将机器学习应用于金融投资中 | Qlib从入门到精通 #6

今天开始整合机器学习训练至主界面中。

机器学习应用到金融量化的核心框架

一个量化策略，无论是传统的技术分析，还是机器学习策略，无外乎几个部分：

一、数据准备，一般是整理成pandas的dataframe，包含基础的OHLCV等数据。

二、计算衍生指标，比如技术指标、或者worldquant101这样的alpha因子，一切皆因子，即机器学习模型里的特征，机器学习模型还需要打label，即预测未来某段时间的收益率。

三、传统策略就是设定规定，比如“均线金叉”，或者“收盘价突破了布林带上轨”等。机器学习策略需要选择模型，比如GDDT，然后训练。

四、使用策略或者模型训练结果，对数据进行回测。

五、回测结果分析，对模型进行调优。

一、二部分是数据准备，这个传统技术分析与机器学习类似。

三、四一个是手动，一个是自动。

五是结果分析，也类似。

现在流程“低代码”或者“零代码”，我们做量化也追求这个目标，策略是量化的核心 ，而因子是策略的核心。我们的重心应该放在如何找到更好的因子，或者调优我们的策略，代码类的东西，要尽量固化下来，做成“傻瓜化”，这是我们量化平台的目标。

第一部分，数据部分，之前我们把ETF及A股数据都准备好了。

但是作为普通投资者，入门最好的标的应该是指数。ETF有些刚上市不久，数据时间很短，无法支撑训练，有些规模很小，无法反应市场真正的变化。而股票背后一上来有太多的东西需要理解。指数呢，很多的反应了市场变化，而且数据比较全，而且全球大类资产的指数数据都有，是一个良好的投资回测集。

第二部分，因子可视化配置。

我调研了一个稍微有点类似的“竞品”。

以下是果仁网的传统策略配置。

回测结果可以直接显示：

我们要把这个模型升级为可以适配机器学习多因子。

结果分析基本上都类似。

我会把类似的gui使用wxpython来实现，做成左右两列的交互方式。

更重要的事情，它支持机器学习模型，自主学习策略。

机器学习与人工智能

机器学习：使计算机拥有在没有被明确编程的情况下学习的能力。

人工智能是一个泛定义：模拟、延伸、扩展人的智能的一个计算机学科分支，而机器学习则是人工智能实现路径的子方向。

所以，更加具体的，我们使用机器学习这个词，让机器在没有明显编程的情况下，辅助我们做金融投资决策。——从数据中学习规律。

当前最成熟在，应用最为广泛的是“监督学习”。

深度学习也是监督学习的一个方向。

最适合金融投资的范式应该是深度强化学习，也就是alphago背后的核心技术。

看到qlib也有相关RL的开发计划，这个特别期待一下。

Qlib入门到精通系列 #1

ETF数据从tushare下载导入Qlib | Qlib入门到精通 #2

数据标注与自定义特征计算 | Qlib从入门到精通 # 3

一个典型机器学习量化策略的实现 | Qlib从入门到精通 #4

Qlib评估与结果分析模块 | Qlib从入门到精通 #5