量化交易 | Chika Komari

⽆监督学习实现数据驱动的⻛险因⼦和资产配置⽆监督学习通过学习⼀种信息丰富的数据表示，帮助探索新数据、发现有⽤的⻅解或更有效地解决其他任务。降维和聚类是⽆监督学习的主要任务。维度灾难由距离公式：

用于交易的深度学习作为表征学习的深度学习许多⼈⼯智能任务，如图像或语⾳识别，都需要关于世界的知识。其中⼀个关键挑战是如何对这些知识进⾏编码，以便计算机能够利⽤它们。⼏⼗年来，开发机器学习系统需要⼤量的领域专业知识，才能将原始数据（如图像像素）转换为学习算法可以⽤来

Alpha 类型分类总览均值回归型(Mean-Reversion Alpha) alpha 的方向与其所基于的回报方向相反——例如当价格上涨时做空，价格下跌时做多，预期价格将“回归”。示例如下：

⽤于波动率预测和统计套利的时间序列模型本部分，我们将构建动态线性模型，以明确表示时间，并纳⼊在特定时间间隔或滞后期观测到的变量。时间序列数据的⼀个关键特征是其序列顺序：我们的数据不是像横截⾯数据那样的单个观测值的随机样本，⽽是⼀个我们⽆法重复的随机过程的单次实现。我们的⽬

机器学习流程为任务匹配算法不同算法的假设空间⼤⼩差异显著。⼀⽅⾯，这种限制使得成功的搜索成为可能；另⼀⽅⾯，它也意味着⼀种归纳偏⻅，当算法从训练样本泛化到新数据时，可能会导致性能不佳。因此，关键的挑战在于如何选择⼀个模型，其假设空间既要⼤到⾜以包含学习问题的解决⽅

金融特征工程——α因子研究算法交易策略由信号驱动，这些信号指示何时买卖资产，以期获得相对于基准（如指数）的超额回报。资产回报中⽆法由该基准⻛险敞⼝解释的部分被称为阿尔法（alpha），因此，旨在产⽣此类⾮相关回报的信号也被称为阿尔法因⼦。数⼗年的研究积累了⼤量关于市场运作

机器学习在算法交易中的发展潮流量化投资与因子制取方法的发展随着交易不断的高频化和隐藏化，为了在混乱的交易中脱颖而出，则需要研究更加优秀的算法；同时，由于交易和风险紧密相连，风险因子的探究也变得愈发重要，从单因子逐渐演变为了双因子。在重视程度方面，基本面投资