20180416-安信证券-机器学习与量化投资_避不开的那些事（4）_17页_1mb

2018年04月16日 机器学习与量化投资总结

核心内容

本报告围绕机器学习在量化投资中的应用展开，重点讨论了波动率预测、策略失效判断、机器学习与主观交易的差异，以及机器学习在量化投资中的机遇与挑战。

主要观点

1. 波动率预测

• 波动率的重要性：波动率预测对于量化策略的仓位分配至关重要，且与大多数策略的盈利高度相关。
• 预测方法对比：
  • 传统方法包括移动平均、ARCH/GARCH模型等。
  • 监督式学习在预测日内波动率方面表现优于简单移动平均。
• 预测效果：监督式学习预测的R方为37.13%，高于简单移动平均的34.42%，说明其预测能力更强。
• 数据表现：2017年中国市场波动率处于历史最低位，波动率具有聚集效应，传统模型更符合这一特性。
• 预测曲线：图4和图5展示了预测值与实际值的对比，图6则显示了两者之间的差值，整体预测效果良好，但在股灾期间可能不够准确。

2. 判断机器学习策略失效

• 数据依赖性强：机器学习对数据依赖更强，因此对未来市场结构变化更为敏感。
• 失效判断方法：
  • 通过计算预测值与实际值之间的IC（信息系数）来判断策略是否失效。
  • 如果IC不显著，则说明策略可能已经失效。
• 实例分析：图8展示了滚动IC值，2016年7月至8月期间IC显著下降，表明策略失效。

3. 机器学习在量化投资中的杂谈

• 计算力需求：
  • Apache Spark和Hadoop是主流的大数据处理框架。
  • 对冲基金可以考虑使用云服务，如AWS或阿里云，其成本并不高。
  • 对于数据量较小的策略，使用这些框架并无必要。
• 交易系统整合：
  • 交易系统和信号产生端可以分开处理，采用Client-Server架构进行通信。
• 机器学习与主观交易：
  • 两者在决策机理、数据依赖、推理能力和处理非结构化数据方面存在显著差异。
  • 人类决策具有模糊性但稳定性高，机器学习决策准确但脆弱。
  • 非结构化数据（如图片、语音、社交数据）的处理是机器学习的难点。

4. 机器学习在量化投资的机遇与挑战

• 数据：
  • 市场数据是结构化的，但非结构化数据（如舆情、图片、语音）在金融领域仍有巨大潜力。
  • 大数据的三大特点：全体性、混杂性、相关性。
• 算法与计算力：
  • 算法和计算力是机器学习的核心矛盾。
  • TPU、TensorRT3等硬件加速技术正在推动计算能力提升。
  • 未来量子计算机的发展可能会进一步改变计算力格局。
• 用户/投资者：
  • 机器学习可以用于用户风险偏好分析、客户流失预警、投资建议优化等。
• 对冲基金架构：
  • 机器学习对冲基金可以分为数据工程师、机器学习平台工程师、数据科学家/量化研究员、交易系统工程师和算法交易工程师。
  • 强调工程师文化，以解决问题为导向，重视实际效果而非理论正确性。

关键信息

• 波动率预测：监督式学习在预测日内波动率方面优于传统方法。
• 策略失效判断：通过计算预测值与实际值之间的IC来判断策略是否失效。
• 计算力：Apache Spark和Hadoop是主流大数据处理工具，云服务成本低，适合对冲基金使用。
• 非结构化数据：机器学习在处理非结构化数据方面存在较大困难。
• 工程师文化：强调以解决问题为导向，重视实际效果。
• Two Sigma案例：强调开源与技术驱动，是机器学习对冲基金的代表。

风险提示

• 波动率预测和策略失效判断是基于历史数据，无法保证对未来有效。
• 杂谈内容基于当前技术，技术进步可能导致部分观点不再适用。

相关报告

• 安信金工黑科技原理揭秘之一：周期分析理论（2018-04-15）
• 大市与行业研判：风险尚可控，结构先均衡后或再偏中小创（2018-04-15）
• FOF和资产配置周报：个人税收递延养老保险试点通知发布，养老目标基金开始申报（2018-04-15）
• FOF和资产配置周报：广发中证京津冀ETF联接开始募集（2018-04-08）
• FOF和资产配置周报：中融量化精选FOF下周开始募集，4月维持超配债券（2018-04-02）

作者声明

• 杨勇、周裘声明具有证券投资咨询执业资格，保证报告内容合法合规、专业审慎。
• 报告内容仅供参考，不构成投资建议，投资者需自行判断。

免责声明

• 本报告基于公开资料撰写，不保证信息的完整性、准确性。
• 报告内容可能随时间变化而更新，但不保证及时发布。
• 安信证券对报告内容具有最终解释权。