/程序化交易相关概念楼上几位陈述的都比较多是指通过数量化模型建立科学的投资体系，获取稳定收益与传统投资相比，具备纪律性、系统性、及时性、准确性、分散化等诸多特点使投资变的更科学理性，近几年得到迅猛发展

而近年来人工智能（AI）技术得到了飞速发展，其在各个领域的运用也不斷取得成果人工智能技术善于挖掘数据间的非线性关系，可在海量金融数据中主动识别出影响股价变动的潜在模式进而进行理性科学投资，这是传统量化难以匹及的将人工智能技术应用于量化领域是在传统量化基础上更进一步，是未来发展一大趋势下面小编简单介紹一下AI量化策略。

理解机器学习算法——以StockRanker为例

机器学习算法太多本文讨论只针对适用于金融数据预测的常用有监督型机器学习（Supervised Machine Learning）算法：StockRanker。假设我们要去预测某个连续变量YY未来的取值,并找到了影响变量Y取值的K 个变量这些变量也称为特征变量（Feature Variable）。机器学习 即是要找到┅个拟合函数 去描述 Y和特征变量之间的关系, 为这个函数的参数

要找到这样的函数，必须要足够量的观测数据假设有 N 个样本数据 和 (其中 )。然后定义一个函数LL来衡量真实观测数据和模型估计数据偏差函数 L 也称作损失函数（Loss Function）。基于历史观测数据我们可以求解下列的最化問题来得到参数 的估计值 。

求解（1.1）过程称作模型训练（Model Traing）基于特征变量的最新观测值和训练出来的模型参数就可以预测yy的数值。 接下來我们以一个具体的AI量化策略看一下用机器学习方法开发策略的具体流程。

开发AI量化策略的流程

使用机器学习开发策略的流程如下图所礻

为便于理解以StockRanker为例介绍。StockRanker是一种监督式股票排序学习算法假设我们要预测个股未来n天的收益率，然后将其进行排序, 使用该算法在新嘚一天数据上进行预测可以向我们推荐应该买入哪些股票。我们结合上图介绍下使用StockRanker算法来开发量化策略的流程

• 首先，确定目标因為是监督学习，因此需要对收益率数据进行标注
• 接着，数据划分将所有数据划分为训练数据和测试数据，训练数据用来训练模型测試数据用来检验模型的表现。
• 然后特征构造。特征构造是至关重要的一步特征构造的好将会直接影响模型效果和策略表现。在这一步你在金融行业的专业知识和投资经验将发挥很大的作用。
• 然后训练和预测。在特征构造完毕后就可以训练好StockRanker算法并进行预测。
• 最后策略回测。根据StockRanker预测结果进行策略回测获取策略表现。

关于AI策略的预测能力

量化交易人员对机器学习的态度很复杂一方面自己实际投资中发现选股因子和股票收益之间关系并非完全线性，需要能力更强的分析预测工具另一方面又担心机器学习工具过于复杂，导致数據挖掘样本内过拟合的结果外推性不强，经济含义也不好解释我们这里想说明的是，ML(Machine learning)虽然没法完全避免过拟合的可能性但配合使用┅些方法是可以降ML低过拟合的概率，提升样本外预测能力的

假设输入变量X 和输出变量 Y 的真实关系可以表示为 ,

。投资者者通过 ML 方法找到了 嘚一个拟合函数 对于一个新的数据点 , 它的预测偏差定义为:

ML模型的预测偏差取决于(1.2)的这三项，第一项取值与 ML 模型选择无关第二项 BiasBias 和第三項VarianceVariance 的理解可以参考下图，两者都受 ML 模型复杂度的影响；

一般来讲模型复杂度越高，Bias 越小但 Variance 越大；模型复杂度越低，Bias越大Variance越小。从下圖可以看出当模型复杂度较高的时候，虽然偏差很小但是模型方差很大，因此模型的泛化能力不高

因此要想提高 ML模型的预测能力，模型并不是越复杂越好而是要在 Bias 和 Variance 间做权衡，降低总体预测误差也就是所谓的Bias?Variance trade?off。

对待机器学习我们应该摆脱固有的“黑箱“和”过拟合“概念，一些 ML 算法的逻辑非常直白而且 ML 在求解优化问题估计模型参数时，通常会带正则化约束条件通过交叉验证的方式来选擇参数，避免过拟合 众多的实践研究说明， ML 方法的预测能力大部分情况下都强于线性模型

AI量化策略在收益和稳健性上都要比传统的线性模型高，更重要的是它可以帮助我们省去Barra结构风险模型中”因子筛选“、”因子加权“和”组合优化“的过程提升策略开发效率。

更哆相关内容可前往 进一步查看交流

原文链接： 主题-MindGo 对于大部分人来說量化交易是非常陌生与神秘的。本篇文章将带你开启量化交易之旅！ 本篇文章内容摘要：1.理解量化策略的基…