《华泰金工深度学习量化研究》alphanet GNN和GAN——Deep Alpha 海内外最佳实践探索研讨会
{w:100}
1、华泰人工智能系列研究:四年五主题四十七篇研究
首先非常感谢BigQuant的邀请,这里我替换了一下标题,主办方给的题目是《国内投资机构深度学习量化实践》,我这里改成了《华泰金工深度学习量化研究》,因为我个人很难代表整个国内的投资机构,国内的买方和卖方,公募和私募研究差异还是挺大的。 总体来讲,买方机构会更务实,目标明确。卖方研究有特殊之处,市场对我们的期待是探索前沿内容,帮大家踩坑,所以需要我们仰望星空。但同时又不能太飘,也需要脚踏实地。双重标准之下,研究面临的挑战很大。 过去4年多时间里,在首席林晓明总的带领以及多位同事的通力合作下,华泰金工团队在人工智能领域也有了一定研究成果。我们从2017年6月到现在,一共发布47篇人工智能深度研究,涵盖5个主题:模型测试主题、因子挖掘主题、对抗过拟合主题、真假序列和生成对抗网络主题。 前两个主题属于进攻式的研究,alpha模型最重要的环节是因子和模型,刚好对应我们的前两大主题模型测试以及因子挖掘,目标就是尽可能拟合收益获取alpha。但是对于人工智能模型来说,优点是拟合能力强,缺点是拟合能力太强,以至于把数据中的噪音也学习进去了,所以我们也需要做防御式的研究。一方面找技术对抗过拟合;另一方面,过拟合最重要的原因是数据量不够,中国市场能获取到的数据相对比较有限,所以我们就思考能不能用深度学习技术生成更多数据,参与到模型训练中提升鲁棒性,所以又有了我们另外一个系列,叫做真假序列和生成对抗网络。 最后一个主题叫做其他,我们希望模型不光预测能力强,还可以用来帮助我们去理解市场。前者让我们在市场中存活下来,后者让我们在市场中长期存活下来。像我们做的因果推断、无监督学习这些研究,都可以帮助我们更好地理解市场运行的规律。
完整视频观看地址:https://webcast.roadshowchina.cn/cmeet/NlZBZVhZRGZ6Q1NSRjdrbmJqQjZUQT09
2、选股因子挖掘神经网络:AlphaNet
{w:100}{w:100}
{w:100}{w:100}
图神经网络如何挖掘股票间关系信息?
图神经网络最大的优势是什么?
怎样去评估任意两个股票间的影响,或者说连接强度?
怎么去确定注意力机制参数?
第二个问题是怎么把邻居的因子加到自己身上来?GAT图注意力网络如何实现隐式建图结合距离加权?
图注意力网络模型相比于传统机器学习模型的优势在哪?
GAT模型如何解决2019-2020年模型失效问题?
生成对抗网络GAN如何应用于量化?
GAN如何生成上证指数?生成1000个平行世界?
与Bootstrap和GARCH模型比,在自相关性、厚尾分布、波动率聚集、盈亏不对称、杠杆效应、粗细波动率相关方面有何特点?如何证明(7、28)这组参数比(5、20)好而不是过拟合?
为什么发现用假模型集成得到的模型,表现会比在真数据训练得到的模型要更好?
…………
更完整内容请前往会员专区
报告说明:本文章为由宽邦科技及华泰行知联合举办的《Deep Alpha 海内外最佳实践探索研讨会》议程2 何康博士演讲的文字实录删减版本,了解更详细的情况,欢迎开通会员,并联络小Q[bigq100]进入会员专属,查看完整版.
完整视频观看地址:https://webcast.roadshowchina.cn/cmeet/NlZBZVhZRGZ6Q1NSRjdrbmJqQjZUQT09
{w:100}{w:100}
{w:100}{w:100}