原创文章第108篇，专注“个人成长与财富自由、世界运作的逻辑， AI量化投资”。
关于量化投资，我们写了不少文章。从数据准备，预处理，因子特征工程，因子分析，规则策略，模型，回测，指标分析，可视化等等。
需要到总体进行一个架构。量化投资是一个系统，是一个知识体系。
我打开一本较老的书，但里面关于量化的体系，介绍得比较系统——《打开量化投资的黑箱》。
量化投资在外界看来很神秘，似乎是一个“黑箱”，只要把数据输入进去，经过各种高深的数学模型的处理，就可以告诉我们下一步如何交易。——对于人工智能，大家也有过这样高的预期和想象。
如果你有这样的期待，无论是人工智能还是量化交易，可能都会让你大失所望。量化投资比人工智能还难，人工智能面对的是“确定”的环境，而金融市场叠加了人的情绪的因素，它的“不确定性”呈指数级攀升。
要构建对于量化投资的正确的系统性的认知，有必要把这个黑箱打开，看看它的核心组件以及它们之间是如何协作，进而指导我们，在哪些方面下功夫积累和提升。
一个典型的量化投资策略，由如下几个部分组成：
交易系统通常包含：Alpha模型，风控模型以及成本模型，三者的输出作为组合构建模型的输入，而组合构建与执行相互作用。
其中Alpha模型负责判断市场趋势，判断什么资产最值得持有；而风控模型负责判断可能的风险情况；而所有的交易动作都会产生成本，不合适的交易动作可能会吞噬掉很多利润，甚至让交易策略不成立。而组合构建模型就是平稳收益、风险与成本，进而给出最优的投资组合。
下面我们对各个子模型展开阐述。
Alpha模型应该说是交易策略里非常关键的子模型，因为它决定策略如何盈利。很多人聊量化投资，一般都指Alpha模型，就是如何选股，择时等等。当然其它部分的协作也非常重要。
这就好比你要创业做买卖，核心就是你的商业模式——策略的商业模式就是Alpha模型，而风控模型是为了让赚钱这个行为承担可承受的风险，成本模型对成本进行管理，降低成本可以提升利润。但出发点一定是这个生意的商业模式能赚钱。
如同科学有两大主义：理论主义与经验主义。我们寻找Alpha也有两条路径：理论驱动和数据驱动。
理论驱动的研究，就是我们现代科学运行的逻辑，我们知道宏观世界的牛顿力学，了解空气动力学，进而去制造和改进飞机，以满足我们不同场景下的需求。
而数据驱动则不同，通过大量的观察，统计，总结出“有意义”模式，直接指导投资决策。
理论驱动强调的是因果性，而数据驱动偏重相关性。两者没有优劣之分。早年数据获取能力有限，处理能力有限，金融环境比之当下也更为简单，所以理论驱动的量化策略更为主流；而当我们进入大数据时代，世界的变量越来越多，数据量越来越大，想要解释这个世界的因果变得愈发困难，所以，更多人从因果转向相关性的研究。随着人工智能的崛起，机器模型可以从高维数据中学习到非线性的关系，这种关系可以是人脑无法描述和处理的“暗知识”，而在机器算法中以相关性的方式来表达。
理论驱动的Alpha模型
传统投资，无论是基本面还是技术面，都是理论驱动型的，因为背后都有金融理论做支撑。两者区别在于使用的数据。
技术面主要处理资产的市场数据，一般就是OHLCV（开高低收价格与成交量）这样的交易数据；而基本面则是描述资产的数据，最常见的就是股票背后的公司的财务数据，宏观经济的GDP/CPI等等。
处理数据不同，背后的理论支撑也不一样。
一、技术面策略：
技术面可以分成两个分支：一是趋势，二是均值回归。
趋势交易就是行为金融里的“恒者恒强”，“追涨杀跌”。过去好的资产未来这个趋势还会保持；而均值回归正好相反，它的逻辑是“物极必反”，“盛极必衰”，它认为资产的价格会围绕价值中枢上下波动。
二者看似矛盾，其实都有道理。它们是价格运行的不同阶段，观察的视角和时间框架不同罢了。想象左右摆动的钟摆，当钟摆从左而右超过中点时，会顺着惯性到达右侧的高点，这个过程就是“趋势”，这个惯性会保持一段时间。而当钟摆越靠近高点，它回归均值（中点）的力道就会越强，这时进入均值回归的区间。所以，趋势与均值回归是资产价格运行在周期的不同阶段。
二、基本面策略：
基本面策略根据对资产质地的关注点不同，可以分成：价值型和成长型。
很多基金经理都称自己的价值投资者，是巴菲特的终实粉丝。其实都没有这么纯粹。巴菲特的老师格雷厄姆那个年代的价值投资比较纯粹，就是计算出公司的内在价值，然后算出价格的合理区间，若股价低于这个区间，则买入，反之卖出。但随着金融市场越发成熟，一个不错的公司（白马），价格被错杀的概率越来越低，纯粹价值投资可能买不到好公司。而成长型偏重公司未来的成长性，就是我们常说的“黑马”。寻找黑马需要眼光、运气，对宏观趋势，行业走势有深刻的理解，对领导层管理能力的判断等。
基本面策略不见得都能量化，因为基本面不像市场数据那么直观，一个管理层的变更，基本是公司高层领导家庭私事都可能会引起基本面的恶化。这种事件很难被量化。所以，价值投资的基金经理，需要大量的行业研究员，上市公司调研等就不足为奇了。
数据驱动的Alpha模型
数据驱动的Alpha模型，就是希望寻找到对未来有解释力的“因子”，所有数据特征皆因子，即数据驱动的Alpha模型就是一个“多因子”模型。技术指标可以是，基本面财务数据也可以是，另类数据像微博里的情绪指数也可以。只要这个因子与未来收益之间有相关性。
数据驱动的模型有如下一些优点：
-
有技术门槛，壁垒高，竞争者会少很多。无论是传统的基本面还是技术面，谁能可以翻翻财报或者看看K线，评论两句。但要对数据进行挖掘，模式识别或者机器学习建模，这个难度就高了很多。
-
机器学习流程是通用的。数据处理到特征工程，数据标注，建模到优化，大部分的过程都是可复用的。我们只需要把精力放在寻找数据源，构建优质因子特征即可。
-
可以借力前沿人工智能技术的发展与突破。
当然缺点也很明显：
最受人诟病的就是数据驱动的模型是一个“黑盒“，可解释性差。这就带出一个问题，模型找到的相关性，到底是过拟合，偶然还是人脑无法识别的模式？
AI量化投资的研究重点就在数据驱动寻找Alpha因子。相信前沿技术不断突破，人工智能的黑箱会进一步打开，无论当下面临什么样的困难，一定是未来的方向。
创业板指数的布林带策略
这是一个典型的理论驱动alpha模型，布林带（20，2）是过去20天收盘价+2倍标准差为上轨，-2倍的标准差为下轨。分别为压力位与支撑位。若是收盘价突破上轨，则认为股份走强，做多。反之平仓的逻辑。
用我们的AI量化平台来实证一下。
我又优化了一下btengine的代码，现在使用起来可以说非常简洁了：
symbols是指资产列表，即创业板指数。计算布林带，而$close>$bbands_up时买入，反之平仓。
e = BacktraderEngine(init_cash=100000, start=datetime(2005, 1, 1)) symbols = ['399006.SZ'] names = ['bbands', 'buy', 'sell'] fields = ['BBands($close,20,2)', '$bbands_up<$close', '$bbands_down>$close'] from engine.bt_engine import BacktraderEngine from datetime import datetime e = BacktraderEngine(init_cash=100000, start=datetime(2005, 1, 1)) e.add_features(symbols, names, fields) from engine.strategy.algos import SelectBySignal, WeightEqually e.run_algo_strategy([SelectBySignal(), WeightEqually()]) e.analysis(pyfolio=True)
年化14.5%，夏普0.77，最大回撤35%。
AI量化平台代码及本策略notebook，数据均上传至星球-量化专栏，请大家前往下载。
近期文章：