机器学习ai选股_机器学习技术能够有效用于选股吗？（上）

未经授权，严禁转载

前言

译者翻译了一篇讨论机器学习在量化投资中应用的文章。机器学习在量化金融中是一个日渐重要且充满争议的话题。关于机器学习是否能成为一个实用的投资工具的争论一直存在。尽管机器学习算法可以发现微妙且非线性的关系，从充满噪音的历史数据中提取信息可能会遭受过拟合的问题。在这篇文章中，作者描述了一些关于机器学习的基本概念并且提供了一个简单的例子，来描述投资者如何用机器学习技术来预测横截面股票收益，同时限制过拟合的风险。

许多量化因子模型在2008年的金融危机后就陷入挣扎，许多传统因子不再盈利。结果，一些市场参与者开始关注传统量化选股方法之外的方法。随着流行的因子不再可靠，许多从业者开始开发可以从过去数据中动态学习的模型。然而，动态模型和因子择时方法同样遭受一些批评(如Asness(2016))。很多年来，投资者一直利用计量经济学方法(如回归)，然而很少人能够单纯依靠以回归为基础的动态模型成功。这也许是因为金融数据天生就是充满噪音的，因子可以是共线性的，因子和收益的关系也是可变的、非线性的或是与语境相关的。这些特点使得线性回归模型很难去预测潜在因子和预期收益之间的动态关系。

我们相信机器学习算法可以提供更好的方法。这些技术已经出现很多年了。事实上，Frank Rosenblatt在1957年就发明了Perceptron，一种能够分类照片的神经网络。在之后的几十年中，一系列的发展使得机器学习在实际中的应用变为可能：

从1970年代以来，计算机能力大致根据摩尔定律提升

数据的来源指数式增长，存储成本大幅度降低。

计算机科学中和统计学中的新技术，加上提升的计算能力和数据来源，带来了强力的新算法。

机器学习算法已经证明了自己在很多金融之外的领域比传统统计方法更有效，像语音识别、图像识别和推荐算法。深度学习算法现在在图像分类的任务上已经超过了人类的精确度。一个叫做Deep Blue的机器学习算法在1997年第一次击败了最好的人类棋手卡斯帕罗夫。它用暴力计算来评估上千种可能的走法和对手的应对。最近，一个叫做AlphaZero的深度学习神经网络利用模式识别技术成为了世界国际象棋冠军。不像预先编程来评估不同走法价值的Deep Blue，AlphaZero没有收到任何领域的知识，而是通过自己与自己下仅仅4小时的棋来自我教学成为象棋大师。

机器学习是什么

机器学习是一类方法和算法的总称，它允许机器在没有明确的编程指令的情况下发现模式。在选股的情况中，建模者提供一系列可能会预测未来收益的因子并且用机器学习算法来学习哪些因子有用并且与未来收益相关。机器学习可以结合许多弱的信息源，生成一个结合的投资信号，这个投资信号可以比任何一个来源都要强。

最近几年，计算机科学家和统计学家发展并改进了几种机器学习算法，如梯度提升回归树、人工神经网络、随机森立和支持向量机(见表1)。这些算法大部分有两个重要的性质：

1、它们可以发现复杂的模式和隐藏的关系，包括通常很难或不可能用线性分析检测出的非线性和上下文关系。

2、在存在多重共线性的情况