量化交易与机器学习第六十七篇
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。http://i5.jrjimg.cn/201910/14/blog_attach/blog_attach_15710393514451.jpg
页:
[1]