市场信息报电子报

2024年12月30星期一
国内统一刊号:CN14-0016
市场信息报学术论坛

按日期检索

12 2017
3
4

市场信息报

电子报刊阅读器
放大 缩小 默认

人工智能在金融量化领域的应用研究

□ 作者 □ 上海立信会计金融学院 高瑞卿

金融量化交易是指在金融投资市场,以数学算法和模型代替人工主观判断作为交易依据的投资方式。自动化交易是量化交易的显著特征,它可以实时读取金融行情数据,完成数据特征提取,通过数学交易模型自动计算买卖信号,并通过交易下单系统自动完成下单交易。随着人工智能和大数据时代的来临,人工智能与量化交易的结合愈加深入,人工智能对于量化投资的理论基础和运行机制程都产生了巨大的影响和改变。

一、量化交易的发展现状

(一)国外的发展情况。量化交易最早出现在上世纪50年代,主要是学者尝试使用数学和统计学原理来分析股票交易。进入90年代,随着互联网的兴起和计算机计算能力的大幅提升,量化投资者利用更为复杂的数学算法和交易模型来进行交易,量化投资的规模迅速扩张。截止2023年,全球量化交易规模达到21.9万亿美元,占全球交易规模的40%,在美国,量化交易更是占到交易总量的70%。

(二)国内的发展情况。量化交易进入中国较晚,2014年左右才开始进入中国,之后交易规模逐年增长,2019年有6家量化私募基金超过百亿,交易规模开始快速增长。截止2024年4月,中国私募证券投资基金管理人有8306家,规模超过100亿元的私募证券基金管理人约94家,其中百亿量化私募有33家,量化规模约1.5万亿,公募量化基金规模约3000亿元。

二、量化交易的分类

量化交易按照交易标的分为股票策略、商品CTA策略、债券策略、期权策略、FOF策略等;按照盈利模式分为单边策略、中性策略、套利策略和对冲策略;按照交易周期分为低频策略、高频策略、日内策略、隔夜策略等;按照信号来源分为技术分析策略、文本分析策略、高频交易策略;下边按照信号来源分类进行介绍。

(一)技术分析策略。技术分析策略,是指交易者基于交易标的历史交易数据,利用统计学的计算方法形成计算指标,通过对技术指标的分析或者对行情图表的分析形成交易信号,进而自动化交易的交易策略。该类交易策略优点是分析方法较为直观,具有较高的灵活性和适应性,实现自动化交易比较容易。其缺点是,技术分析通常依据的是经验数据,无法保证判断的准确性和稳定性,需要投资者具备丰富的交易经验和风险控制能力。

(二)文本分析策略。文本分析策略主要是指利用自然语言处理技术,对上市公司财报、公告、财经新闻等文本数据进行处理,将文本信息转化为结构化交易数据,利用交易模型生成交易指令或者使用机器学习方法参照历史走势生成交易指令。文本分析策略一般包括事件驱动策略和用户舆情分析策略。该类交易策略优点是通过现实文本材料分析,生成对应的交易指令,交易判断具有逻辑合理性和可解释性,同时通过机器学习可以自我提升准确度。缺点是自然语言处理技术本身存在语义歧义和难以准确判断的瓶颈,并且该类策略需要处理大量的数据,通常具有大量的计算成本和时间成本,数据的有效性和学习模型的过拟合也存在可靠性风险。

(三)高频交易策略。高频交易是一种交易周期极短的自动化交易策略,通常通过硬件优势或者盘口挂单数据,在极短时间内分析判断下单交易,具有单笔盈利小,交易数量巨大的特点。该类交易策略优点是可以快速捕捉同一市场或者不同市场之间微小的价格差异从而获利,通常具有收益稳定,回撤较小的特点。其缺点是交易手续费等交易成本特别高,对交易系统硬件配置要求也很高,一旦市场出现异常波动,亏损巨大且对市场造成较大影响,技术风险和市场监管风险巨大,并且模型难以回测,对投资者门槛较高。

三、人工智能在金融量化领域的应用

近年来,随着人工智能技术的迅速发展,以大语言模型为代表的自然语言处理技术的突飞猛进,机器学习领域遗传算法、粒子群算法、Actor-Critic强化学习算法的出现,对于量化投资的数据收集、特征提取、模型开发和交易执行等各个环节都影响巨大,为量化投资带来了新的发展机遇。

(一)数据收集环节。人工智能领域的自然语言处理技术、大语言模型技术实现突破和计算算力大幅提升后,量化交易模型收集数据由原来的交易价格、交易成交量等行情数据扩展到对上市公司通告、财经网站新闻、甚至卫星图片等海量文本信息进行分析,收集数据范围大大扩充,对于人工智能技术的依赖越来越强。

(二)特征提取环节。传统量化交易以简单统计学技术指标或者人工获取上市公司财报信息进行特征提取的方式,在人工智能兴起后,逐渐演变为复杂数学空间特征挖掘和优化提取的过程。

(三)模型开发环节。“大数据+大模型+强化学习+迁移学习+超强算力”的组合出现,使得量化交易的模型开发,由原来基于人工搭建,计算机语言实现自动化交易的量化交易模型开发方式完全被颠覆,特别是遗传算法、粒子群算法等启发式搜索算法和Actor-Critic深度强化学习算法的使用,使得量化交易模型的构建更加深层和黑盒化。

(四)交易执行环节。当交易量巨大时,采取智能拆单交易算法可以有效降低冲击成本,获得较好的成交价格,常见的拆单算法包括主动交易策略、被动交易策略等。

作者简介:高瑞卿(1981.09-),男,汉,河南省南阳市人,硕士,上海立信会计金融学院研究实习员,主要研究方向为学术评价、信息管理、金融科技。

放大 缩小 默认
关于我们 |
在线订报
| 在线投稿 | 手机版
主办单位:市场信息报社
ICP证:晋ICP备10201605号-1