我们应该还记得那个叫“阿尔法狗”的家伙。
天下棋谱,了然于心,勤学苦练,精进棋艺,去年他以4-1打败世界冠军李世石,从此独孤求败。
今年他的师弟,同样出自谷歌Deepmind的阿尔法元(Alpha Zero),出山了。此人一篇棋谱也没读过,也没受到过任何人的指点。
一副棋盘,黑白两子,从零开始,自参自悟,上个月他与师兄阿尔法狗交手,100-0,完胜而归。💯
我们应该还记得那个叫“阿尔法狗”的家伙。
天下棋谱,了然于心,勤学苦练,精进棋艺,去年他以4-1打败世界冠军李世石,从此独孤求败。
今年他的师弟,同样出自谷歌Deepmind的阿尔法元(Alpha Zero),出山了。此人一篇棋谱也没读过,也没受到过任何人的指点。
一副棋盘,黑白两子,从零开始,自参自悟,上个月他与师兄阿尔法狗交手,100-0,完胜而归。💯
按照Deepmind开发团队的说法,阿法元不仅战胜了此前开发过的所有版本的阿法狗,且首次实现了完全脱离人类的自我学习。这是一种“恐怖”级别的机器学习能力。
机器学习:让机器像人类一样获得学习能力,完成某项任务,就叫机器学习。
被段子手们玩坏的苹果叉面部识别技术,以及懒人必备的语音输入法,都是机器学习技术的应用成果。从照片中识别出一只狗对三岁小孩来说是非常简单的事情,但让计算机完成这种任务其实是相当复杂的。
▼
(机器学习任务训练:从一堆松饼中辨认出吉娃娃。富二一眼望过去是懵圈的,机器学习不容易啊……)
向来走在创新的前沿的富二家,刚刚发行了一只全面运用机器学习选股方法的产品:
富国研究量化精选
(005075)
为什么我们要用机器学习的选股方法?
真实的市场情况是错综复杂的,各种选股因子之间不可避免地存在多重共线性,就是说各因子之间会相互影响,此时如果我们构建单一维度的线性模型,最终得到的结果就会存在很大的误差。
而机器学习的方法,如SVM、XGB等,可以构建高维度的模型,从而更好地容纳选股因子的相关关系,提高模型的准确性。
我大A股的风格切换大家早有领略,可见选股是在一个动态环境中做的事。基金经理于鹏曾在演讲中提到,机器学习不是数学,数学原理是一定要正确的,而机器学习是针对某一个领域,去研究如何适应其中的问题,而不是从原理上去证明它。
如何做到市场风格迁移是一个复杂的问题,我们不妨用另一种方式来理解。
去年有一个很火的软件叫prisma,其中用到了图像迁移的技术,可以将同一张图片作出不同的效果。
这种技术对于于鹏总的团队简直小case:
(此图即为团队小伙伴们模仿prisma把基金经理于鹏的照片用机器自动做出各种风格的图)
研究量化精选就是将类似的技术运用到选股中,捕捉当前市场的特征,用迁移学习技术将风格融合到组合里,实测结果表明,组合的结果更加贴近市场的变化。
我们如何运用机器学习的方法?
如我们所见,机器学习在下棋,图像识别,语音识别方面的应用让人们叹为观止,而选股则是一个完全不同的任务。
选股是动态的任务:100年前的围棋规则可能与今天也许并无不同,但仅仅是1年前的选股逻辑和今天就大相径庭了,尤其A股市场的规则也是常变常新。
选股不能使用虚拟数据:阿尔法狗可以通过与自己对弈产生3000万盘棋局,但在选股问题上,我们不能创造一只虚拟股票作为机器学习的数据素材。
A股市场上有大量噪音信息:A股市场上的有效信号与噪音并不独立,信噪比较低。
❶ 从基本面分析精选个股,作为模型中的独特因子,规避“只识因子,不识个股”的情况,同时把握市场行情大方向,为投资选股“保驾护航”;
❷ 在保留模型自适应性能力的同时,加强模型的预测能力,从而减轻市场切换带来的滞后性;
❸ 同时试图让模型更加模仿人脑的决策逻辑,从而更加契合A股的投资逻辑,提高决策能力。
(运用机器学习方法的金融投资框架)
选股是一个古老的话题,而将机器学习的方法运用到选股中是一个全新的领域。
越是全新的领域就越有无穷的想象空间,手握机器学习方法的人类正迈向一个全新的纪元,我们不能选择的,是必将见证这个时刻的到来,
我们可以选择的,是要不要迎接浪潮带来的机遇。
富国研究量化精选(005075)正在发行,点击“阅读原文”,跟上投资界新势力