线性关系与相互作用。AI量化模型训练时既关注财报等基本面信息，也关注股价、分析师报告、投资者仓位等数据，同时在组合构建上尽量保持对价值、动量、规模、质量等传统风格因子的中性暴露，不会对单一风格因子（如动量做过多暴露。   雷德玮介绍，这400个信号全部由研究员人工构建，AI并不“发明信号”。“我们用经过专家研究、具备经济学依据的信号来训练模型。”他表示，“确实有些基金管理人会直接用原始数据让AI模型自己去找信号特征，但我们更偏好使用可溯源、可论证的信号作为输入，然后让AI量化模型去学习信号与信号之间的关系。”   至于这些信号关系的可解释性，雷德玮坦言：“如果把这些关系逐一摊开，人类也许只能对大约10%给出清晰的解释；绝大多数关系对人来说并不容易理解和阐释。这也正是我们必须借助机器学习来识别这些复杂关系的原因。”   打造特色化AI量化投资策略   近年来，AI量化投资赛道参与者与日俱增。与同业相比，瑞士百达资管的AI量化策略有何差异化？   对此，雷德玮表示：“首先是持有期设定，市场上许多AI量化策略更偏向1天、2天或5天的超短持仓周期，但瑞士百达资管专注约20天持有期，这是我们与同业的一大不同。超短线交易通常对市场流动性要求更高，但对我们来讲，并没有那么重要。其次，我们用更传统的数据来训练模型，使训练能够覆盖更长的历史周期。很多同行更多依赖历史较短的‘另类数据’，不得不在更短样本期进行训练。此外，我们强调因子中性，即在动量、价值、成长、规模等风格上保持均衡和独立，不对单一风格做过多暴露。”   如何避免AI量化模型出现过度拟合？这也是量化行业面临的共同课题。过度拟合，即量化模型在历史数据（训练数据上表现出色，但在未见过的数据（实盘交易上却表现不佳。   “我们对过度拟合风险非常重视，主要通过三个方法来规避。”雷德玮表示，“一是给AI量化模型输入具有经济学依据或经济上合理的信号，而不是让模型从原始数据里自己寻找特征信号；二是采用成千上万个简单模型进行集成训练，而不去押注那少数看上去‘准确率很高’的模型，后者反而更容易导致过度拟合；三是用15年的数据来训练模型，使用一种交叉验证的方法，也就是先用随机选择的12年数据训练，然后用另外3年的数据来验证，这是一种机器学习的训练方法，有助于降低过度拟合的风险。”   值得一提的是，随着AI在量化领域的兴起，基金经理的角色正在
=*=*=*=*=*=
当前为第3/4页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页