这篇文章介绍了德国最大的资产管理公司之一Union Investment如何利用Python和机器学习(ML)技术来改进其投资流程。文章由Dr. Christian Mandery和Nikolas Gerlich撰写,他们是Union Investment的数据科学家和高级数据科学家。
引言
Union Investment管理着超过3500亿美元的客户资产,并且作为积极的基本面资产管理公司,他们一直在努力进一步改进其投资流程。在每天都有越来越多的数据被创造和提供的世界里,使用新颖的数据源和信息是我们业务成功的关键因素。
Python中的机器学习
将新颖数据整合到资产管理中的一个有前途的方式是机器学习,它允许我们发现金融时间序列数据中的模式,并利用这些模式做出更好的投资决策。机器学习使我们能够:
- 识别可能的回报驱动因素,无论是在个股层面还是在股票或债券市场等整个资产类别层面,
- 预测关键绩效指标,如公司层面的收入,
- 确定我们是否可以从特定数据集中受益,并从中为我们的投资流程派生价值。
为了创建这些任务的机器学习模型,我们开发了自己的机器学习平台MALINA——MAchine Learning for INvestment Applications——这是一个为金融时间序列数据创建可解释机器学习模型的定制解决方案。MALINA完全使用Python开发,包含超过30,000行Python代码。
在我们的MALINA框架内,我们创建了四个解耦模块:
- 一个机器学习模块,允许我们使用不同的ML算法为金融时间序列数据定义和基准测试模型,
- 一个回测模块,允许我们为基于开发的ML模型的交易策略运行回测,