原創(chuàng)文章第413篇，專注“AI量化投資、個人成長與財富自由"。
昨天的文章，簡單回顧了咱們“AI量化實驗室”一路走來，成長的三個階段。
quantlab3.0開啟：回測+實盤+數(shù)據(jù)+AI智能的一體化交易平臺
1、低風(fēng)險階段：長期10%的年化。這套體系已經(jīng)基本固化下來，基本不用操心。
2、ETF做趨勢交易是長期有效的。我們開發(fā)了一系列策略，其中這個是我比較滿意的。
系統(tǒng)源代碼發(fā)布v2.4供下載，帶年化32.1%策略，簡化GUI邏輯
我們下一步要做的事情，quantlab3.0，主打單標(biāo)的擇時。
今天我們要重溫一個“quant4.0”，對于咱們AI量化事業(yè)，業(yè)內(nèi)一個比較系統(tǒng)的思考。
Quant 1.0：交易信號和交易策略通常是簡單、可理解和可解釋的，以減少建模中樣本內(nèi)過擬合的風(fēng)險。
傳統(tǒng)量化主要是基于交易員經(jīng)驗的策略模型。普通人學(xué)習(xí)量化，仍然是最佳的入門方式，海龜，三重濾網(wǎng)等經(jīng)典的量化投資系統(tǒng)，有助于個人交易思想的建立。
Quant 2.0:將量化的研究模式從小型的天才工坊轉(zhuǎn)變?yōu)楣I(yè)化、標(biāo)準(zhǔn)化的阿爾法工廠。這些因子通常具有高回測收益率，高夏普比率，合理的換手率以及與Alpha數(shù)據(jù)庫中現(xiàn)有因子的低相關(guān)性。
Quant2.0主要是挖因子，在股票市場的私募里已經(jīng)比較流行。
gplearn等自動挖掘因子的工具基本是標(biāo)配：gplearn在期貨和多支股票上因子挖掘?qū)崙?zhàn)的代碼（代碼+數(shù)據(jù)下載）。
Quant3.0：Quant 3.0更注重深度學(xué)習(xí)建模。在使用相對簡單的因子下，深度學(xué)習(xí)仍然有潛力通過其強大的端到端學(xué)習(xí)能力和靈活的模型擬合能力。深度學(xué)習(xí)需要大量的數(shù)據(jù)。
咱們在DeepAlphaGen里有嘗試過端到端的因子合成：端到端因子挖掘框架：DeepAlphaGen V1.0代碼發(fā)布，支持最新版本qlib。
當(dāng)然，這里權(quán)是alpha模型的部分，風(fēng)控與投資組合管理仍然是必要的。
自動特征工程，比如autogluon，咱們之前也寫過代碼。Keras(Tensorflow) vs AutoGluon對滬深300指數(shù)20日收益率預(yù)測對比（代碼+數(shù)據(jù)）
