首先，提供一個(gè)從量化投資決策過(guò)程的角度。我想在任何一個(gè)負(fù)責(zé)任的機(jī)構(gòu)，任何類(lèi)型的策略，都需要向投資人回答“我們掙什么錢(qián)”這個(gè)最重要的問(wèn)題。

在中低頻策略領(lǐng)域，量化投資僅僅是認(rèn)識(shí)市場(chǎng)的一種手段或哲學(xué)之一，絕不代表僅僅只是Data Manipulation。這意味著什么呢？這意味著縱然量化投研人員需要花大量的時(shí)間在學(xué)習(xí)新的技術(shù)與手段，但是認(rèn)識(shí)市場(chǎng)、了解市場(chǎng)，發(fā)現(xiàn)市場(chǎng)的無(wú)效，也是量化投研必要的日常主題之一。假如我能夠發(fā)現(xiàn)一個(gè)特別明顯、持續(xù)、強(qiáng)勁的市場(chǎng)無(wú)效點(diǎn)且加以量化，在可以的前提下，線(xiàn)性模型無(wú)疑是最好的。

線(xiàn)性模型最大的優(yōu)勢(shì)就是“魯棒性”好，對(duì)于金融數(shù)據(jù)這種高噪聲的數(shù)據(jù)模式是最為穩(wěn)健的。而且，往往線(xiàn)性模型的經(jīng)濟(jì)學(xué)解釋和數(shù)學(xué)解釋都非常直觀(guān)。舉個(gè)比較極端的例子，假如你有一系列信號(hào)，然后用SVM來(lái)預(yù)測(cè)股票漲跌。但是一旦經(jīng)過(guò)一個(gè)月的實(shí)盤(pán)，你發(fā)現(xiàn)SVM分類(lèi)持續(xù)出錯(cuò)，在實(shí)盤(pán)環(huán)境下，你想迅速找出問(wèn)題所在并應(yīng)對(duì)調(diào)整正確是非常困難的。這時(shí)候線(xiàn)性模型的優(yōu)勢(shì)就體現(xiàn)出來(lái)了，你可以很方便的通過(guò)歸因分析發(fā)現(xiàn)哪些因子可能被under estimated, 哪些被over estimated。簡(jiǎn)而言之，“很多時(shí)候”，機(jī)器學(xué)習(xí)是Black Box。而非監(jiān)督式的學(xué)習(xí)就更是耍流氓了。

對(duì)于實(shí)際投資而言，可解釋性、魯棒性往往與過(guò)擬合是一個(gè)硬幣的正方面。比如WorldQuant在之前的論文中，提出：輸入固定的“操作符”、基礎(chǔ)信號(hào)，在一定的復(fù)雜度內(nèi)可以通過(guò)它們來(lái)隨機(jī)生成信號(hào)。但是，即使通過(guò)這種方法找出一些In sample表現(xiàn)非常優(yōu)異的信號(hào)，你敢將其運(yùn)用到實(shí)盤(pán)嗎？這恐怕要打一個(gè)巨大的問(wèn)號(hào)吧？最終，可能還是需要通過(guò)這些信號(hào)來(lái)探尋其背后的經(jīng)濟(jì)學(xué)意義，才能簡(jiǎn)化用于實(shí)戰(zhàn)。

但是，機(jī)器學(xué)習(xí)在量化領(lǐng)域還是有著很深的介入的，它解決著線(xiàn)性模型天生的缺陷或弊端，在國(guó)內(nèi)并非很少人應(yīng)用。除去凸優(yōu)化、降維(提取市場(chǎng)特征)等領(lǐng)域的應(yīng)用，目前兩個(gè)最重要的弊端就是“非動(dòng)態(tài)性”和“非線(xiàn)性”。比如上面回答提到的adaboosting。很多時(shí)候，金融關(guān)系之間并不是線(xiàn)性的，也不是靜態(tài)的。這個(gè)時(shí)候，統(tǒng)計(jì)學(xué)習(xí)的優(yōu)勢(shì)就會(huì)體現(xiàn)出來(lái)，它們能夠迅速地適應(yīng)市場(chǎng)，或者用一種更“準(zhǔn)確的”方式來(lái)描述市場(chǎng)。而統(tǒng)計(jì)學(xué)習(xí)關(guān)注方法本身的統(tǒng)計(jì)學(xué)特征，應(yīng)該說(shuō)更適用于投資。

參見(jiàn)德銀關(guān)于adaboosting在Alpha上的報(bào)告。

舉例來(lái)說(shuō)，IC(Information Coefficient，參見(jiàn)QEPM)是指信號(hào)與未來(lái)收益率之間的截面相關(guān)性，是一點(diǎn)典型的線(xiàn)性關(guān)系。它被經(jīng)常用來(lái)描述信號(hào)的優(yōu)劣。如果IC > 0，則意味著截面意義上，信號(hào)與下一期的收益率是正相關(guān)的。很多時(shí)候，它被用來(lái)分配在信號(hào)之間的權(quán)重。但是，（一）、IC在不同的市場(chǎng)狀況下可能表現(xiàn)非常不同，所以我們可以用決策樹(shù)/HMM等等方式來(lái)對(duì)此建模；（二）、IC可能不是一個(gè)很好地描述因子準(zhǔn)確度的指標(biāo)。所以，我們可以把股票分成N個(gè)籃子，計(jì)算因子在每個(gè)籃子的預(yù)測(cè)準(zhǔn)確度。所以，我們可以把它轉(zhuǎn)換成一個(gè)分類(lèi)問(wèn)題。我們可以用Boosting/SVM/Logit等等等等的方式來(lái)建模。

所以，在量化投資中，總是先有問(wèn)題，再去尋找工具。應(yīng)該說(shuō)，統(tǒng)計(jì)學(xué)習(xí)是眾多武器庫(kù)中的一種。

其次，在國(guó)內(nèi)，機(jī)器學(xué)習(xí)在量化內(nèi)應(yīng)用跟領(lǐng)域很大的關(guān)系。比如CTA的運(yùn)用可能就要多于股票。CTA處理數(shù)據(jù)的維度要遠(yuǎn)小于股票，但是可獲取市場(chǎng)的長(zhǎng)度和動(dòng)態(tài)卻強(qiáng)于股票。其次，期貨市場(chǎng)的momentum要強(qiáng)于股票市場(chǎng)的momentum，從這個(gè)意義上來(lái)講，它的趨勢(shì)相對(duì)股票要更為明顯和低噪聲。這些特征都更有利于機(jī)器學(xué)習(xí)發(fā)揮它的作用。

再次，在國(guó)內(nèi)，機(jī)器學(xué)習(xí)的應(yīng)用跟頻率也有很大的關(guān)系。跟很多方法一樣，機(jī)器學(xué)習(xí)在大樣本下的表現(xiàn)要遠(yuǎn)優(yōu)于小樣本的表現(xiàn)。統(tǒng)計(jì)上來(lái)講，因?yàn)闄C(jī)器學(xué)習(xí)能夠不斷試錯(cuò)，不斷“學(xué)習(xí)”，所以通過(guò)不斷的訓(xùn)練，實(shí)現(xiàn)對(duì)各種情況下概率的準(zhǔn)確估計(jì)，從而實(shí)現(xiàn)超越普通模型。這也是為什么AlphaGO需要訓(xùn)練各大高手的對(duì)局棋譜的原因。

比如，在國(guó)內(nèi)一些交易執(zhí)行算法的設(shè)計(jì)上，就可能借鑒了機(jī)器學(xué)習(xí)。通過(guò)學(xué)習(xí)訂單薄特征，我們可以對(duì)下一期盤(pán)口變化做一些概率上的預(yù)測(cè)，由于算法執(zhí)行頻率較高，經(jīng)過(guò)一定樣本的訓(xùn)練之后，能夠顯著地提升算法表現(xiàn)。

但是我仍是謹(jǐn)慎看好深度學(xué)習(xí)等機(jī)器學(xué)習(xí)方法的。原因在于，這些方法與現(xiàn)行的大部分方法不在一個(gè)維度上認(rèn)識(shí)市場(chǎng)，而這個(gè)優(yōu)勢(shì)使得它們能夠捕捉到其他方法正常無(wú)法捕捉到的收益。索羅斯說(shuō)，不做擁擠的交易，這句話(huà)反過(guò)來(lái)說(shuō)，一個(gè)新的認(rèn)識(shí)市場(chǎng)的角度才能帶來(lái)alpha。