机器学习:传统量化的技术革新

非凸科技 2022-09-26 17:30:53

随着科技的进步和发展,人工智能技术被广泛应用于各个领域。机器学习是人工智能的一种形式,深度学习是机器学习中基于神经网络发展出的类别。机器学习作为传统量化的补充与技术革新,一方面,机器学习使得对海量数据的分析运用成为可能;另一方面,机器学习可以捕捉传统量化中难以发现的数据之间的潜在关系。

 

机器学习在量化投资研究中有着广泛的应用,不仅仅来自机器学习构建的程序化交易策略,更重要的是机器学习模型得到的结果可以作为投资参考,即辅助主观投资。

 

在量化选股层面,机器学习主要在因子端与模型端的应用。比如借助遗传规划(Genetic Programming)算法,通过输入基础因子与算子构造并挖掘新的有效因子。传统量价类因子以及财务因子已难以满足量化投资对于Alpha的追求,另类数据作为传统因子的补充,正逐渐成为Alpha收益的来源之一。另类数据的分析与挖掘在很大程度上依赖于机器学习,如采用机器学习算法对消费数据、网络推文、新闻舆情等非传统内容进行研究与分析,构建另类因子,挖掘出对股票价格产生影响的有效信息,有时能取得比传统因子更有效的效果。

 

机器学习在高频领域有着更好的表现,因为高频领域相对于低频,数据集的规模大幅扩大,并且高频数据之间可能存在着相对稳定的可识别模式。例如,通过基于LSTM的循环强化学习模型,构建算法交易策略。

 

除此之外,在衍生品对冲、金融数据生成等方面,强化学习也有着重要的应用。

 

未来,数据驱动与模型驱动将互相融合。算法和训练方法的不断改进,或许会提升机器学习在低信噪比数据上的表现;未来的因子挖掘会更多关注因子之间本身的逻辑,而非过度挖掘;未来因子库、模型库以及策略库会更加多样化,减少量化策略出现同质化;市场的多种状态转换下的模型适应或模型轮换,可能是未来机器学习需要更加关注的问题。

 

人工智能正当时,我们对其在量化投资上的应用一直持乐观态度,期待越来越多的新理论、算法和应用在机器学习领域大放异彩。然而,在强大技术的背后需要顶级人才的支撑。

 

眼下正值“金九银十”招聘季,为抢夺顶级人才,不少量化机构纷纷放大招,更有个别机构不仅开出百万薪资,还罕见披露“交易实力”。据业内人士透露,在量化顶级人才招聘中,硕士学历为基本门槛,顶尖学府更是加分项。

 

从长远来看,量化行业的发展需要保持策略和技术的持续迭代,其背后是充足的人才储备和完善的团队建设。而非凸科技作为第三方算法交易服务公司,也在在持续加大人才的投入,包括算法、策略、工程师、产品经理、商务经理等,只为更好地服务我们的客户!

 

与此同时,非凸科技诚挚欢迎对量化研究热爱的小伙伴,加入进来!为共同的量化事业赋能!

 

  • 量化开发工程师
  • 岗位职责:

1.设计并开发高性能,低延时的算法交易系统,研发交易模型;

2.设计并开发策略相关回测平台,并面向量化研究团队以及客户的实际需求,开发高可用的交易工具;

3.设计并开发数据处理平台,参与交易结果分析,交易系统性能分析,进行相关数据清洗、整理及相关工作。

岗位要求:

1.拥有计算机科学、数学、统计学或者相关领域本科及以上学历,国内外一流大学优先;

2.熟练掌握Linux操作,能熟练使用一种或多种编程语言,Rust/C++/Java/Go/python均可;

3.具有分布式计算、自然语言处理、机器学习、平台开发、网络或者系统设计方面的经验;

4.国内外计算机/数学/物理学竞赛奖项加分;

5.对技术、软件开发和数学充满热情。

 

机器学习研究员

岗位职责

1.参与设计开拓性的智能算法应用于交易;

2.参与构建科学、严谨的算法评测体系;

3.紧跟领域前沿,推动基础研究;

4.利用机器学习、深度学习和人工智能等方法,对历史数据进行研究、分析和统计,并从中寻找相关的趋势和规律。

岗位要求

1.本科及以上学历,金融、物理、数学、计算机等理科背景;

2.专业基础知识扎实,熟悉机器学习(深度学习),具备创新研究能力;

3.至少熟悉一种编程语言:Rust/C++/Python/Go/Java;

4.对人工智能及量化交易有浓厚的兴趣,思考深入,自我驱动,能快速学习新鲜事物。

 

Base range:

实习期600-800元/天

转正后20k-50k +员工福利

 

商务经理

岗位描述:

1.服务机构客户,以私募证券类、券商机构为主,针对所负责区域内的金融机构客户进行开发与维护,包括日常客户走访,收集客户需求,向客户提供市场咨询,与客户保持良好关系;

2.根据公司金融机构业务规划,统筹金融机构整体营销方案的具体落地执行,推动金融机构开发及合作,促成多赢的谈判结果;

3.根据客户需求,提供算法交易一体化解决方案。

岗位要求:

1. 学历专业不做要求,对计算机、金融科技、算法交易有深刻认知和理解加分;

2. 对行业经验不做要求,曾在券商、量化平台、恒生、迅投、私募、FOF机构等任职优先考虑;

3. 需要具有学习能力和良好的沟通能力,语言表达能力、逻辑思维能力、探索精神、主观能动性;

4. 具有较强的活动组织能力和抗压能力,良好的团队合作精神和协作能力均为加分项;

5. 拥有有券商资源,面貌形象好为加分项。

Base range:15k-25k +员工福利

 

工作地点:北京、上海、成都、深圳新加坡美国

简历发送至:recruit@ft.tech

 

 

 

 

 

 

...全文
25 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
NVIDIA GTC CHINA 2019 大会PPT汇总,共92份。 包括但不限于一下内容。 一、人工智能与深度学习 超越黑匣子:为深度学习注入结构 持久性 CUDA GPU 编程及其应用 从框架到平台,AWS 的深度学习实践 大规模算力平台构建和多机多卡线性扩展 滴滴端到端语音 AI 技术实践——从算法到应用 飞桨大规模分布式训练与应用 分析深度学习网络模型及自动混合精度以优化性能 基于 GPU 的 AI 计算优化方法及案例:从训练到推理 基于 GPU 的大规模音频理解和合成解决方案 基于 GPU 的大规模语言模型加速 基于 OCR 案例的 TENSORFLOW-TENSORRT(TF-TRT) 最佳实践 基于 T4 的推荐系统推理性能优化 基于 TACOTRON2 和 WAVEGLOW 的端到端语音合成加速方案 基于 TENSORFLOW 的 TRANSFORMER 模型应用与优化 计算新纪元下金融 AICC 的全双工全场景 金融行业图像识别及结构化内容抽取的 AI 应用实践 利用 TENSORRT 自由搭建高性能推理模型 美团面向生活服务场景的计算机视觉研发和应用 面向量化分析师的 GPU 加速 PYTHON 人工智能,从表型组到基因组 人工智能数据管道与应用 人工智能在医学图像临床诊断中应用研究 深度学习的对抗安全理论与方法 深度学习在心脑血管分割中的应用 深度语义匹配模型在搜狗搜索中的实践 生活服务领域知识图谱的构建及应用 使用自动混合精度加速 PADDLEPADDLE 训练 数字生命与数据自由—— GPU 加速健康大数据分析 通过 GPU 计算和深度学习加速基因分析 针对深度学习的汇编级优化-快速提高应用性能 二、智能机器、物联网和机器人 为自主机器打造的 JETSON AGX平台 ET 自动驾驶计算平台演进 三、专业视觉可视化 《光明记忆》RTX光线追踪制作经验 《剑侠情缘网络版叁》:使用实时光线追踪技术进行画质革新 超高分辨率在媒体和娱乐行业中的应用及其优化方法 光线追踪技术带来设计变革-使用QUADRO RTX GPU优化工业设计流程 基于 RTX 的云端实时渲染以及云端虚拟工作室 基于 UNITY 高清渲染管线的实时光线追踪技术介绍 基于视频信息指导的智能编舞系统 可视化技术带来产品和建筑设计的新纪元 利用 AI 技术改变视频的制作流程 利用 RTX 实现虚拟现实中的仿真渲染 人工智能运动场:提高人类的创造力 软硬件环境对建筑结构流程管理(BIM)效率的影响 商业化视频内容识别的算法设计与应用 实时光线追踪基础 使用 NVIDIA DATA SCIENCE WORKSTATION 加速数据科学实时案例分析 虚幻引擎实时光线追踪技术开启 CG 制作新时代 正在改变影视行业的 GPU 驱动的影像质量优化 四、自动驾驶汽车 大规模深度学习加速自动驾驶落地 深度学习平台在汽车智能战略中的应用 自动驾驶统一架构 五、HPC与超级计算 带有 OPENACC 和 CUDA 库的 VASP 中的新 GPU 功能 当 MARS 遇上 RAPIDS:使用 GPU 加速分布式海量数据处理的原理和实战 基于 GPU 加速的高性能数据科学计算环境 数据分析新速度:加速数据科学转变成商业洞察 图卷积神经网络介绍及其在 3D 点云语义分割领域的应用 网络智能化分级及验证 运营商 5G 通信网络 AI 研发与实践 在阿里云容器服务中使用 GPU 加速数据科学 AR 边缘云白皮书技术概览 GPU 加速的 GIS 数据现实平台 GPU 加速数据科学的兴起 OPTICKS:基于 NVIDIA OPTIX 的 GPU 光子模拟 RAPIDS:GPU 加速平台的内与外
互联网金融与大数据 互联网对金融的变革,总体上来说,可以分为两局部:互联网思想和互联网技术,这两 者类似世界观和方法论的关系,是互相辅佐和渗透的。   互联网技术从深层次具体化的角度解读可以分为:大数据、P2P人人组织网络和两面 市场。其中大数据是最重要的因素之一。金融没有类似实物的物理生产、仓储、物流等 过程,但其本身是数据的生产、仓储、挖掘、传输、分析和集成。所以大数据对于金融 而言,相比其他行业,无疑是有更巨大的影响力。   大数据,是思维、技术与数据的三足鼎立。大数据不仅指规模庞大的数据,它首先 是一种思维方式的变化,其次是对这些数据的处理和应用,是数据、处理技术与应用三 者的统一的一列处理技术,最后,大数据的前提必然是充裕互通的数据本身。   大数据的思维方式会改变传统金融作业思维,它首先是会改变金融信贷业的抵押文 化,推动信用变现成为可能和主流。尤其是中国金融行业,有着根深蒂固的抵押文化, 在贷款的过程中严重依赖于抵押物,这是中小企业得不到贷款效劳的很重要原因。抵押 文化让贷款效劳提供方在考量时思维变得简单粗暴。贷款方的考量核心是判断抵押物品 的价值,确保有相应的价值空间。比方房产价值 200 万,那么打个 7 折,只要保证价值不下跌太厉害,那么就不会产生风险。房价不下跌,风险不大;房价 下跌,也是国家的事情,与银行机构无关。   长期而言,抵押文化对金融业开展有相当负面的影响。要想做到真正的改变就是要 强化信用贷款,建立信用机制。真正的平安不是抵押物,而是人们的信用。我们讲大数 据对金融影响,首先要有思维上的认识变化。   信用看不见,摸不着,但大数据的方式可以帮助复原一个人,甚至一群人的信用轮 廓,让个人或者群体的信用变得金光灿灿,触手可及。这将是根本性的改变,并产生巨 大的影响。大数据的应用例子中,对于天气预报的实践是人们津津乐道的——没有人可以 准确地预测天气,因为变量太多,大到日月星展,中到洋流大气,小到人的环境行为的 偶然因素,都会对其产生影响,但气象学家通过气象大数据的分析,加上并行的处理技 术,人们做到了从数据中找到规律,实现更准确的气象预测。   个人的信用评估和实现气象预测有非常类似之处,一个人或者群体的信用好坏取决 于很多的变量,而且信用本身不是静态的,而是一个动态的行为特征的表达——资产、收 入、消费、个性、习惯、社交网络等等都是会对信用产生影响。个体信用正式通过各种 行为决定的,但是表达一个人的信用的行为并非是全无规律的。通过大数据,可以很好 地通过对个体或者群体的大量信用行为进行收集、整理、分析,只要把这些糅合在一起 时,会发现很多客观规律,使得人的信用立体化,从而实现对于个体或群体信用的预计 。   互联网技术革新本身也推动了大数据成为可能。云计算、SNS、移动互联网等技术的 开展,使得大量数据的生产和连通变成现实;非结构化数据库技术的开展,使得数据收 集的要求大大降低;存储技术的开展,使得大规模数据存储得以实现;并行处理计算, 使得数据可以得到高速处理,更快获得结果、应用;各种算法、机器智能化学习的成熟 等等又进一步促进大数据的应用开展。所以,我们可以做到存储处理所有数据,而不是 存储抽样数据,并且可以将粒度从整体面向个体。这些也带来一系列变革:   市场集中度更高。IT 技术的开展、互联网的延伸、大数据的应用,让市场摆脱了地域的限制,从而使得更大 规模的企业以更快的速度成长。而大数据在技术上的突破也会使得马太效应更加明显—— 强者愈强,大者愈大。如果我们还是局限于地域优势,无法有效形成对海量用户和良好 的数据资产的管理,那么未来核心竞争力将会受到严重削弱。  促进金融的开放性,大数据首先要数据全量在线。现在太多系统都是孤立的,比方很 多公共事业数据,即使银行本身的很多业务,比方对公业务、对私业务、卡业务等都是 相互别离的难以形成联动效应;况且决定信用本身的不单是金融数据,很多其他领域的 数据也会产生影响,这对于数据的开放性要求更高。但这些数据都可以借助互联网进行 联通,互联网有天生的开放性、透明性,使得大数据的应用有了可能。传统的金融业也 必然会因此而变化。   最后,还是数据本身。既然是大数据,必须要有足够的大量数据,这是一切预测的 大前提。如何在预测之前收集足够多的信息,就成了预测成功与否的关键。   一切皆可"量化〞,并在加速量化,几十年来 IT 技术的开展已经使得大量数据量化。   互联网金融对大数据的使用,天生具有优势。互联网可以在法律和道德所容许的范 围内捕捉信用评估所需要的个人或群体的行为信息,并将这些繁杂的信息提供应大数据 作业系统进行处理,完成对个人或群体的信用价值的评估分析。从这个角度来说,P2P 在对信用大数据的使用方面更有独特优势,由于 P2P 两面市场的特

50,530

社区成员

发帖
与我相关
我的任务
社区描述
Java相关技术讨论
javaspring bootspring cloud 技术论坛(原bbs)
社区管理员
  • Java相关社区
  • 小虚竹
  • 谙忆
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧