机器学习系列：机器学习发展历程与量化投资的展望-220805（31页）.pdf

1、 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 Table_Info1Table_Info1 证券研究报告证券研究报告 Table_Title 证券研究报告/金融工程研究报告 机器学习发展历程与量化投资的展望机器学习发展历程与量化投资的展望-机器学习系列之一机器学习系列之一 报报告摘要：告摘要：Table_Summary 人工智能正当时人工智能正当时 人工智能是通过研究人类活动的规律，构造具有一定智能的人工系统来模拟人类的某些思维过程和智能行为，去完成以往需要人的智力才能胜任的工作。随着科技的进步与发展，人工智能技术被广泛应用于各个领域。机器学习是人工智能的一种形式，深度学习是机器

2、学习中基于神经网络发展出的类别。机器学习作为传统量化的补充与技术革新机器学习作为传统量化的补充与技术革新 一方面，机器学习使得对海量数据的分析运用成为可能，另一方面，机器学习可以捕捉传统量化中难以发现的，数据之间的潜在关系。监督学习作为一类典型的机器学习方法，从假设空间的选择以及总体优化目标与数据集优化目标的不一致性可以引出监督学习的三大问题：估计、优化与泛化。机器学习机器学习的流程与发展历程的流程与发展历程 机器学习的一般流程包括数据获取、数据处理、模型选择、模型训练、模型评估、模型调参与模型预测。从监督学习、无监督学习、概率图模型、深度学习与强化学习这五个大类对广义的机器学习发展历程进行总

3、结与回顾，对有重要意义的经典算法进行介绍。机器学习在量化机器学习在量化投资投资研究中应用广泛研究中应用广泛 在量化选股层面的应用主要分为因子端与模型端。因子端包括因子挖掘，另类因子分析挖掘，因子合成等。模型端包括模型算法的改进、创新与运用。强化学习在算法高频交易与衍生品对冲方面也有重要的应用。作为一个示例，我们对 GAT 模型进行改进，构建 ResGAT 模型对关联收益和特有收益分别挖掘，并显示出不错的历史回测效果。未来机器学习与量化投资的未来机器学习与量化投资的展望展望 数据驱动与模型驱动将互补融合。算法的不断改进或将提升机器学习在低信噪比数据上的表现。预测对象与应用场景会更多地被关注。因子

4、挖掘将更关注本身的逻辑，而非过度挖掘。同时因子库、模型库以及策略库会更加多样化。解释机器学习与市场多种状态转换下的模型适应或模型轮换可能是未来机器学习需要关注的问题。风险提示：风险提示：模型失效风险，回测基于历史数据，不代表未来表现。Table_Date 发布时间：发布时间：2022-08-05 Table_Invest Table_Report 相关报告 仓位普遍提升，消费获更高权重布局-2022年二季度权益基金季报分析-20220723 今朝不似昨朝寒-东北金工2022年中期策略报告-20220704 东北金工：行业生命周期&动态估值下的成长价值选股-20220516 东北金工双月报：资产

5、表现回顾及市场展望 -20220502 东北金工：均衡配置或为现阶段主基调-20220425 Table_Author 证券分析师证券分析师：王琦王琦 执业证书编号：S0550521100001 021 61002390 wangqi_ 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 2/31 金融工程研究金融工程研究报告报告 目目 录录 1.导言及机器学习简介导言及机器学习简介.4 1.1.人工智能正当时.4 1.2.机器学习与人工智能.4 1.3.传统量化与机器学习.5 1.4.数学解释.6 1.5.建模的一般流程.9 2.发展历程与经典算法介绍发展历程与经典算法介绍.13 2.

6、1.监督学习.13 2.2.无监督学习.15 2.3.概率图模型.16 2.4.深度学习.18 2.5.强化学习.19 3.机器学习在量化研究中的应用与示机器学习在量化研究中的应用与示例例.21 3.1.研究概述.21 3.2.应用图神经网络预测的示例.22 4.未来与展望未来与展望.26 5.参考文献参考文献.28 6.风险提示风险提示.29 NBnWbWjZ6VqQpPtM8OdN8OsQrRmOpNeRnNxPeRqQxOaQpPuNvPrNmONZsRpO 请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 3/31 金融工程研究金融工程研究报告报告 图表目录图表目录 图图 1：