前言

本文我们介绍在2021年Two Simga的David Kriegman在一次网络研讨会中关于如何将深度学习应用于量化投资的分享。

在Two Sigma，用深度学习做量化投资会被分解为

• 特征提取；
• 预测单个instruments的收益；
• 投资组合分配以决定交易数量以及交易执行等步骤。

这个过程中的许多步骤很容易被表示为机器学习问题，可以使用深度学习序列建模的方法来解决。

整体框架

框架可以分为两个部分

1. TwoSigma量化投资的工作流程，以及各部分与深度学习的关系；
2. 序列预测中常用的深度学习模型。 

传统投资框架可以分为：

1. Feature extraction
2. Alpha Modeling
3. Portfolio Optimization
4. Execution

特征的原始输入可以来自一系列不同的来源：

1. 技术特征；
2. 基本面数据；
3. 情绪语义；
4. 另类数据。

从大量数据中，构建Alpha型，通过顺序深度学习预测每个资产类别的未来回报。

在对每项资产进行收益预测后，下一步是构建投资组合。研究人员需要确定投资组合中每项资产的配置。虽然这不是一个序列预测问题，但在投资组合优化中可以实现许多机器学习算法，因为需要考虑很多约束，以及选择合适的目标函数。

最后，在执行层面，预测未来价格以控制成本也至关重要。与特征提取和alpha建模更关注相对长期回报不同，策略执行倾向于关注短期价格动态，并处理适当数量的买卖。

目前TwoSimga在尝试的深度学习模型：

强化模型：

小结

投资pipeline的许多部分需要对序列进行推理，因此，可以训练深度神经网络以提供帮助；

1. 在传统的投资框架中寻找深度学习模型优势领域很重要；

2. 软件基础设施建设（如分布式系统）和大量数据处理等同样重要。

参考文献

1. Two Sigma: Deep Learning for Sequences in Quant Finance