【WOT2018】如何利用数据训练人工智能？三位大咖教你挖掘数据价值

预期收益计算也有很多传统方法，和机器学习方法形成了两大阵营。现代投资组合理论（MPT）是由Harry Markowitz于1952年提出，是一种试图通过在收益和风险之间取得平衡来创建资产组合的理论。其基本理论是，可以在给定一定风险的情况下最大化投资组合预期收益，或者等效地降低给定收益水平的风险。

MPT的一个主要思想是，资产组合不应基于单个资产的表现，而应整体地考虑资产绩效。这意味着在评估投资组合时必须考虑投资组合的内部风险收益动态。 MPT的经典数学模型使用平均收益作为预期收益的度量，并使用收益方差作为风险度量。

根据风险调整后的收益对有效边界进行优化，并通过考虑市场收益、独立风险和相关风险的量化方法获得有效边界，从而在结构良好的低相关市场组合 中消除市场独立风险。 然后可以识别最优分配并将其应用于不同的客户。

这其中，有三个核心要素，包括Market Return（预期收益向量）、Market Risk（预期风险（协方差矩阵））、Constraints（约束条件）。

资本资产定价模型（CAPM）是由William Sharpe创建的模型，它根据市场回报和资产与市场回报的线性关系来估计资产的收益。 这种线性关系是股票的β系数。CAPM使用简单的线性回归，而FF使用具有许多自变量的多元回归。 因此，我们的3因子FF方程是lm（ R_excess~MKT_RF + SMB + HML。例如，我们可以用过去 26 期周收益率数据的均值当做下周周收益率均值的预测。由于每个投资品的预测只用到自己过去的历史数据，因此这个模型是无结构性的（它相当于每个投资品自成一个因子）。此外，基于历史数据的预测是无偏的（unbiased）。

举一个例子，预测市场收益与不同宏观变量的关系，如石油，美元，波动率，消费者信心，利率等。在传统统计中，分析师会采用线性回归来计算这些变量的市场收益的β值。通过机器学习，分析师可以使用先进的回归模型计算风险，这些回归模型将考虑异常值，以稳健的方式处理大量变量，区分相关输入变量，考虑潜在的非线性效应等。通过计算机科学家开发的新算法使回归成为可能。例如，一个扩展 - 称为套索回归 - 选择输入变量的最小必要子集。另一种算法 - 称为逻辑回归 - 适用于处理数据，其中结果输出是二进制值，如“买入”或“卖出”。该方法涉及将观察组随机地划分为大小相等的k组或折叠。第一个折叠被视为验证集，并且该方法适合剩余的k-1倍。

在估计每个时间帧的协方差矩阵时，BBAE Holdings采用了机器学习方法，包括K最近邻(kNN，k-NearestNeighbor)分类算法和Lasso算法，我们发现这些方法可以提高检验结果偏差（out of specification）性能，而不是传统的估算方法。像Lasso和Ridge是对普通线性回归的简单修改，旨在在存在大量潜在相关变量的情况下创建更稳健的输出模型。当输入特征的数量很大或输入特征相关时，经典线性回归倾向于过度拟合并产生虚假系数。 LASSO，Ridge和弹性网络回归也是“正规化”的例子 - 机器学习中的一种技术，有望减少样本外的预测错误（但无助于减少样本内回溯错误）。

例如，市场状况类别可以定义为强牛、牛、中性、熊和强熊。该算法使用SVM (Support Vector Machine)和Ransom Forrest这些技术进行数据输入的处理，包括基本因素和技术因素，然后可以将其市场定义为五种类型之一。如果市场属于强牛类，则该算法可以调整（其他条件，如投资者的风险偏好可能适用）相应市场的下限约束，如果市场属于熊类，则可以减小所述市场的上限约束以控制风险暴露。

以上内容是51CTO记者根据WOT2018全球人工智能技术峰会的《数据处理》分论坛演讲内容整理，更多关于WOT的内容请关注51cto.com。

【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!