华泰证券金工研究：人工智能在量化投资的5年探索

"华泰证券的研究团队在人工智能领域的量化投资研究方面已有5年的历史，期间发布了56篇深度报告，涉及模型测试、因子挖掘、另类数据、对抗过拟合、生成对抗网络和综合主题。他们早期关注模型测试，发现随机森林和XGBoost在多因子选股中表现出色。此外，团队还探索了图神经网络在处理股票间相互影响问题上的应用，以及遗传规划在因子挖掘中的应用。" 在这份专题研究中，华泰证券的研究团队深入回顾了他们在人工智能应用于量化投资领域的五年研究成果。其中，模型测试是早期研究的重点，团队对比了多种模型，如广义线性模型、支持向量机、决策树和神经网络，最终确定随机森林和XGBoost的决策树集成模型在多因子选股中具有显著优势，这些模型在拟合能力、稳定性和训练效率上都表现出色。 随着研究的深入，团队开始关注图神经网络（GNN）这一深度学习的热点。传统的投资模型通常假设股票是独立的实体，而图神经网络则能捕捉股票间的相互关系，提供额外的预测信息，从而增强模型的预测能力。 在因子挖掘方面，华泰证券的研究人员使用遗传规划方法进行了量价因子的挖掘，并在后续的研究中扩展了这种方法到一致预期因子的挖掘。2019年，他们展示了遗传规划在这一过程中的具体步骤，并不断寻找优化方案。2020年，他们构建了一个新的因子挖掘框架，进一步推动了因子库的持续迭代，这对于多因子模型的长期有效运行至关重要。 此外，研究还涉及到另类数据的应用，这是近年来量化投资中越来越重要的一个方面。通过利用非传统数据源，如社交媒体、卫星图像等，研究团队能够获取更丰富的市场信息，以辅助投资决策。 总结而言，华泰证券的金工团队在人工智能应用于金融市场的研究中取得了显著的进展，他们的工作涵盖了模型开发、因子挖掘、数据利用等多个关键领域，为量化投资提供了新的工具和思路。这份5周年的回顾不仅体现了他们在该领域的深度和广度，也为未来的研究方向提供了有价值的参考。