ai量化系统架构的思考

背景

现在很多群体，尤其是有点金融背景或兴趣的程序员群体，“大量”进入量化交易这个领域。

以quantopian为蓝本，做出to c的quant平台。这个前文说过，受众肯定是非常窄的。有能力的人，不需要平台；编码对于大多数人也是一个门槛。

另外，即便像果仁或ricequant也出了向导式写策略，门槛降下来不少。但还是不对。用户还只能从经验出发，或者去试。

回测只是一个结果，本质是构建策略思路的过程。比如盈利目标，短线的话，看基本面意义不在，一个季度基本面都不会变的（变了你也不知道）。中线做波段，说实话与基本面关系也不大。看基本面，至少半年以上。

从第一性原理出发，买什么，何时买。如果是短线，那买什么以及何时买。就是在买点上，认为1个月内，会有较大概率上涨至自己的期望，比如5%。这里选股与择时就合一了。

或者做组合，就小市值轮动。这里择时与选股也合一了。

所以，回测本身不那么关键，重点是如何辅助发现策略。就是投研。

另外加一个维度，就是智能投研这个方向。投资也好，投机也罢，站上今天的视角上，回看过去，去估计未来。

那这样一个系统如何搭建，就是如何基于信息去寻找alpha。

因子是无穷多的，策略也是无穷多的。你可以认为星期几，天气，温度，甚至日月星辰的方位。回测看看，没准也很好看。

自动发现因子，自动构建投资组合，才是关键吧。

比如，我们大概知道，要找好公司，要找好公司里便宜的公司。在大环境不好的时候要轻仓，要适度分散，要考虑对冲...这里已经有一堆超参数了，有些可能还会相互冲突。人工是不可能优化得了的。

这些因子，我们可以告诉模型，然后让模型去最优选择，而且这个过程还不能是静态的，是需要根据环境，用户偏好，群体行为变化，还去动态调整。

也是强化学习这个框架是一种选择。

强化学习

强化学习是控制论的一个分支。可以认为是一个框架。整合深度学习变成能量更大的深度强化学习。

做股票投资的人大多会为自己设定一个目标。有的人敢打敢拼，追求最大的年化收益；有的人性格沉稳，追求较低的风险。而大部分的投资者都试图在收益与风险中寻找一个平衡点，因此夏普比率成了人们考量投资结果好坏的一个重要度量。

投资单个股票的时候，投资者有3种选择，做多、做空，和不投资。我们用1, -1, 和0分别表示这三种行为，那么action space=

在每一个时间点，我们都需要决定选择什么样的投资行为。

明天继续。

关于作者：魏佳斌，互联网产品/技术总监，北京大学光华管理学院（MBA）,特许金融分析师（CFA），资深产品经理/码农。偏爱python，深度关注互联网趋势，人工智能，AI金融量化。致力于使用最前沿的认知技术去理解这个复杂的世界。