大家好, 我是Lucy@FinTech社区。今天这篇文章是关于AI在量化投资中是如何应用的。欢迎大家扫描二维码，加入FinTech社区，提认知，攒人脉，求职招聘！

本文授权总结自斯坦福创新论坛线上活动（https://www.bilibili.com/video/BV1rk4y1274T） Metabit Trading 的演讲。

首先我们来看这张图：

它和标准的机器学习任务是比较类似的。当我们有了raw data，然后要进行feature engineering，知道feature之后，进入到machine learning model产生一个prediction。从前半部分raw data到prediction这一步，总共有两个不太一样的地方。

第一个不同是：training的raw data可以是任何数据。

比如价格、交易量这种市场数据，或者说是来自财务报表、分析师研报的基本面数据，甚至是新闻社交媒体这种体现交易者情绪的非结构化数据。

这方面有大量的数据清洗工作要做，并且他们必须是自动化完成的。所以像互联网行业，你可以把很多这种标签来外包来完成，但是这块必须要自动清洗，并且清洗的效果越好的话，最终体现的的盈利越多。

第二个不同的是：machine learning，model这一步的信噪比特别特别低。

你会发现所有你熟知的machine learning model针对的都是这样信噪比为1的情况。所以我们需要对模型底层算法进行一个特性的改进，来针对性地研究一个问题。

那下一步，我们有了prediction，该怎么把这个信号变成仓位呢？我们称它为portfolio construction 。这一步也非常重要，有两个原因。

第一个原因是每个股票之间是有correlation的。你可以想象说两个股票走势很像，它们的权重之和你不希望太大，或者两个股市的走势很独立很不像，你可能倾向它们是平均分配，俗称“鸡蛋不能放在一个篮子里”。

所以我们要分析correlation的结构，科学利用这个结构是可以降低风险的。

第二点很重要的原因是我们在做portfolioconstruction的时候，要考虑每次做决策股票权重和你上一次给出的权重差异不能太大。

因为差异越大就意味着你买卖进出的操作就越多。操作是有成本的，所以把交易成本的最小化考虑在其中，也是portfolio construction很重要的一项。这一块主要用到的数学工具是optimization和multi-period decision making。

因为数据量非常有限，不像做强化学习(reinforcement learning)有大量的simulation来产生数据。在这么小的数据量的情况下，你怎么能有一些知识结构的结构化模型能够把它学好？(需要深入学习)

最后有了仓位，就要考虑发出订单了。我们会用一些随机过程，优化的一些工具来模拟和市场的互动来下单。

说完了这一整个流程，我们来看看AI在不同频率上的不同侧重点。我这里分为了高中低三个频率：

对于高频来说，大家可能经常听到high frequency trading，抢的就是速度。持仓时间、决策时间就是微秒甚至纳秒到分钟级别的，交易快就非常非常重要。所以有一个好的交易系统，也就是 trading infrastructure特别重要！

因为速度快，所以需要的模型就非常简单，跟不上的话什么都白搭。它叫做高频交易， 这个特点就会让它更像是一个硬件设计公司，很硬核。

而且一般来说都是做自营交易，也就是用自己的钱交易。因为市场上太小了，可能就几个亿，也不需要募资。

在中频领域，速度要求没那么高了，那么我们终于可以上大规模运算量的这种特别复杂的模型了。

此时算法就变成得特别重要。而且这么复杂的算法，它对于research infrastructure的需求就很大，并且数据量相比高频就小很多。

所以过拟合就成了一个很大的问题。它是算法的第一位重要的一个特性。所以它更像一个算法科技公司，算法是核心。

并且中频策略一般也是自营，因为它兼具收益稳定和容量大的一个平衡。而我们公司最擅长的其实也是中频和高频，因为他们也是machine learning能利用的比较多的地方。

对于低频而言，因为它时间特别长，时间长了以后买卖操作就可以慢慢来，所以容量就变得非常非常大，容量大了对资金的需求就很大。因此，募资就是编程低频策略的重中之重了。

但另一方面，持仓时间长，容量大，坏处就是样本点太少，所以需要非常严谨的统计分析。总体来讲低频策略擅长的公司往往是资产管理公司，他有很强的金融属性。

从盈利的角度来给大家一个直观的感觉：

• 高频策略，基本上大概率是每天都在赚钱的。

• 中频策略，大概一周或者一个月也可能是赚钱的。

• 低频策略，一年一年来看，是以年为单位赚钱的。

最后，关于AI 在量化投资是如何应用，大家有其他问题想了解的话，可以添加微信：fintech78，加入FinTech 社区的机器学习小组一起讨论交流。