20220805-东北证券-机器学习系列之一：机器学习发展历程与量化投资的展望

--- 机器学习系列之一

报告摘要：
[人Ta工bl智e_能Su正mm当a时ry]
人工智能是通过研究人类活动的规律，构造具有一定智能的人工系统来
模拟人类的某些思维过程和智能行为，去完成以往需要人的智力才能胜
任的工作。随着科技的进步与发展，人工智能技术被广泛应用于各个领
域。机器学习是人工智能的一种形式，深度学习是机器学习中基于神经
网络发展出的类别。
机器学习作为传统量化的补充与技术革新
一方面，机器学习使得对海量数据的分析运用成为可能，另一方面，机
器学习可以捕捉传统量化中难以发现的，数据之间的潜在关系。监督学
习作为一类典型的机器学习方法，从假设空间的选择以及总体优化目标
与数据集优化目标的不一致性可以引出监督学习的三大问题：估计、优
化与泛化。
机器学习的流程与发展历程
机器学习的一般流程包括数据获取、数据处理、模型选择、模型训练、
模型评估、模型调参与模型预测。从监督学习、无监督学习、概率图模
型、深度学习与强化学习这五个大类对广义的机器学习发展历程进行总
结与回顾，对有重要意义的经典算法进行介绍。
机器学习在量化投资研究中应用广泛
在量化选股层面的应用主要分为因子端与模型端。因子端包括因子挖掘，
另类因子分析挖掘，因子合成等。模型端包括模型算法的改进、创新与
运用。强化学习在算法高频交易与衍生品对冲方面也有重要的应用。作
为一个示例，我们对GAT 模型进行改进，构建ResGAT 模型对关联收益
和特有收益分别挖掘，并显示出不错的历史回测效果。
未来机器学习与量化投资的展望
数据驱动与模型驱动将互补融合。算法的不断改进或将提升机器学习
在低信噪比数据上的表现。预测对象与应用场景会更多地被关注。因
子挖掘将更关注本身的逻辑，而非过度挖掘。同时因子库、模型库以
及策略库会更加多样化。解释机器学习与市场多种状态转换下的模型
适应或模型轮换可能是未来机器学习需要关注的问题。