Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >半鞅的『机器学习』世界

半鞅的『机器学习』世界

作者头像
量化投资与机器学习微信公众号
发布于 2025-01-10 02:21:08
发布于 2025-01-10 02:21:08
1780
举报

何为半鞅?

一个定义在带域流的概率空间的实值随机过程 被称为半鞅。

用更加通俗易懂的话来说就是:金融定价理论中的布朗运动和莱维过程都是半鞅,半鞅是最大的无套利随机过程,超过半鞅以外将存在套利的空间。

很多量化私募会以数理概念或定义来命名自己,半鞅私募基金(以下简称“半鞅”)就是其中之一。半鞅希望通过量化技术获得市场中的套利机会,推动金融市场不断逼进半鞅。

早在2017年,半鞅就开始探索机器学习在金融领域的应用,成为国内最早一批将这一前沿技术引入量化投资的团队之一。

半鞅在创立之初,其主要集中于技术积累与研究工作,因此并未立即注册备案,而是花费了近两年的时间构建独特的底层技术架构和投资逻辑框架,这种与传统机构完全不同的路径使得半鞅能够专注于技术的创新。加上多策略分散化的策略理念,使得半鞅在过去几年中,即使在市场波动较大的情况下,也依然保持了平稳的业绩表现。

近日,量化投资与机器学习公众号(QIML)采访了半鞅的投资总监王芹女士,我们将通过Quant的视角,为大家解读不一样的半鞅。

机器学习在量化投资中的应用

对于这个问题,QIML从创立至今,就采访过很管理人,而大家的回答也各不相同。现如今,随着软硬件的提升和大模型的涌现,当我们再次问起这个问题时,想必大家会有和10年前不同的答案,半鞅亦是如此。

▌在股票和期货策略研究中,机器学习的使用有哪些不同?

在这两者的研究中,最大的区别主要在于数据源的不同。

股票的数据比较丰富,例如包括快照、逐笔委托和逐笔成交等。而期货的数据主要来源于交易所提供的500毫秒级切片数据。正因如此,当构建模型时,我们够捕捉到的数据量与信息是完全不同的。

说到这里,我们提出了一个疑问——但对于传统的量价数据,如果大家都基于此做因子挖掘,势必会出现一些同质化或者失效、拥挤的情况,对于这一点,王芹总给出了不一样的回答:

目前半鞅的股票端完全拥抱量价数据,没有使用任何其他类型的数据。

例如你在因子加工端,假设我们与另外一家管理人的因子集或者特征集90%是重叠的,那么,无论后端我们怎么去设计模型,其实都很难学出不一样的东西。原因在于这样的因子本身就自带了很强的信息量,它会引导模型去往该方向收敛,所以大家训练出来的结果与别人训练出来的结果差异性就会特别小。

早在4-5年前,半鞅就发现这个问题,也正因如此,便着手开始构建构属于半鞅的端到端策略模型框架。

其中的一个动作就是把前面的因子端完全拿掉,半鞅希望喂到模型里的数据是一些简单原始的线性变换,这也是为什么目前半鞅并没有大规模使用其他类型的数据。正因如此,在同一时期如果大家去比较不同管理人的业绩曲线,你就会发现半鞅的不同。

▌机器学习如何改进传统因子模型的不足?有哪些具体的实战案例?

传统因子模型通常假设因子与收益之间存在线性关系,但市场中许多非线性关系无法被捕捉,限制了模型的表现。机器学习通过强大的非线性建模能力,可以有效挖掘复杂的因子关系。同时,传统因子模型依赖人工筛选因子,效率低且容易受到主观偏见的影响,而机器学习能够自动处理大规模因子库,快速筛选出重要因子,显著提升效率。此外,传统因子模型基于静态逻辑框架,难以适应快速变化的市场环境。相比之下,机器学习模型能够动态调整权重和结构,更及时地响应市场变化,从而优化因子的组合效果,提升投资策略的整体表现。

王芹总给出了一个她当年的心得体会:

在2017年,她自己建立的因子库已积累超过1000个因子,当他们对这1000+个因子通过机器学习后发现,仅需简单叠加两层神经网络,就可以捕捉到这些因子的核心信息,这让他们深受鼓舞与启发。

▌如何看待端到端的机器学习策略?比如原始数据直接到股票权重,还是会结合传统的金融投资理论?

端到端的机器学习策略,即直接从原始数据生成股票权重,是量化投资领域中备受关注的一种方法。这种策略通过减少人为干预和模型流程中的中间步骤,展现了高效和简洁的潜力。然而,在实际应用中,端到端策略尚未完全取代结合传统金融投资理论的模型,原因在于它既有显著的优势,也面临现实中的挑战。

半鞅目前并没有把所有的策略都通过端到端生成股票权重,原因有两点:

1、如果直接生成到股票权重,那么样本的多样性就会有很大的牺牲。例如你只需300只股票,最终我们得到的就只有300只股票的权重,这也就意味着剩下5000多只股票的多样性就会被埋没,这对于模型的泛化能力是一个很大的损失。

2、目前整个量化产品线是非常多元化的,这就要求其风控也是要多元化的。在应对不同的风控要求或推出新产品时,端到端模型通常需要重新进行大规模训练,这增加了很多开发和应用的成本。

因此,在实际应用中,端到端策略通常会与传统金融理论相结合使用。模型通过生成交易信号,交由优化器结合传统的投资约束(如风险分散和行业分布)处理,从而生成最终的股票权重。这种“技术与理论结合”的方式既发挥了端到端模型的数据处理能力,也保留了传统理论的指导价值。

▌如何平衡因子的可解释性及因子多样性?

对于这个问题,也是业内十分关注的一个话题。

在半鞅看来,他们并没有过多关注因子的可解释性,因为半鞅所做的机器学习模型与传统的多因子框架是两个完全不同的概念。前文也提到过,半鞅喂给机器学习模型的数据都是原始数据的简单变换,半鞅在乎的是数据量纲的匹配与时序的平稳性。

反过来说,如果从样本多样性的角度来看,经历大的波动行情其实对机器学习模型是有益的,因为我们可以让模型看到更多样的数据,以后再遇到类似数据时会更加从容。同时,我们只要保证数据来源和变化方式的多样性,模型会自行判断数据的价值,而无需过多地从可解释性的角度去考虑问题。

最后在模型上线之前,半鞅也会在内部对模型的可解释性进行拆解,但这种拆解也有别于多因子框架,他们的目的很简单,就是清楚模型在什么市场环境下适应,在什么情况下可能面临压力。

如果我们一直用多因子框架的角度来思考这个问题,有时会难以接受。因为从本质来说,机器学习模型和多因子框架是完全不同的两条赛道,技术壁垒也是不同的。

▌实盘过程中,如何应对市场风格切换导致的失效风险?

半鞅回答的核心主要是以下几点:

1、多策略的优势;

2、异常情况下的模型定制化;

3、坚定提升日内收益率占比,降低对风格切换的依赖和影响。

对于第三点,半鞅认为极其重要,因为你的收益不是因为你偏离在某一种风格上面赚到的!

▌对于短周期日内策略,如何平衡换手率与交易成本?

对于每一笔交易,只要你的预期收益大于预期成本,交易便具备执行价值。

因此,半鞅的策略优先提升模型对市场变化的预测能力,确保每笔交易都有足够的利润空间。尽管单笔交易可能收益有限,但通过高频次的交易累积,使得策略能够实现整体的高收益。

此外,半鞅也注重交易成本的精细化管理,例如通过优化执行算法降低滑点等方式,从而进一步提升策略的盈利能力。这种以预测精度为核心,辅以成本优化的方式,确保了短周期日内策略在高换手率的情况下依然能够保持稳健的盈利表现。

▌如何看待机器学习在量化投资中应用的天花板?

对于技术的迭代,还有很长的路要走,未来还是一片蓝海!

这是半鞅给出的答案。

原因是目前的应用主要集中在深度学习和基本的模型优化,而更前沿的技术如强化学习和生成式模型在量化领域的普及度仍然较低。

在半鞅看来,AI只是一个工具,一个用来赚钱的工具。关键是不要陷入另一种固定思维,反而被局限,而是要真正做到“为我所用”。在这个市场中,最终的竞争可能还是对投资的深刻认知。

技术架构与差异化优势

除了机器学习,QIML还对大家关心的技术、风控与投研进行了采访,让我们看看半鞅是如何回答的。

QIML了解到半鞅专门为量化投资场景打造了一个大数据平台。为此,QIML好奇的点在于,其自主研发的大数据平台与其他市场通用的方案相比,性能提升的关键点在哪里?

王芹谈到,在半鞅在初期,他们就测试了市面上几乎所有的开源数据库平台,但金融数据是一种有状态的流数据,从交易所到平台,其历史数据是不会被更改的。也因此通用数据库的功能对于其半鞅来说是不实用的。

根据半鞅的实践经验,如果是做日频的交易策略,实际上开源的工具就足够了。虽然可能会带来一些复杂性,带来一些时间损耗,但这对于日频策略的损耗其实是有限的。

但如果做更加快速的预测,例如分钟级别或者毫秒级别等,此时的开源工具就会给模型带来很大的损耗,而其自研的大数据平台就展现了其特殊的价值。

其次是因为与股票相关的很多模型与通用数据库有一个很大的差别——许多股票模型是基于截面的,而通用数据库则是基于时序的。这样就会导致一个很大的问题,当我们在建模的时候会消耗很多时间成本。如何把一个时序数据流合理的利用到截面模型中去,这就是半鞅研发该大数据平台的诉求与意义。

▌对于风控而言,大家比较关心的是如何避免极端行情中的风险敞口?

半鞅的回答是:风控系统是通过分级预警机制,根据风险事件的严重性对公司相关人员进行实时通知。

如从轻微的交易波动到可能影响资金安全的重大异常,系统分别推送给不同的管理层级,确保问题能够被迅速识别并处理。这种多层次的监控体系和快速响应机制,能有效避免了极端行情中可能造成的重大风险敞口。

同时,半鞅的风控系统在“多层次交叉验证”和“分级预警机制”上有着创新的应用。例如在交易实时监控中,系统引入了IT部门和交易部门的双重交叉监控机制——IT部门基于内部监控系统捕获公司交易流数据,而交易团队使用独立的第三方交易平台数据进行核对。

在之前的文章中,QIML曾专门对当前量化机构的两种模式——投资经理模式和流水线模型进行了深入的解读。

其讨论的结论是:在机器学习时代,流水线模式的量化研究更适合Quant的职业发展。像科研一样做量化策略的研究,才是最符合这个时代量化投资机构的发展路径。

那么,与传统量化公司相比,流水线模式下的投研流程具体解决了哪些行业痛点?

半鞅的流水线投研流程解决了量化投资中的重复性劳动和资源分配低效的问题。在传统的PM制度中,不同投资经理独立负责策略的全流程开发,这种模式导致了重复造轮子和技术资源浪费。半鞅通过流水线式的分工合作,将数据处理、模型训练、信号生成等环节模块化,由专门的团队负责核心组件开发和优化。

同时,这种模式也极大地提高了投研效率。例如,数据组专注于构建高质量的数据平台,而模型组优化机器学习算法,信号团队负责策略的最终部署。通过分工协作,投研团队不仅能够专注于自己的专业领域,还能通过共享模块减少开发时间,从而显著提升策略的整体质量和迭代速度。

还有一个大家关心的问题——Alpha策略的灰度上线机制

对于这个问题,半鞅给出了最好的答案:

只有迭代才能够抵抗!

半鞅策略迭代的速度,远远超越了其模型失效的速度。

目前半鞅通过分阶段部署新策略来控制风险。在新策略上线初期,仅将其应用于小部分资金或账户,以测试策略在真实市场环境下的表现。这种逐步扩大应用范围的方法,确保策略性能在低风险条件下得到验证。同时,通过实时监控新策略的收益、风险和稳定性,团队能够迅速识别失效信号,并及时调整或替换策略。对老策略的逐步下线与新策略的快速迭代相结合,使得整体策略体系能够保持高效的更新速度,从而抵御单一策略衰减带来的影响。

一家量化私募的成功与否,人才是最关键的要素,没有之一!

这是QIML对行业调研后得出的一个结论。

一个最直接的答案就是策略是量化私募的核心竞争力,而策略的创新与优化离不开高水平的人才。纵观国内外的量化基金,大家在用各种各样的方式吸引全球的顶尖人才,如提供有竞争力的薪酬待遇、打造一流的工作环境和文化、给予广阔的职业发展平台和晋升空间等。

可能有的人会说,规模也很重要,因为大规模的私募往往更容易受到市场的关注和认可,树立起较强的品牌形象。这不仅有助于吸引更多的投资者,还能够吸引优秀的人才加入,形成良性循环。

但在QIML看来,在规模和人才的权衡中,注重质量才是关键。

对于这个问题,半鞅的回答也很真诚:

“薪酬给够、心不委屈”

半鞅介绍到,在薪酬、年终奖和分红激励等方面,他们远高于行业平均水平。此外,半鞅也十分注重员工的职业发展,通过明确的晋升路径和对贡献的认可,帮助团队成员看到自身成长的方向。

此外,半鞅特别强调了他们的价值观——“平等、坦诚、信任、创新”

“平等”体现在公司扁平化的管理结构中,团队成员无论资历如何都能畅所欲言,充分表达自己的观点。“坦诚”则通过日常的团队交流和反馈机制得以体现,团队成员之间鼓励公开讨论,面对问题直言不讳,从而促进策略的优化和进步。

“信任”是半鞅文化的核心,公司给予每位员工高度的自主性,在分配任务时允许他们根据兴趣和专长选择项目,从而激发创造力。而“创新”则是投研的驱动力,公司鼓励团队成员探索新的方法和工具,通过持续迭代和技术突破,保持在行业中的领先地位。

这些核心价值观的贯彻,为半鞅投研团队营造了一个开放、高效、充满活力的工作环境,使得团队成员不仅能充分发挥自身潜力,也能在合作中取得卓越的成果。

如果在屏幕前阅读此文的你正在寻求一份这样的工作,可以尝试投递简历哦~

10年后的自己

访谈的最后,QIML希望半鞅给10年后的自己写一段话:

10年之后,希望我们回头一看,我们这群有意思的人真的做成了一件有意思的事情!

10年的时间足以见证无数的变革与创新,而半鞅希望在这场变革中,能够始终坚守初心,与一群志同道合的人一起,不断突破自我,创造出真正有价值、有意义的成果。

这也许就是一家量化管理人的终极梦想!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2025-01-09,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 量化投资与机器学习 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
有人说:机器学习应用量化投资没啥用,给你看看有用的!
想必很多人还不知道Numerai吧,有志于从事量化方向的同学可以重点关注下。Numerai 是一家初创公司,以举办专业数据锦标赛(类似kaggle)为其对冲基金寻找最佳交易策略而闻名。同时,它能将世界各地数据学家的股市预测模型“众包”出去。同时,Numerai创建了自己的加密货币,名为Numeraire(NMR)。近日,Numerai通过ICO完成了300万美元融资,Placeholder、Union Square等公司参投。
量化投资与机器学习微信公众号
2020/09/26
1.7K0
【技术分享】机器学习在量化交易方向的应用—基于神经网络的多因子选股策略
量化交易策略无非三点:择时、选股、仓控。择时为短期套利交易策略,选股为中长期交易策略,目标是在中长期跑赢指数、获取市场超额收益率alpha。多因子选股的关键是找到寻找因子与股票收益率之间的相关性,即对收益率预测能力强的因子。一般多采用如下步骤:
腾讯云TI平台
2019/11/19
7.1K0
金融科技&大数据产品推荐:量子金服投研管理平台
金融科技&大数据产品推荐:量子金服投研管理平台
数据猿
2018/04/24
1.5K0
金融科技&大数据产品推荐:量子金服投研管理平台
股票、基金买啥啥跌?大数据来给你支招!
说到基金股票,不仅仅是金融小白会一头雾水,就连资深股民都难逃买啥啥就跌的痛苦。近期数据侠实验室,DT君邀请到了Merkle高级数据分析师周秀丽、秦溱,自称金融小白的她们将会从大数据这一独特的角度带你走进股票和基金。
DT数据侠
2018/08/08
6520
股票、基金买啥啥跌?大数据来给你支招!
想当Quant?呵呵~
最近,很多人问我们关于量化求职这件事。公众号觉得有必要把之前的一些总结再给大家看看。QuantNet如期公布了2020全美最佳金融工程(MFE)专业的排名。大家可曾知道,Quantnet的MFE专业排名堪称:
量化投资与机器学习微信公众号
2020/09/26
2.3K0
来!新闻流与股价跳跃、图数据应用综述、机器学习与有效前沿
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 资产价格的跳跃已经被认为是许多金融和经济决策的重要因素,例如投资组合重新平衡、衍生品定价以及风险度量和管理。股票价格的大幅波动可能与市场上重要的信息流(如超预期收益)有关,这一直观的想法启发了许多与股票收益跳跃建模相关的
量化投资与机器学习微信公众号
2022/09/08
3960
来!新闻流与股价跳跃、图数据应用综述、机器学习与有效前沿
【金猿案例展】某基金管理公司:智能量化投资平台建设
本案例由九章云极投递并参与评选,数据猿独家全网首发;更多关于【金猿榜/奖·2019征集评选】的相关信息,请点击这里了解详情丨征案例、征文章、征产品=评企业、评人物、评产品。
数据猿
2019/12/26
8090
干货分享 | 千人专家朱晓天:大数据与人工智能在金融领域的应用
12月9日,以“数智金融-大数据的创新与应用”为主题的第二届中欧大数据金融论坛在深圳举行,国家千人计划金融领域特聘专家、北京大学汇丰商学院金融实验室主任朱晓天教授,国家千人计划金融领域特聘专家、平安科
小莹莹
2018/04/20
1.8K0
干货分享 | 千人专家朱晓天:大数据与人工智能在金融领域的应用
【全网首发】机器学习该如何应用到量化投资系列(三)
有一些单纯搞计算机、数学或者物理的人会问,究竟怎么样应用 ML 在量化投资。他们能做些什么自己擅长的工作。虽然在很多平台或者自媒体有谈及有关的问题,但是不够全面和完整。从今日起,量化投资与机器学习公众号将推出一个系列【机器学习该如何应用到】。今日的推文,是编辑部人员对国内的所有券商金工团队做的机器学习的研究报告做了一个系统性的整理。希望大家有所收获。 获取本推文所有研报请看文章末端 系列文章(点击即可查看) 机器学习该如何应用到量化投资系列(一) 机器学习该如何应用到量化投资系列(二) 2010年08月1
量化投资与机器学习微信公众号
2018/01/29
2.5K0
A股市场机器学习多因子模型实证
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 量化投资与机器学习公众号 独家解读 量化投资与机器学公众号  QIML Insight——深度研读系列 是公众号全力打造的一档深度、前沿、高水准栏目。 公众号遴选了各大期刊前沿论文,按照理解和提炼的方式为读者呈
量化投资与机器学习微信公众号
2022/09/08
1.2K0
A股市场机器学习多因子模型实证
曦禾基金 | 量化多岗位招聘(社招+实习)
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者。 公司介绍 曦禾基金(登记编号:P1072528)是一家专注于量化交易领域的私募基金公司,公司量化资管团队组建于2018年,团队成员均毕业于海内外一流名校,成员专业背景涵盖金融、数学、计算机等方向,赋能公司强大数理建模能力和系统开发运维能力。公司团队管理的云开见月系列产品在各类全国性比赛中名列前茅,数次载誉而归,稳健的
量化投资与机器学习微信公众号
2022/05/25
6300
曦禾基金 | 量化多岗位招聘(社招+实习)
白鹭女掌门张晨樱:打造反脆弱的量化多策略盈利武器
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,连续2年被腾讯云+社区评选为“年度最佳作者”。 前言 伴随股票市场的风格切换以及商品市场的极端波动,量化产品会在一定程度出现部分回撤,这也再次提醒我们多资产、多策略配置的重要性。然而,对于管理人来说,想要真正做好多策略并非易事,也远不止将几个策略组合在一起这么简单,在策略研发、人才、IT方面都对管理人提出了更高的要求。
量化投资与机器学习微信公众号
2022/03/03
1.2K0
思晔投资 | 量化多岗位招聘(校招+实习)
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 公司介绍 上海思晔投资管理有限公司(简称“思晔投资”)成立于2013年5月,总部位于中国上海。作为国内多策略私募证券投资基金的先行者,思晔投资自成立以来坚持投研驱动公司发展的道路,专注于中国市场股票、债券、商品以及前沿衍
量化投资与机器学习微信公众号
2022/03/10
7650
近期因子研究论文推荐
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 Combining Factors Christoph Reschenhofer (Vienna University of Economics and Business) / July 2022 学术文献主要通过组合收益
量化投资与机器学习微信公众号
2022/08/26
6560
近期因子研究论文推荐
百亿私募,星阔投资 | 量化多岗位招聘
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 公司介绍 星阔投资(Starvast Quant)是一家专注于国内股票量化投资的资产管理公司,(基金业协会登记编号:P1071681),总部设于北京。目前公司资产管理规模100亿元以上,业绩排名行业前列。公司坚持用数量化、
量化投资与机器学习微信公众号
2022/03/21
5960
编程再好也只能当码农?那你肯定不知道AI量化程序员
量化,一个横跨多个学科领域的工作。已经在不同场合,听了无数次的三座大山:较好的数学功底、编程技能、金融知识。
abs_zero
2019/05/05
1.3K0
编程再好也只能当码农?那你肯定不知道AI量化程序员
AQR:机器学习相关论文推荐
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,连续2年被腾讯云+社区评选为“年度最佳作者”。 今天的推荐来自AQR,是关于机器学习论文的推荐。从“实证资产定价”,到“金融领域如何有效的利用机器学习模型”,再到“如何更有效的进行策略测试”等。 一共五篇论文,每篇都是经典,都值得仔细阅读:文末附下载。 Empirical Asset Pricing via Machin
量化投资与机器学习微信公众号
2022/03/03
1K0
【案例】国信证券——人工智能在量化投资中的应用
数据猿导读 量化金融交易和金融大数据可谓是天作之合——巨量的、多种类相关的、实时高速的、包含丰富显性和隐性价值的数据,给传统意义上纯数字的量化交易带来了深层次的提高。 本篇案例为数据猿推出的大型“金融
数据猿
2018/04/24
2.4K0
【案例】国信证券——人工智能在量化投资中的应用
白鹭资管 | 量化多岗位招聘(社招+实习)
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 公司介绍 浙江白鹭资产管理股份有限公司(简称:白鹭资管)是一家专注于二级市场、依靠数学和计算机科学进行量化投资与交易的对冲基金。我们致力于打造兼具全球视野和本土智慧的一流投资团队,成为全球顶尖的量化多策略对冲基金。公司于
量化投资与机器学习微信公众号
2022/03/25
1.1K0
QIML Insight | 基于两阶段机器学习模型的因子择时方法
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,曾荣获AMMA优秀品牌力、优秀洞察力大奖,连续4年被腾讯云+社区评选为“年度最佳作者”。 量化投资与机器学习公众号 独家解读 量化投资与机器学公众号 QIML Insight——深度研读系列 是公众号全力打造的一档深度、前沿、高水准栏目。
量化投资与机器学习微信公众号
2024/01/11
6600
QIML Insight | 基于两阶段机器学习模型的因子择时方法
推荐阅读
相关推荐
有人说:机器学习应用量化投资没啥用,给你看看有用的!
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档