多任务机器学习做投资组合目标波动率优化（python代码）

原创文章第609篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由"。

研报与论文，以及一些高质量的投资书籍，是策略与思路的来源。

昨天这一篇论文：

稳稳的年化10%，多任务时序动量策略——基于pytorch的深度学习策略（附python代码）

多任务机器学习——MTL 是机器学习中一个很有前景的领域，其目标是利用多个学习任务中所包含的有用信息来帮助为每个任务学习得到更为准确的学习器。

这不是使用原始的价量信息，根据提供的论文内容，特征集包括以下类型的变量：

1. 时间序列动量特征：基于连续期货合约的日结算价格，计算过去1个交易日、21个交易日、63个交易日、126个交易日和252个交易日的对数收益率。

2. 实现波动率（Realized Volatility, RV）：过去5个交易日、21个交易日、63个交易日、126个交易日和252个交易日的实现波动率。

3. 波动率的波动率（Volatility of Volatility, Vol of Vol）：通过对实现波动率本身再次应用实现波动率计算公式得到的，始终基于21个交易日的计算。

lr: float = 0.001
params: Dict = dict(
    dataset=dataset,
    input_size=15,  # 特征维度
    lstm_hidden_size=64,
    mlp_hidden_size=128,
    lstm_layers=2,
    mlp_layers=3,
    lstm_dropout=0.2,
    mlp_dropout=0.05,
    max_grad_norm=0.1,
    num_epochs=200,
    transcation_cost=0.0003,  # 交易成本
    target_vol=1,  # 目标波动率
    early_stopping=50,
    optimizer_name="Adam",  # 优化器
    opt_kwargs=dict(lr=lr),  # 优化器参数
    verbose=False,
)
# 预测的权重及未来的OTO收益
mtl_tsmom = MTL_TSMOM(**params)
mtl_tsmom.fit()

优化目标波动率，有点类似风险平价的逻辑，也就是说，自然会低配风险资产，投资组合是稳了，但预期收益率相对也不高。

具体大家可以细读下论文和代码。

用投资组合的思路做CTA会如何，如何融入机器学习、深度强化学习，本周咱们来重点探讨一下。

吾日三省吾身

做时间的朋友，复利，长期主义，做生产者，生产有长期价值的产品。

看似简单的事情，重复做，时间会开出玫瑰。

比如一个星球，一个专栏或者一个论坛。

不必坚持，而是每天都会做的事情。

喜欢、擅长有价值。

这里分两个层面来探讨，喜欢并不是并某一个具体的事，而是一类事情。

比如你喜欢某种状态，喜欢做自己可以掌控的事情，那么这里的事情可以是程序开发、设计或者投资。

有些时候，由于客观原因，你并没有接触某一个领域，你压根不知道某件事情存在，自然谈不上喜欢或者不喜欢。但当你由于偶然的原因接触到这件事之后，你灵魂受触动了那种感觉，这就是你想找的事情。——这叫喜欢。

擅长，需要与熟练区别开。

见过太多随波逐流的人，尤其是所谓的某些学霸。他们做什么事情都能认认真真做好的。——但他们就是不做选择，不主动思考。

这时候，他做一件事，一直做，这叫熟练，甚至能达到擅长。

但当真正喜欢这件事的人出现，他那种登峰造极带来的震撼感，结果就是那种擅长很快会超越这种熟练。

价值是商业的起点。

没有人关心你喜欢什么、擅长什么，人们关心你能解决什么问题，进而给你回报。

投资里最重要就是策略。

之于我，我喜欢收集各种各样的开源代码，拆解各种框架，并擅长把它们排列组合起来，解决一个有价值的问题。这是我的喜欢与擅长。

喜欢与擅长与价值结合点，就是商业。

历史文章：

稳稳的年化10%，多任务时序动量策略——基于pytorch的深度学习策略（附python代码）

quantlab5.4代码发布：新增deap因子挖掘，lightgbm机器学习因子筛选及全量转债数据（附python代码）

AI量化实验室——2024量化投资的星辰大海