè)我們已經(jīng)有了多個(gè)不同風(fēng)格因子的集合，如何確定因子在模型中的權(quán)重（因子收益率）固定權(quán)重根據(jù)經(jīng)驗(yàn)Grinold(2010)OLS&Lasso&RidgeRegressionAdaBoostSVMRandomForest…OLS&Lasso&RidgeRegression

OLS的問(wèn)題

RidgeRegression&Lasso

Model

selection

in

LassoLasso算出來(lái)的w很多項(xiàng)是0參數(shù)估計(jì)和選擇一并完成AdaBoost簡(jiǎn)介監(jiān)督學(xué)習(xí)、分類(lèi)問(wèn)題弱分類(lèi)器比強(qiáng)分類(lèi)器容易Boosting方法從弱學(xué)習(xí)算法出發(fā)，反復(fù)學(xué)習(xí)，得到一系列弱分類(lèi)器，然后組合這些弱分類(lèi)器，構(gòu)成一個(gè)強(qiáng)分類(lèi)器WhyAdaBoost模型機(jī)制與原理清晰模型參數(shù)少，參數(shù)敏感度低每一輪如何改變訓(xùn)練數(shù)據(jù)的權(quán)值或概率分布如何將弱分類(lèi)器組合成一個(gè)強(qiáng)分類(lèi)器AdaBoost算法流程訓(xùn)練樣本弱分類(lèi)器權(quán)重調(diào)整強(qiáng)分類(lèi)器因子數(shù)據(jù)標(biāo)準(zhǔn)化按收益率區(qū)分強(qiáng)勢(shì)弱勢(shì)股權(quán)重初始化為等權(quán)重計(jì)算因子區(qū)分度選擇區(qū)分度最優(yōu)的因子降低分類(lèi)正確的股票權(quán)重提高分類(lèi)正確的股票權(quán)重合并所有的弱分類(lèi)器示例來(lái)源：淺談AdaBoost算法細(xì)節(jié)處理

AdaBoost動(dòng)態(tài)多因子算法流程風(fēng)格可測(cè)性回測(cè)結(jié)果參考資料[1]李航.《統(tǒng)計(jì)學(xué)習(xí)方法》2012.3[2]興業(yè)證券