Al时代，我们在金融投资方面做了这些尝试…
金融科技的到来，不仅代表着技术上的飞跃，更是对金
融服务模式的颠覆和创新。
随着 AI 的发展和普及， 量化交易 也步入了智能交易的新高度。金融投资的核心在于追求收益， 而人工智能的分析和预测能力恰如其分地满足了投资的要 求。让我们就AI在金融投资方面的应用进行设想：▲证券长 短期价格区间的预测▲量化策略模型的研发（高 /低频）▲证
券的择股和择时的优化▲大类资产的配置▲证券投资组合的 优化▲证券风险特征识别
机器学习分为浅层机器学习和深度学习，传统的浅层学习中
决策树、素贝叶斯、支持向量机和浅层神经网络等等也都
决策树、
素贝叶斯、支持向量机和浅层神经网络等等也都
是金融工程中常用的一些方法。作为金融科技的开拓者，恒 生研究院就人工智能在量化交易领域进行了一系列的创新 尝试。
>>基于小波神经网络对时间序列进行预测人工智能有监
督机器学习的模式中，有两大类学习模型： 分类和回归预测，
督机器学习的模式中，
有两大类学习模型： 分类和回归预测，
而在金融投资或者说量化交易中，对于时间序列的预测最为 直观。
小波分析是指通过高低频通道来将时序数据分解为高频部 分和低频部分， 进行多尺度细化分析， 目前对于时序 /频域的预测已经取得了一些有意义的成果。将小波分析和神经网络
结合起来，构建小波神经网络（ Wavelet Neural Network
WNN ），可以对时序数据进行预测分析。
WNN 是将神经网 络隐节点的激活函数由小波函数来替代，相应的输入层到隐 含层的权值及隐含层的阈值分别由小波函数的尺度伸缩因 子和时间平移因子所代替，这是应用最广泛的紧致型结合。
如下图所示我们用小波神经网络做的 HS300 的预测，使用
2010.1~2015.8 沪深 300 指数的日行情数据进行模型训练， 使用 2015.9~2016.8 的日行情数据进行测试验证。
有监督的 学习要取得较好的应用效果，其和机器学习的训练过程直接 相关。这一过程中还是要投资者较深地介入数据的预处理， 进行培训数据样本的特征标签标定或对训练规则给出方向 性指引。通常量化交易的团队资源要更深入地去发掘更好的 特征。因此，人工设计样本特征，不是一个容易的可扩展的 途径。上面我们判别市场短期走势的案例中，所定义的特征 是否合适？我们也比较难评判，也许会有更好的特征可以刻 画证券市场的走势。
>>让机器学习帮我们找到合适的量化策略 市场千变万化，很难找到合适的特征去进行机器学习，那么 是否我们能通过机器学习的方法去寻找合适的量化策略，替
代自己总结的方式呢？
技术指指标千差万别，股票市场价、量、时、空的数据也是海
技术指
指标千差万别，股票市场价、量、时、空的数据也是海
量的，在这样庞大的数据基础上，寻找和优化量化技术指标
也是比较困难的。基于进化理论的遗传算法可以较好地针对 预定问题，用解决全局最优解的方式寻找性能瓶颈，在对传 统技术指标因子和基本面因子进行交易信号的整合上，也可 以发挥很好的作用。通过遗传算法可以获得在训练集上较好 表现的量化技术模型，虽然遗传算法得到的是类似黑箱的量 化技术模型，但模型背后隐含着关于时间序列的深刻的数学 含义。上面这个就是机器通过遗传规划的方法，寻找出来的 模型。训练集我们采用了 2006~2010 的数据——深 100ETF ，
通过机器训练， 系统能够找到胜率在 70% 、盈亏比接近 6 的策略，策略的年化夏普率超过了1.5。为了考察策略的泛化能力，我们采用2014.1~2016.8
策略，策略的年化夏普率超过了
1.5。
为了考察策略的泛化能力，我们采用
2014.1~2016.8
的深
100ETF 数据进行测试验证。
下图是在 2014~2016 的测试集
的效果，发现测试能力还是具备一定的可验证性。在测试 为了进一步考察模型的泛化能力，我们使用 50ETF 的数据 进行验证， 50 和深 100 在走势上还是有较大的差异的。
集上的年化夏普率甚至超过了2
集上的年化夏普率甚至超过了
2。
面是 50ETF 的测试效果，虽然比 100ETF 要差，但还是 可以接受的一种模型。
后续，我们希望将“遗传算法在量化技术指标的优化”这一应 用成果形成智能策略服务平台，为广大投资者提供适合自己 投资风格的量化技术模型。
>>从图像中识别证券发展趋势
图形属于非结构化数据，传统的金融工程很难运用非结构数 据。利用图像识别的方法，将图形数据应用于 CNN 学习网 络是否是一个可行的量化分析方法？盘感好的高手可以通 过看 K 线图， 用较难量化的模糊模式识别出证券未来的走势 可能。
围棋为什么难？因为它需要人类通过直观判断盘面而进行 行动，和投资者根据 K 线图进行投资行为很相像。那么，是
否也可以通过 CNN 的方法，让机器自己从这张图中提取出 的 13768 个日 K 线数据，生成 120 根 K 线加 20 、60 、120 、
有用的特征？为此，我们应用了标普500
有用的特征？为此，我们应用了标普
500 从 1962 年到现在
240 的均线，和成交量的 1366 张图片以及 20 根 K 加各均线 的 6000 多张图片，对 CNN 进行训练。最终， 120 天 K 线 数据图片识别未来 10 日收益率的 10 分类胜率只有 30% 左 右，20 天较短周期的 K 线图识别胜率在 40% 左右。虽然 top5
的胜率是接近 95%了，但如果简单做成 2 分类，目前看没有 比传统的金融工程方法更优，或许几千张图片对于深度学习 来说数据量也还是欠缺。心得：那些在机器学习训练中的技
人工智能应用于预测和分类中最棘手的问题就是对于历史 数据的“过拟合”。“过拟合”的表现是模型在训练集上表现得非 常好，但在不同于训练集的测试数据上则表现较差。如果把 模型在训练集和测试集上的模型精度画一个图，会发现随着 模型训练的迭代，在训练集上的精度会不断提高，但在测试 集上的精度是先逐渐提高，后来却随着训练的进展而不断下 降。
▲解决模型训练的过拟合，首先就是 early stopping ，即在每
个 epoch 结束时计算测试集的模型精度， 当精度不再提高 时，就停止训练。这是很自然的做法，因为精度不再提高， 训练下去也没用； ▲其次是数据的扩充，避免过拟合最根本的还是需要海量的 训练数据，数据能够覆盖各种各样的场景。并通过随机洗牌 来减少数据之间的自相关性。当然海量数据本身的获取和特 征化提取，也是一个非常困难的事情； ▲再者是模型连接和惩罚项参数的调整，如正则化和 Drop
Out/Drop Connect ，这两者其实本质上是简化深度神经网络 模型的复杂程度，为使模型具备一定的稀疏性，刻意地将代 价函数加上惩罚项，以及减少深度神经网络模型的连接。通 过简化机器学习的模型，的确可以避免模型过分依赖于训练 集上的数据表现； ▲最后则是学习速率和梯度下降参数。关于梯度下降，这方 面有 Momentum 、NAG 、AdaGrad 等各种优化模型，实践
另外， 怎么粗中基本采用 Mini-Batch 的随机梯度下降方法。
另外， 怎么粗
略地确定一个比较好的学习速率呢？好像也只能通过尝试。
可以先把学习速率设置为较小值，然后观察
training cost 的走向，如果 cost 在减小， 那你可以逐步地调大学习速率， 如 果 cost 在增大，那就得减小学习速率。经过一番尝试之后， 可以大概确定学习速率的合适值。通常在训练时可以采用变 学习速率的方式，即在训练的初期采用较大的学习速率，随 着训练的迭代，模型的精度提高则逐渐减少学习速率。
恒生的使命就是“让金融变简单”，我们也会在高频交易等方 面不断进行尝试， 实现“投资者人人享有自己的量化交易模型” 的梦想，助力恒生搭建智能策略服务的 PaaS 平台！
