新闻动态

听见我们的声音

近日,IDEA研究院执行院长、AI金融与深度学习首席科学家郭健博士受邀在2023世界人工智能大会(WAIC 2023)发表演讲,解析以下一代AI技术驱动的量化投资新范式Quant4.0,提出了量化投资面临的十大技术问题,并通过对IDEA研究院在这一新型交叉领域研发的成果介绍,展望了行业发展的新机遇和新挑战。

郭健在 WAIC 2023 论坛作主题演讲

 

Quant发展史:小作坊-流水线-深度学习

1978年,数学家詹姆斯·西蒙斯(James Simons)离开纽约州立大学数学系,进入对冲基金领域。在此后的数十载间,他打造出一个由数学与计算机技术驱动的资产管理帝国,成为与巴菲特、索罗斯齐名的顶级投资家。更重要的是,西蒙斯在产业界开创了量化投资流派,让自动化程序取代人,变成交易的决策和操作者。

量化投资的发展经历了Quant1.0至Quant3.0的时代,而科研突破与技术创新一直是模式变迁背后的第一推动力

Quant1.0又称“精英小作坊”。由一群哈佛、MIT等名校毕业生组成小型团队,用当时最前沿的数学模型和计算机技术寻找金融市场的无效定价。然而,这种模式极度依赖个别“天才”的存在,一旦灵魂人物离队或决策失误,则可能导致整个公司的衰败。

进入21世纪,以WorldQuant为代表的Quant2.0模式出现,量化投资进入流水线大生产的时代。大量策略研究员在标准化平台上挖掘金融信号,再由众多量化基金经理融合成投资策略。然而,Quant2.0正在面临边际收益递减的瓶颈,其业绩收入增速无法赶不上投研人力成本的增速。

近年来,随着AI技术的成熟,以深度学习为主要数学工具的Quant3.0逐渐普及。得益于深度学习模型天然的端到端训练能力,Quant3.0不再只依靠“人海战术”所积累的“强因子”,而更多地通过从相对容易挖掘的“弱因子”中训练出“强模型”来寻求新alpha收益。

 

Quant4.0突破瓶颈:自动化AI、可解释AI、知识驱动AI

从1.0的小作坊,到2.0的流水线,再到3.0的机器学习,量化投资技术无疑在更高层次的全面人工智能道路上一路狂奔。然而,Quant3.0所依赖的深度学习,仍有三个瓶颈亟待突破。

郭健在 WAIC 2023 论坛上阐述 Quant4.0 理念

首先,深度学习手工建模耗时耗力,一个亿级参数深度学习模型往往需要大量的设计和调参工作。虽然深度学习科学家取代了大量的金融因子研究员,但成本依旧居高不下。其次,深度学习模型是个巨大的黑箱,只能看到输入什么、输出什么,却无法得知其内在的过程与逻辑,对于风险和合规非常敏感的金融行业来说,这是难以接受的。最后,以深度学习为代表的数据驱动型AI,必须依赖海量数据才能训练好模型,这就将AI的应用局限在中高频投资这块容量较小的市场内,面对巨大的价值投资、宏观对冲等市场只能望洋兴叹。

因此,IDEA研究院提出Quant4.0新范式,提出自动化AI、可解释AI与知识驱动AI三大核心要素,推动下一代AI技术更深入地赋能金融投资。

IDEA提出的下一代量化投资技术面临的十大难题

自动化AI的目标,是用AI自动建模取代传统手工数学建模, 让“算法生产算法、模型构建模型”,以至于到未来的“AI创造AI”。IDEA研究院研发从数据预处理、大规模金融特征工程、AutoML深度学习建模、投资组合管理、订单优化执行、风险归因分析,到模型部署优化的全流程自动化投资研究系统与技术平台,为自动化AI投资奠定技术基础。

Quant4.0范式下的典型系统架构

可解释AI寻求解决深度学习黑盒问题,力求能准确刻画隐藏在模型背后的复杂因果关系和各种非线性风险。IDEA研究院的可解释AI金融系统,支持大规模金融信号重要性分析、敏感性分析、鲁棒性分析、相关性分析、隐性风险暴露分析、突发事件压力分析、市场风格分析等多维度多周期自动分析,让投资收益和风险的来源、去向都更加透明。此外,IDEA正在研发金融市场高精度模拟系统,用AI技术仿真现实市场中潜在极端行情,提升金融模型压力测试的科学性。

基于可解释AI技术的量化金融风险管理系统

作为以深度学习为代表的数据驱动AI的重要补充,知识驱动AI不仅是通用人工智能的重要发展方向,也是将Quant从中高频投资拓展到价值投资、甚至VC/PE等低频投资的重要技术手段。正所谓“数据不够、知识来凑”,IDEA研究院正在研发大规模金融知识与金融事件推理技术,逐步实现基于金融行为的AI自动逻辑推理与投资决策,希望有一天能够实现巴菲特一样的“AI价值投资大师”。

郭健指出,IDEA金融研究将持续推动技术与产业的深度融合,让金融与投资更精准、更迅捷、更安全。

WAIC精彩回顾|郭健:下一代AI技术与Quant4.0量化投资

日期:2023-07-14
  • 分享:
让金融投资更精准、更迅捷、更安全

近日,IDEA研究院执行院长、AI金融与深度学习首席科学家郭健博士受邀在2023世界人工智能大会(WAIC 2023)发表演讲,解析以下一代AI技术驱动的量化投资新范式Quant4.0,提出了量化投资面临的十大技术问题,并通过对IDEA研究院在这一新型交叉领域研发的成果介绍,展望了行业发展的新机遇和新挑战。

郭健在 WAIC 2023 论坛作主题演讲

 

Quant发展史:小作坊-流水线-深度学习

1978年,数学家詹姆斯·西蒙斯(James Simons)离开纽约州立大学数学系,进入对冲基金领域。在此后的数十载间,他打造出一个由数学与计算机技术驱动的资产管理帝国,成为与巴菲特、索罗斯齐名的顶级投资家。更重要的是,西蒙斯在产业界开创了量化投资流派,让自动化程序取代人,变成交易的决策和操作者。

量化投资的发展经历了Quant1.0至Quant3.0的时代,而科研突破与技术创新一直是模式变迁背后的第一推动力

Quant1.0又称“精英小作坊”。由一群哈佛、MIT等名校毕业生组成小型团队,用当时最前沿的数学模型和计算机技术寻找金融市场的无效定价。然而,这种模式极度依赖个别“天才”的存在,一旦灵魂人物离队或决策失误,则可能导致整个公司的衰败。

进入21世纪,以WorldQuant为代表的Quant2.0模式出现,量化投资进入流水线大生产的时代。大量策略研究员在标准化平台上挖掘金融信号,再由众多量化基金经理融合成投资策略。然而,Quant2.0正在面临边际收益递减的瓶颈,其业绩收入增速无法赶不上投研人力成本的增速。

近年来,随着AI技术的成熟,以深度学习为主要数学工具的Quant3.0逐渐普及。得益于深度学习模型天然的端到端训练能力,Quant3.0不再只依靠“人海战术”所积累的“强因子”,而更多地通过从相对容易挖掘的“弱因子”中训练出“强模型”来寻求新alpha收益。

 

Quant4.0突破瓶颈:自动化AI、可解释AI、知识驱动AI

从1.0的小作坊,到2.0的流水线,再到3.0的机器学习,量化投资技术无疑在更高层次的全面人工智能道路上一路狂奔。然而,Quant3.0所依赖的深度学习,仍有三个瓶颈亟待突破。

郭健在 WAIC 2023 论坛上阐述 Quant4.0 理念

首先,深度学习手工建模耗时耗力,一个亿级参数深度学习模型往往需要大量的设计和调参工作。虽然深度学习科学家取代了大量的金融因子研究员,但成本依旧居高不下。其次,深度学习模型是个巨大的黑箱,只能看到输入什么、输出什么,却无法得知其内在的过程与逻辑,对于风险和合规非常敏感的金融行业来说,这是难以接受的。最后,以深度学习为代表的数据驱动型AI,必须依赖海量数据才能训练好模型,这就将AI的应用局限在中高频投资这块容量较小的市场内,面对巨大的价值投资、宏观对冲等市场只能望洋兴叹。

因此,IDEA研究院提出Quant4.0新范式,提出自动化AI、可解释AI与知识驱动AI三大核心要素,推动下一代AI技术更深入地赋能金融投资。

IDEA提出的下一代量化投资技术面临的十大难题

自动化AI的目标,是用AI自动建模取代传统手工数学建模, 让“算法生产算法、模型构建模型”,以至于到未来的“AI创造AI”。IDEA研究院研发从数据预处理、大规模金融特征工程、AutoML深度学习建模、投资组合管理、订单优化执行、风险归因分析,到模型部署优化的全流程自动化投资研究系统与技术平台,为自动化AI投资奠定技术基础。

Quant4.0范式下的典型系统架构

可解释AI寻求解决深度学习黑盒问题,力求能准确刻画隐藏在模型背后的复杂因果关系和各种非线性风险。IDEA研究院的可解释AI金融系统,支持大规模金融信号重要性分析、敏感性分析、鲁棒性分析、相关性分析、隐性风险暴露分析、突发事件压力分析、市场风格分析等多维度多周期自动分析,让投资收益和风险的来源、去向都更加透明。此外,IDEA正在研发金融市场高精度模拟系统,用AI技术仿真现实市场中潜在极端行情,提升金融模型压力测试的科学性。

基于可解释AI技术的量化金融风险管理系统

作为以深度学习为代表的数据驱动AI的重要补充,知识驱动AI不仅是通用人工智能的重要发展方向,也是将Quant从中高频投资拓展到价值投资、甚至VC/PE等低频投资的重要技术手段。正所谓“数据不够、知识来凑”,IDEA研究院正在研发大规模金融知识与金融事件推理技术,逐步实现基于金融行为的AI自动逻辑推理与投资决策,希望有一天能够实现巴菲特一样的“AI价值投资大师”。

郭健指出,IDEA金融研究将持续推动技术与产业的深度融合,让金融与投资更精准、更迅捷、更安全。