https://zhuanlan.zhihu.com/p/438259912
量化投資與機器學習微信公眾號，是業內垂直於 量化投資、對沖基金、Fintech、人工智能、大數據等領域的主流自媒體。公眾號擁有來自 公募、私募、券商、期貨、銀行、保險、高校等行業 20W+關注者，連續2年被騰訊雲+社區評選為“年度最佳作者”。
近日，來自Two sigma AI Core團隊的David Kriegman教授進行了題為《Deep Learning for Sequences in Quantitative Finance》在線分享。David Kriegman是加州大學聖地亞哥分校的計算機科學與工程教授，也是計算機視覺的專家。他於今年1月份加入了Two Sigma AI Core團隊。
量化投資對很多人來說似乎很神秘，以至於大家經常把投資過程本身稱為一個“黑盒子”。此外，量化投資的復雜性不斷增加，如今Two Sigma和其他公司經常在過程的各個部分使用強大的深度學習技術，根據大量數據做出決策。
即便如此，這個過程也不一定像人們有時想象的那樣神秘。David kriegman教授在本次網絡研討會，闡明Two Sigma研究人員如何將序列深度學習應用於量化投資。
正如David Kriegman解釋的那樣，量化投資過程地分為特征提取、預測單個資產的收益、投資組合配置和交易執行等步驟。這個過程中的許多步驟可以很容易地表示為機器學習問題，可以使用序列深度學習方法解決。
序列深度深度學習的輸入是一個單維或多維的序列，如RNN就是典型的用於序列預測的深度學習模型。在很多領域都有序列預測的需求，比如情感分析、圖像標注、翻譯等等。
接下來的分享分為兩大部分：第一部分介紹了Two Sigma的量化投資的流程線，以及各流程中與深度學習結合的過程；第二部分介紹了常見的用於序列預測的深度學習模型。
傳統的因子體系的投資框架將策略構建的過程分為了特征提取、預測單個資產的收益、投資組合配置和交易執行等步驟。在這些步驟中，如特征提取、資產收益預測及交易執行中，都用到了序列預測。
可以看到，這還是一個傳統的因子模型的構建流程，只不過在不同的流程中找到了深度學習的應用場景。所以整體還是基於傳統投資框架，用深度學習進行局部優化與提升。在我們之前介紹的念空超級信號工廠（ 念空的『超級信號工廠』）也采取了一樣的框架體系。
在Feature Extraction與Alpha Modeling的步驟中，原始輸入的因子可以來自多個維度，包括量價指標、基本面數據、情緒數據及非傳統信息源。通過大量的數據結合序列深度學習模型，對資產未來的收益進行預測。
有了對於單個資產的收益預測，接下來就是組合構建，需要確定每個資產在組合中的占比。雖然這不是一個序列預測的問題。但組合優化本身也可以結合機器學習的算法，需要考慮非常多的限制條件，及選取合適的目標函數。這本身是一個大規模的優化問題。
最后，在交易執行層面，為了盡可能的控制交易成本，對於未來價格的預測也是一個序列預測的問題。與Feature Extraction與Alpha Modeling預測相對中長期的資產收益率不同的是，交易執行過程中預測的是跟高頻的價格變動、成交量變動，以達到最優的執行成本。這當中需要考慮多個因素：訂單量大小的選擇，交易所的選擇及訂單類型的選擇等。
在第二部分序列預測深度學習模型的介紹中，David Kriegman從基礎的RNN介紹到了LSTM。也提到了近年來序列預測模型的熱點，主要包括：Transformer和Attention。當然CNN也更多的用在了序列預測的問題上。
對於新手，一個可行的序列預測的學習路徑就是：RNN-LSTM-Attention-Transformers-各種新Paper。
最后作者也分享了強化學習的相關應用，強化學習完全是一個端到端的應用。主要在游戲和機器人領域取得了很大的成功。強化學習本身需要強大的算力及模擬器。但在量化投資的應用並沒有深度學習那么廣泛。
總結
通過本次分享，可以看出深度學習在頂尖對沖基金的應用：
- 深度學習有用，且已經成為主力
- 堅持傳統投資框架，在不同的流程中找到深度學習的應用場景
- 基礎設施、海量數據同等重要