六、人工智能择时

随着计算机硬件、软件技术的提高，交易速度也越来越快，使投资者有机会抓住市场上瞬时的微小交易机会。同时，随着国内外证券市场的发展，加上大数据、云计算的发展，为量化策略的回测提供了可靠的历史数据，使定性的经验可以转化为定量的策略，并在实盘交易之前得到一定程度的验证，为提升量化策略的稳定性和可靠性提供了有力保障。据统计，2015年创建的对冲基金中有40%依赖于计算机模型做投资决策。同时，金融市场每天产生的大量交易数据已经远远超过人工处理的能力，以A股市场为例，以秒为单位的高频数据，每个交易日都会产生2000多万个新的数据样本。

在计算机科学技术发展的大背景下，存储成本降低、计算速度提高，越来越多的机构和个人开始尝试使用人工智能择时。机器学习是人工智能的核心，主要是使计算机具有自我思考的能力，特别是具有思考如何在经验学习中改善具体算法的性能。与之前提到的各种以人为主导的择时策略构建方式不同，人工智能择时以机器为主导，输入和输出海量数据，让机器通过学习自己产生择时策略，整个策略构建过程类似于“黑盒”，投资者不可见。在大数据的基础上，投资者能够利用知识框架构建数据之间的内在关系，对这些关系的种类和特性进行总结，作为机器学习的基础。同时，进一步梳理事件影响的传递路径，丰富各个数据结点的关系网。有了这样的信息结构和实时的原始数据，投资者就可以判断和模拟各类事件发生时给市场带来的作用。

经验表明，投资者在市场中时时刻刻都处于信息劣势，需要面对非完美信息、扩展式博弈：投资者不可能知道市场中的所有信息，需要利用有限的已知信息做出一系列投资决策。而资本市场瞬息万变，资产价格上涨时，有人会后悔没有提早入市；资产价格下跌时，又有人遗憾未能及时平仓。研究人员将这种虚拟的遗憾量化，计算使其最小化的抉择，应用在量化择时中，给出预测的多空信号——将“遗憾”最小化，或者说将收益最大化，就是这种择时策略要达到的目标。如果将博弈的局中人看成市场上所有的投资者，那么所有投资者的集体行为就可以抽象成市场指数的走势，把市场指数当作对手进行博弈，站在全局的高度，为每一步决策提供有效的策略。(https://www.daowen.com)

根据指数的历史数据（对手的历史动作序列），以日为时间尺度，用虚拟遗憾最小化策略，预测下一个交易日指数上涨、下跌的概率，即执行做多、做空动作的概率，进而给出量化择时的多空信号。在实证中，将虚拟遗憾最小化算法用于沪深300指数、上证指数、中证500指数、创业板指和中小板指，进行多空择时和纯做多择时，总体风险收益情况良好。