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20W+关注者 ， 连续2年被腾讯云+社区评选为“年度最佳作者” 。
近日 ， 来自Two sigma AI Core团队的David Kriegman教授进行了题为《Deep Learning for Sequences in Quantitative Finance》在线分享 。 David Kriegman是加州大学圣地亚哥分校的计算机科学与工程教授 ， 也是计算机视觉的专家 。 他于今年1月份加入了Two Sigma AI Core团队 。

文章图片

量化投资对很多人来说似乎很神秘 ， 以至于大家经常把投资过程本身称为一个“黑盒子” 。 此外 ， 量化投资的复杂性不断增加 ， 如今Two Sigma和其他公司经常在过程的各个部分使用强大的深度学习技术 ， 根据大量数据做出决策 。
即便如此 ， 这个过程也不一定像人们有时想象的那样神秘 。 David kriegman教授在本次网络研讨会 ， 阐明Two Sigma研究人员如何将序列深度学习应用于量化投资 。
正如David Kriegman解释的那样 ， 量化投资过程地分为特征提取、预测单个资产的收益、投资组合配置和交易执行等步骤 。 这个过程中的许多步骤可以很容易地表示为机器学习问题 ， 可以使用序列深度学习方法解决 。
序列深度深度学习的输入是一个单维或多维的序列 ， 如RNN就是典型的用于序列预测的深度学习模型 。 在很多领域都有序列预测的需求 ， 比如情感分析、图像标注、翻译等等 。

文章图片

图片来自：Two Sigma
【Two Sigma：序列深度学习与量化投资】接下来的分享分为两大部分：第一部分介绍了Two Sigma的量化投资的流程线 ， 以及各流程中与深度学习结合的过程；第二部分介绍了常见的用于序列预测的深度学习模型 。
传统的因子体系的投资框架将策略构建的过程分为了特征提取、预测单个资产的收益、投资组合配置和交易执行等步骤 。 在这些步骤中 ， 如特征提取、资产收益预测及交易执行中 ， 都用到了序列预测 。

可以看到 ， 这还是一个传统的因子模型的构建流程 ， 只不过在不同的流程中找到了深度学习的应用场景 。 所以整体还是基于传统投资框架 ， 用深度学习进行局部优化与提升 。 在我们之前介绍的念空超级信号工厂（念空的『超级信号工厂』 ）也采取了一样的框架体系 。

文章图片

图片来自：Two Sigma
在Feature Extraction与Alpha Modeling的步骤中 ， 原始输入的因子可以来自多个维度 ， 包括量价指标、基本面数据、情绪数据及非传统信息源 。 通过大量的数据结合序列深度学习模型 ， 对资产未来的收益进行预测 。

文章图片

图片来自：Two Sigma
有了对于单个资产的收益预测 ， 接下来就是组合构建 ， 需要确定每个资产在组合中的占比 。 虽然这不是一个序列预测的问题 。 但组合优化本身也可以结合机器学习的算法 ， 需要考虑非常多的限制条件 ， 及选取合适的目标函数 。 这本身是一个大规模的优化问题 。

文章图片

图片来自：Two Sigma