AI人工智能、机器学习在金融量化投资领域的应用
余文鑫 ArivnAI量化对冲基金Quantitative hedge funds，欢迎自荐与合作，电话（微信） 18682408004，邮箱arvin.yu@jrjhr.com…发布日期: 2020 年 11 月 4 日+ 关注1.什么是 AI ？AI-人工智能（Artificial Intelligence），是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能亦称智械、机器智能，指由人制造出来的机器所表现出来的智能，通常人工智能是指通过普通计算机程序来呈现人类智能的技术。简单说就是使用机器代替人实现认知、分析、决策等功能的综合学科。2.什么是 机器学习？机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。3.什么是 量化投资？量化投资（Quantitative Investment）是指通过数据统计量化方式及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。量化投资区别于定性投资的特征就是模型，量化投资技术几乎覆盖了投资的全过程，包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易、资产配置等。大量可靠的、结构化的数据将成为 AI + 金融 的主要驱动力！
AI量化投资从社交媒体、财经网站、行业研究报告、沪深系统等数据源获取的大量舆情、基本面、技术面原始数据，通过数据挖掘、知识图谱、自然语言处理等关键技术进行清洗、预处理，从而获得结构化、可靠的金融量化数据。
目前成熟的AI技术和可靠的、规则化的金融数据成为AI落地金融领域的巨大瓶颈，而机器学习基础理论、基本规则和基本开发工具都已经非常完善，当下火热的AI技术，结合金融市场量化团队，与众不同的AI量化模型也就应运而生。
还有模型代码、服务器等就不过多展示了......
(AI入门知识)AI-人工智能知名企业：商汤科技（SenseTime）旷视科技（megvii）依图YITU云从科技（Cloudwalk）百度AI阿里巴巴腾讯AI开放平台华为HiLink科大讯飞优必图UBTECH谷歌DeepMind亚马逊AlexaFacebook FAIRMicrosoft微软苹果公司（Apple)...常用的机器学习算法有：· 构造间隔理论分布：聚类分析和模式识别· 人工神经网络· 决策树· 感知器· 支持向量机· 集成学习AdaBoost· 降维与度量学习· 聚类· 贝叶斯分类器· 构造条件概率：回归分析和统计分类· 高斯过程回归· 线性判别分析· 最近邻居法· 径向基函数核· 通过再生模型构造概率密度函数：· 最大期望算法· 概率图模型：包括贝叶斯网和Markov随机场· Generative Topographic Mapping· 近似推断技术：· 马尔可夫链· 蒙特卡罗方法· 变分法· 最优化：大多数以上方法，直接或者间接使用最优化算法。每种方法都有其优点和缺点，可以通过使用不同的算法组合来解决实际问题。而如何选择通过哪些算法来解决一个特定的问题，将取决于各类因素，包括可用的数据集的性质。在实践中，开发人员倾向于通过实验来选择采取哪种方法。随着技术的不断发展，我们引入了一个更高效的机器学习方式--深度学习深度学习对于一般的机器学习而言， 编写执行某些任务的程序是很困难的，比如语音语义理解和识别图像中的对象。举个例子，如果我们想编写一个识别汽车图像的计算机程序，那么我们就不能仅通过一个算法来处理汽车的特征及确保在任何情况下该算法都能进行正确的识别。因为汽车有各种各样的形状、大小和颜色；他们的位置，方向和形态各不相同。此外，车辆所处路况、照明条件和其他许多因素都可能影响识别车辆的外观。变量太多，就算是我们硬头皮写了出来，这也不是一个好的可扩展的方案。如此一来，我们就需要为每一种我们要识别的对象单独写程序。但是，深度学习（DL），这彻底改变了人工智能的世界。深度学习是一个子集的机器学习。所有深度学习都是机器学习，但并非所有机器学习都是深度学习。深度学习是如何实现的？深度学习本质是一种模拟人类大脑思考的学习方式。大脑会通过学习来克服困难 ：包括理解言语和识别对象。大脑并不会通过处理穷举规则来判断，而是通过实践和反馈提高自我认知。就像一个孩子，看到汽车会知道这是汽车，看到图片会知道上面表达的含义。孩子们没有一套详细的规则来学习，孩子们是通过训练而掌握这些的。深度学习使用相同的方法。基于人工和软件的计算单元，其近似脑中的神经元的功能被连接在一起。它们形成一个「神经网络」，它接收一个输入内容（继续我们的例子，一辆汽车的图片），进行分析、做出判断并被告知自己的判断是否正确，以此来训练。如果输出是错误的，神经元之间的连接由算法调整，这将改变未来的预测。（因此最初期时，神经网络将发生多次错误）在数百万的例子中，神经元之间的连接将被调整，实践使其逐渐完善，一步步接近完美。通过深度学习 DL 我们现在可以：· 识别图片中的元素；· 实时翻译语言；· 使用语音来控制设备（通过 Apple 的 Siri，Google Now; Amazon Alexa 和 Microsoft Cortana）;· 预测遗传变异如何影响 DNA 转录;· 分析客户评论中的情绪;· 检测医学图像中的肿瘤;· 其他更多可能...深度学习将程序员从复杂的问题处理中解放出来，为一系列重要问题提供了成功的预测的工具。