Two Sigma:序列深度学习与量化投资
导语
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。
![]()

图片来自:Two Sigma{w:100}{w:100}
正文
图片来自:Two Sigma{w:100}{w:100}
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。
图片来自:Two Sigma{w:100}{w:100}
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。
图片来自:Two Sigma{w:100}{w:100}
图片来自:Two Sigma{w:100}{w:100}
图片来自:Two Sigma{w:100}{w:100}
图片来自:Two Sigma{w:100}{w:100}
对于新手,一个可行的序列预测的学习路径就是:RNN-LSTM-Attention-Transformers-各种新Paper。
图片来自:Two Sigma{w:100}{w:100}
![]()

图片来自:Two Sigma{w:100}{w:100}
总结
图片来自:Two Sigma{w:100}{w:100}
通过本次分享,可以看出深度学习在顶尖对冲基金的应用:
深度学习有用,且已经成为主力
坚持传统投资框架,在不同的流程中找到深度学习的应用场景
基础设施、海量数据同等重要