10月26日晚，清华经管学院金融硕士项目2020年中国金融实务课堂系列之六-金融科技第六讲在舜德楼开讲，由博道基金首席量化分析师、基金经理杨梦老师授课，主题为“机器学习在投资中的运用”。本次课程由清华经管学院高峰教授主持。

课堂现场

在本讲中，杨梦老师将理论与实战相结合，向同学们介绍了投资中机器学习的算法分类与基本原理；同时也结合自身与同行的实际经历，分享了机器学习应用于投资中的实践案例。

杨梦老师首先从方法论的角度出发，介绍了投资的两大类方法：演绎法与归纳法。其中演绎法通常是对历史经验进行总结、提炼事件之间的因果关系、进而对未来做出逻辑自洽的判断，这种方法也是目前主动投资中的主流方法；而归纳法则是将历史经验总结、外推，通过工具提炼相关关系，依据统计规律进行投资决策的方法。一般而言，使用归纳法与相关关系的投资策略，都伴随着大量的数据处理与分析工作，因而需要量化模型的辅助，也使得机器学习在量化投资领域中有着用武之地。

杨梦为同学们作分享

以多因子选股模型为例，传统方法中，一般先对模型的条件进行主观设定，使用线性的方法进行模型搭建；而在机器学习的框架中，通常不先去假定模式，而是让算法自身去探索数据之间的关系，来获取与真实情况最接近、损失值最小的最优模式。换句话说，机器学习也是“更好地发现历史真相的过程”，而如何最小化损失值，也是机器学习中的关键点。

大体而言，机器学习可以分为无监督学习、监督式学习与强化学习三大类。无监督学习用来学习特征数据本身的分布特征，常用的有降维和聚类两种方法。降维方法指的是，在全样本的多维度数据中，通过因子分析、主成分分析等方式，提取这些维度中最具有代表性的几个维度，将庞大的数据集进行精炼的方法；聚类方法则是通过样本的相关性，将全样本分为多个小组，使得每个小组内的数据之间具有较高的相关性，而不同小组之间的数据相似性较低的方法。

课堂现场

与无监督学习相对应，监督式学习除了需要输入特征数据，还需要输入标签数据，主要用来研究从特征数据到标签数据之间的函数映射关系。监督学习目前在量化投资领域的应用较为广泛，而从算法原理来看，监督学习主要可以分为三种算法：线性模型、树模型与神经网络模型。

在线性模型中，我们假定数据的输入与输出之间可以用线性的方式进行描述，通过回归、逻辑回归、支持向量机等方式设计目标函数并进行最优化模型求解。尽管线性模型的拟合程度普遍不高，模型的误差也较大，但线性模型在当前市场的投资模型构建中仍然应用较广泛。这是由于相比于其他监督学习模型而言，线性模型的关系更容易理解，同时也更好把控。模型分析师可以在线性模型中很直观的看到因子可能存在的问题，也可以看到究竟是什么因素在影响投资决策与投资表现，使得投资逻辑“可掌控、可追踪”。

但是，随着投资决策中使用的数据集不断扩大、市场的发展不断完善，线性模型的解释力度也逐渐下降。近年来，投资机构普遍不再满足于使用线性模型描述资本市场，开始转向了更高维、更复杂的机器学习算法，这使得树模型、神经网络模型的使用也逐渐广泛了起来。

课堂现场

树模型的使用以决策树为基础。在决策树的每一个节点，都通过一定的规则将数据集合进行分裂，直至最后把数据集合分裂成覆盖整个空间且不可再分。在机器学习的过程中，单棵决策树的结果并不稳定，因此一般需要多棵决策树集合处理，而根据集合方式的不同，树模型又可以分为Bagging模型与Boosting模型两大类。在Bagging模型中，会并行随机生成多棵决策树，之后通过加权平均的形式获取统计规律；而Boosting模型则是使用决策树串行的方式，通过不断对上一课决策树的预测偏差进行重新建模，来实现数据规律的提取。

神经网络模型与树模型有着一定的类似性。神经网络模型以神经元为基础，一个神经元可以被看作是一个简单的计算器，计算给定输入的加权平均值，加权平均值通过一个激活函数的处理，如果处理值超过预定阈值则输出结果。输入的加权平均的过程是一个线性过程，而激活函数则是一个非线性的过程，所以神经网络模型的本质其实是线性和非线性的堆叠。一个神经网络系统一般是由多层堆叠的神经元组成，不同算法的差别来自层的组成结构及层与层之间的关系。目前应用比较广泛的几种网络结构包括多层神经网络，卷积神经网络和循环神经网络。

强化学习的思路和监督学习是反过来的，是由结果去反推最优过程。强化学习主要涉及三方面的要素：环境、动作、回报。在强化学习中，算法会在不同环境中采取不同动作，并通过这些动作产生的回报不断的优化自身行为，最终形成损失函数最小的投资策略。根据价值函数表达方式的不同，强化学习算法可以分为Q-Learning，DQN，POLICY GRADIENT等类别。强化学习是“利用机器算法进行投资”的比较终极的场景，相当于把行为规律的挖掘，到投资组合的构建，全部的流程都交给机器算法来解决，算法直接输出的是目标配置。但也正是因为其“包办”太多流程，需要对模型细节进行更加深入的把控，才能获得比较稳定的结果，目前在投资领域比较成功的运用多集中在交易领域，决策领域相对较少。

同学们积极提问

随后，杨梦老师通过博道基金的多因子体系构建的案例，介绍了机器学习在因子挖掘、因子合成、指数配置、指数择时等多方面的应用。在机构投资的过程中，无论是从庞大的因子库的构建、因子的筛选、具体交易中的资产配置，都有机器学习的“用武之地”。

最后，杨老师分享了她对量化投资的感悟。自从alpha-go一夜爆红之后，投资界也对于机器、算法的使用有着各种各样的讨论。杨老师认为，尽管从短期来看，在投资这件事上机器难以取代人类，但机器一定是辅助投资决策的“利器”。通过机器学习，我们可以大大缩短发现统计规律的时间，更好的发现历史规律、帮助投资决策。

主讲人介绍：

杨梦，博道基金合伙人、首席量化分析师、基金经理。