|
昨天发了一个策略，好多朋友在问是哪一个APP，我在留言里回复了。 声明一下，这只是我调研的一个竞品，我自己研发了一套系统，用机器学习、强化学习来优化特征。 传统的技术分析，更适合“进化”成量化投资，技术分析比较容易量化。客观讲，各种技术指标，在机器学习里叫“特征”或“因子”。只是技术分析里，直接按指标给信号，而机器学习是通过标注数据，学习出其中的规律。 比如昨天说的，“布林带突破上轨”即买入，而“突破下轨”则卖出。 再来看一个策略： 20天动量>8%时买入，20天动量为负时卖出。
相比买入并持有创业板指数的长期年化18.9%，最大回撤69.6%，我们只是用了一个简单的动量规则，即把年化提升至21.5%，而回撤降低到24.2%。
动量策略背后的逻辑就是趋势跟随。 但是这里存在超参数，比如为何是20天，15天或者30天会怎么样？另外为何是0.08，换成0.05会怎么样，有点凑策略的嫌疑。而且很多平台上，看回测的数据特别好看，就是这个原因。要凑一个策略特别容易。 比如上面的策略，我把标的改成沪深300的ETF，则年化收益变成3.5%。
看来还是需要“进化”到AI量化策略。 机器可以帮我们“优化”因子的权重，超参数择优。因为因子背后的关系并非线性，都是概率。 而有监督的机器学习，会涉及到数据标注的问题，而其实我们本身就知道历史数据，所以这里有一个比较方便的地方就是可以“自动标注”。 比如：计算未来五日收益率，去掉1%以下和99%以上的极值数据，并离散为20档分数，作为评估基金/股票好坏的标准。 仔细想来，这里是有道理的。价量上来看，短期（一周内）胜过长期。如果是长线，那就看价值面基本面了。技术面的影响相对更短一些。 这个比传统技术分析NB的地方在于，我可以盯整个池子，总有还不错的，比如ETF投资可以面向全球，不至于资金闲置。 找到优秀的因子是AI策略质量的关键。 bigquant开发的StockRanker，核心思想是排序学习和梯度提升树。 最后的分数是所有决策树打分的总和。决策树的结构、判定条件和叶节点的分数等等都是由算法在训练数据上学习出来的。将测试集数据喂给训练好的决策树，则可得到测试集数据数据在该模型上的分数，再根据分数形成股票排序、回归、分类预测，指导后续的买入卖出。
明天继续。 (公众号：七年实现财富自由（ailabx），用数字说基金，用基金做投资组合，践行财富自由之路) |
|
|
