什么是量化投资？

股市被认为是混乱的，复杂的，波动的和动态的。通过计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式。通俗地讲，就是预先设定一套固定的逻辑，点明选股及何时买入何时卖出的标准。实盘操作时，实时接收行情数据并进行分析，当达到预先设定的标准时，即自动进行买入卖出的操作。

量化投资的优越性到底在哪里？

打个比方，我们可以作一个机器人王亚伟。我们可以根据王亚伟什么时候买进，什么时候卖出，我们把一个股票分解成60多个因子。比如，基本面是什么样的，分析员是怎么说的，现在的价、量是什么情况，列出60几个因子。
其中，哪几个因子绿灯，是它该买的时候；该卖出的时候，哪几个灯灭掉了。
一一对比之后，你知道他买的股票，看重哪几个因子。
这样，按照他的方法，我们可以整个市场几千只股票全部扫一遍，计算机每天大概几分钟就扫完了，晒出一大批王亚伟类型的股票。
按这个方法去做，实际上可以了一个机器人王亚伟。

就是把所有的投资决定分散，分地越散越好，而人类的物理性能无法与计算机相匹敌。
求胜率。每一个投资决定的胜率只要高出平均水平，达到51%。把这两步做到了之后，基本上量化就没有问题了。

人工智能时代的量化投资策略

人工智能的浪潮已经席卷生活中越来越多的领域：语音识别、图像识别、风控监控、智能推荐、无人驾驶……
机器开始在许多方面逐步代替人类的工作，大大解放了人类的双手，在某些领域还能完成许多人类无法胜任的工作，那么投资如何？

案例：利用LSTM预测真实金融数据

通过合理途径获取到金融历史数据
数据清理与归一化
- 去极值：跳水比赛或体操比赛中，通常会去掉最高分和最低分，在剩下的裁判打分中取平均值，同样的道理，对于某个单因子，3000多只股票就对应3000多个因子值，有些高的离谱，有些低的离谱，这些异常值就像跳水和体操比赛打分里的极端值，通常给予剔除的处理。
- 因子值标准化：试想一下如果小王同学用两个因子来择偶，一个是身高，一个是颜值，身高的取值范围在150-180cm，颜值的取值在0-10分，这两个因子的单位（量纲）都不同，自然不能够相加，这可怎么办呢，小王想了个办法，身高180cm对应10分，150cm对应0分，中间的身高对应得分则用下图的函数映射给出，这个过程就是因子值的标准化。
- 值、行业中性处理：每个单因子对股价的影响力都有着千丝万缕的联系，比如市盈率因子与市值因子对股价都有影响，小市值的股票里也有市盈率低的股票，市盈率低的股票也不都是大票。
1. 特征降维：（主成分分析法）
制作数据集：具体操作是：取当前时刻及其之前的N段数据构成序列，将每一段序列作为一个新的数据点。另外，该学习方法属于监督学习，每一个数据都要有其对应的标签（label），我们取其下一时刻的涨跌情况作为label，按照涨跌幅度分为五类，使其近似满足正态分布。
划分训练集与测试集
构建LSTM神经网络，开始训练
编写交易策略。最简单的策略即根据预测涨跌情况直接进行交易选择，如未来连续几个时间点上涨即买入，连续几个时间点下跌即卖出。当然也可以与一般的交易策略结合，如预测金叉与死叉点等，并加入止盈止损策略。

仰望星空，深度学习我们应该掌握的原理有什么？

近年来，深度神经网络在语音、图像领域取得突出进展，以至于很多人将深度学习与深度神经网络等同视之。

什么是深度学习？

我们都知道现在人工智能很热，掀起这股的热潮最重要的技术之一就是深度学习技术。今天当我们谈到深度学习的时候，其实已经可以看到在各种各样的应用，包括图像、视频、声音、自然语言处理等等。如果我们问一个问题，什么是深度学习？大多数人基本会认为，深度学习差不多就等于深度神经网络。

深度学习不等于深度神经网络：深度强化学习（D.silver&Sutton）、gcForest（周志华）.etc

什么是神经网络？

神经网络长成什么样？：类比人脑，（简单的计算模型）
- 数学表达形式：$y = a(W*x+b)$;
- 形象的理解便是：1.升维/降维 2.放大/缩小 3. 旋转 4.平移 5.“弯曲” （保证连续，可微分—>BP算法才有用武之地！）
神经网络的训练过程如何？
- loss function(目标与预测差距有多少) 【我看到一直老虎却认成一只猫，loss就在于“王”上】
- 梯度下降：loss值向当前点对应梯度的反方向不断移动，来降低loss。（BP算法）

为什么是深度学习而不是宽度学习？

深度学习泛函表达能力会更强（学习到特征的能力会更强，逐层抽象能力更强）
神经网络的万有逼近能力（泰勒公式、傅里叶变换等）

脚踏实地，让我们谈谈到底该使用什么工具？

pytorch
numpy
pandas

学术界与工业界的前沿探索

通过预测公司基本面来改善基于因子的量化投资

上市公司需要定期发布报告反映公司基本面的财务数据，如收入，营业收入，债务等。这些数据点为公司的财务状况提供了一些参考。学术研究已经验证了一些有效因子，即通过回测分析历史报告数据的计算因子，可以获得超越市场平均水平的表现。其中，两个受欢迎的因子是账面价值（按市值归一化调整）和营业收入（按EBIT / EV归一化调整）。通过回测表明，如果我们能够（透视）选择使用基于未来基本面计算的因子（通过预测）来选择股票，那么我们的投资组合将远远超越标准因子选股方法。受此分析的启发，我们训练深度神经网络以预测未来5年的基本面数据。

使用机器学习算法预测ETF

专注于预测几个具有流动性的ETF的涨跌方向（向上或向下），并不试图预测价格变化的幅度。结论：1. 短期价格服从随机游走假设 2. 横截面和跨期的成交量对于一个强大的信息集的重要性 3. 大量特征是可预测性所必需的，因为每个特征提供的贡献非常小。 4. ETFs可以用机器学习算法进行预测，但实践者应该将先前的市场和直觉知识纳入资产类别行为。

引用参考资料和版权说明
https://zhuanlan.zhihu.com/p/33430725
https://zhuanlan.zhihu.com/p/29451486
https://zhuanlan.zhihu.com/p/22260743
https://zhuanlan.zhihu.com/p/25919734
https://zhuanlan.zhihu.com/p/26037052
https://zhuanlan.zhihu.com/p/35044817
https://mp.weixin.qq.com/s/ROk5lK5gWj6pl4-ebrHG_A
https://www.zhihu.com/question/22553761/answer/36429105
https://arxiv.org/pdf/1711.04837.pdf
https://arxiv.org/pdf/1801.01777.pdf