區別於傳統基本面分析和技術面分析，量化分析是從數量化的角度去挖掘存在某種數學關係的投資策略。結合機器學習算法的量化投資方法已在量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、算法交易等多類量化證券投資策略中應用。如今各類量化投資基金聘用機器學習算法科學家，組建人工智能技術研發團隊也已成趨勢。

該報告介紹了傳統量化投資方法在數據智能時代下面臨的發展瓶頸及趨勢、現代量化投資方法可用的機器學習技術手段，以及常見應用機器學習算法的證券投資業務任務場景。然而機器學習並不能做到完美地代替人力完成所有的工作，人類的思維、經驗仍然是量化投資過程中不可或缺的。因而機器學習更多能作為一種輔助工具幫助分析師更好地做投資決策，實踐理想的投資策略。

作者 | 張英健、王昕宇、樊曉芳

一、量化投資背景介紹

1. 量化投資簡介

量化投資方法主要通過對海量歷史及實時的資產交易行情數據進行數理統計分析，選擇那些未來回報可能會超越基準的證券進行投資，以期獲取超越指數基金的收益。

現代量化投資還利用自然語言處理等文本處理方法，從上市公司調研報告、公司財務報表、金融市場政策文件、社交輿論新聞等文檔、資訊中提取影響市場走勢、價格波動、交易執行等相關的信息，進一步優化投資策略。具有紀律性、系統性、套利性、概率性四大主要特徵。

2. 量化投資策略

量化基金的投資策略按投資證券標的類型、交易方法大致分：量化選股、量化擇時、股指期貨套利、商品期貨套利、統計套利、算法交易、期權套利。也有部分基金根據投資風格及主題，會同時採用事件驅動、行業輪動、多空、市場中性等策略。

3. 傳統量化投資策略存在的問題

1）交易策略的時效性：金融市場非線性行為，導致金融數據存在非穩態，量化投資策略時效短；

2）交易策略同質化：量化投資建模因市場而異，但市面上模型同質化現象嚴重；

3）模型過度擬合：訓練數據缺少對意外事件的記錄，模型會偏離真實情況，從而導致預測不準；

4）數據挖掘算法的低效與計算機運行能力的有限。

4. 現代量化投資策略中應用機器學習算法的潛力

1）在數據提取和處理過程中，使用強大數據挖掘算法提高數據獲取與分析的效率；

2）在模型構建過程中，機器學習能夠提供非線性關係化的模糊處理，幫助處理非線性問題；

3）機器學習技術或許可以找到超出傳統量化力所能及與人類認知經驗的「全局最優解」。

二、量化投資產業及市場現狀

1.量化投資策略應用現狀

目前量化投資主要應用於期貨公司、證券公司、基金公司、資管公司中。西方發達金融市場中, 量化交易佔據總交易量的70% , 而我國約為30%，相比之下我國的量化投資仍處於起步階段。

截至2018年底，我國公募量化基金規模合計1121億元；相比2017年規模略有縮減約10%，但集中度提升，按各個基金公司管理的量化產品規模排序，前五規模佔比達到51.4%。證券類私募基金規模亦從2018年初的2.5萬億縮減至2.25萬億，其中量化產品規模佔比基本穩定在8%左右。

2. 應用、提供量化投資策略的投資機構及技術服務機構

三、量化投資交易系統組成及機器學習算法應用流程

1. 量化投資交易系統組成

2. 量化投資中機器學習

算法模型建立與測試過程流程圖：

四、證券投資業務中常用機器學習算法的任務場景

五、機器學習在量化投資領域應用的侷限性與未來趨勢

侷限性

1. 金融數據信噪比偏低而易導致過擬合現象。

2. 投資經理難以得知機器學習算法的投資交易邏輯。

3. 機器學習無法準確分析無前例可循的意外事件。

4. 實際量化分析過程可用的數據量遠遠不足。

未來趨勢

1. 分析師的經驗和機器學習算法的融合。

2. 量化投資工作中重複性較高的流程將有人工智能接管。

3. 機器學習算法能夠提供非線性關係化的模糊處理，彌補人腦思維模型的侷限，大幅提高數據挖掘與處理能力。量化投資策略會更豐富。