2022年3月9日，由深圳市资产管理学会和平安期货有限公司联合主办的资产管理主题系列课程之金融衍生品专题第二十九期圆满结束。
本期讲座由深圳市资产管理学会副秘书长冯星鑫女士担任主持人，特邀清华大学深圳国际研究生院量化投资研究中心主任林健武教授担任主讲嘉宾，就“金融大数据元知识学习与量化投资”展开分享。
主讲嘉宾分享
量化投资是金融科技“皇冠上的明珠”
林教授首先结合他在华尔街投行的实战经验、以及美国宾夕法尼亚大学的学术研究经历，概述了金融科技的三个发展阶段：由数字货币及信息化金融机构构成的1.0阶段，由第三方支付、网络银行以及众筹构成的2.0阶段，和由大数据金融构成的3.0阶段。
林教授使用了多种比喻来帮助大家理解。比如说，金融科技1.0阶段可以看作是一个基础架构，就像是扶贫工作中的第一步，要想富先修路，在金融科技领域，要想发展金融科技发展，也是要先修路——也就是金融机构的信息化，用互联网将金融机构和交易所链接起来，让数字资产在其间流动，就像瓜果桃李这样的农产品经过标准化打包作业后通过快递发货。
金融科技2.0阶段则是在1.0阶段建立起来的平台上开发业务，而这些业务还只是传统业务在数字时代的体现而已。金融科技发展到3.0阶段后，利用先进的技术，对已搭建平台上积累起来的、大量的数据资产进行收集、分析并决策，帮助我们更好地资产分配，这时候的金融业务不再是传统业务了，金融产品也是新开发出来的了。
林教授特别点出，资产管理中的量化基金就是出现在金融科技3.0阶段也就是大数据金融阶段的新产品。量化投资是金融科技“皇冠上的明珠”。
在此基础上，林教授进一步详细阐述了金融科技领域各底层技术（人工智能、大数据、区块链、云计算）之间的逻辑关联和应用，呈现了“金融科技”的全景概貌。
量化投资是金融大数据知识学习重要的应用领域
林教授介绍说量化投资是金融大数据知识学习一个非常重要的应用领域，包含金融时间序列数据的获取、分析模型以及人类选择这三个部分，分别对应非结构化数据处理、机器学习算法以及元知识学习算法。
说到非结构化数据处理的时候，林教授引用了2013年的一个案例。2013年4月23日，美联社发布推文称：“两枚炸弹在白宫爆炸，奥巴马总统被炸伤”。这条推文发出几分钟后就令美国股指如“疯狂过山车般”暴跌，标准普尔500指数暴跌1%，一分钟内1360亿美元瞬时蒸发。几分钟后，美联社澄清说，这条推特消息是假消息，是外部组织的黑客所为。
林教授解释说，一分钟之内迅速地暴涨暴跌，一看就不是人工交易可以做成的，这其实反映了市场内含有大量的机器交易。据不完全统计，现在美国市场有将近35%的对冲基金运用自然语言处理技术来进行自动化交易。
对于文本数据和图像数据这两类非结构化数据，林教授分别以金融文本情感分析和“沃尔玛”超市周边客流量图像为例，详细阐述了非结构化数据的处理方法及其在金融领域决策层面的应用。
数据与模型的底层关系
在介绍机器学习算法和元知识学习算法时，林教授着重讲数据与模型之间的底层关系。
林教授运用三只企鹅的图片来阐述数据量的不断增长，推动人类的建模从线性发展到非线性；再结合他在华尔街的实际经历，林教授告诉大家，更复杂的机器学习需要足够大的数据量来支撑，随着人类掌握的金融数据量不断增大，量化投资所使用的方法才能一步一步地发展，从统计学方法、遗传算法到深度学习到自动机器学习，机器可以做的事情越来越多、自动化程度越来越高。
林教授强调，元知识学习不复杂。他引用学霸的例子来进行说明：所谓的学霸是指学习效率特别高的人，元知识学习也是要追求事半功倍的学习——选择最合适的算法去学习和提取金融大数据。
当然，林教授说，这事儿收起来容易做起来难，不仅面临简单穷举花费时间太长因而如何挑选最优模型的问题，还面临模型可能失效的问题。林教授建议从生命周期算法的角度来考量策略，从而选择更优的模型，获取更高的收益。
量化投资不是神 回撤和波折是正常现象
互动提问环节中，在回答问题“如何看待量化投资2021年风头正劲、2022年初到现在却出现显著回撤”时，林教授做出了正面回应。
林教授分析说，2021年量化投资取得非常靓丽的业绩，背后是两个部分的叠加，一个部分是中证500指数相对比较稳定的增长，另一个是白马股、赛道股内的一些公司业绩非常好。
林教授认为，2022年量化投资出现回撤有三方面的原因，中证500指数出现下跌，私募超额本身因为容量出现了问题以及大宗商品市场的走强。林教授说，量化投资不是神，暂时出现一些回撤和波折是非常正常的现象；他建议今年可以考虑量化对冲、多资产配置的私募等。
机器学习不是魔法盒子 不能无中生有
面对观众提问“实际处理金融类大数据时，应该更注重数据的哪方面特性？”，林教授解析说，金融数据有两重验证的特性，一个是情感上的验证，也就是说大家对于一个新闻是正面还是负面的反应，另一个是市场的验证，也就是这个新闻出来了以后，某个公司到底是涨还是跌。这两层的验证可以互相交织、互相印证，帮助我们更好地了解金融数据。对于高噪声的金融数据，一定要了解数据的特性；至于到底要更注重数据的哪一方面特性，需要具体问题具体分析。
林教授强调，可以先试着用人工的手段来处理数据看能不能赚钱，如果人工做不到，就不要期望机器能做到；毕竟机器学习的一个特点，只是说当人懂的时候，它可以做得更快、更大量。不能期望机器学习像魔法盒子一样，能无中生有变出一个东西来。
免责声明：文章观点仅代表嘉宾作为研究人员的个人意见，不代表投资建议。
本期活动由深圳市资产管理学会、平安期货有限公司联合主办。（编辑|李俊骁，责编|冯星鑫）
