专栏首页量化投资与机器学习What?100%基于深度强化学习的对冲基金

What?100%基于深度强化学习的对冲基金

《The Hedge Fund Journal》于近日公布了2021年版(第六版)明日对冲基金巨人50榜单,该榜单强调了投资经理策略的独特性,及具有良好的业绩和增长资产的潜力。提名来自《The Hedge Fund Journal》的读者网络,包括养老基金、家族理财室、捐赠基金和基金会、FOF、私人银行和财富管理公司等。

这份榜单显示,在量化投资领域,统计学习和机器学习是人们越来越感兴趣的领域。至少有六家公司——ActusRayPartners、Blueshift、Leibniz、Rosetta、Manteio和Bayforest——在某种程度上使用机器学习,但都以不同的方式应用,其中只有一家声称使用了100%深度强化学习。这家公司就是2016年创立的Rosetta Analytics,核心创始人还是一位女性:朱莉娅·博纳菲德(Julia Bonafede)。

Julia Bonafede

朱莉娅·博纳菲德(Julia Bonafede)与安吉洛·卡维洛(Angelo Calvello)共同创立了由女性领导的公司Rosetta,以颠覆传统的主动资产管理。自2015年以来,Rosetta推出了四种基于将先进人工智能和深度强化学习(DRL)应用于流动性市场的实盘投资策略。朱莉娅·博纳菲德说:“对于对冲基金来说,DRL是如此早期的技术,投资者才刚刚开始看到它的好处。但在机器人和医疗保健等其他行业,它已经得到了广泛应用。

在Wilshire Consulting担任投资顾问和外包CIO的24年间,Bonafede认为这是量化投资加速发展的颠覆,在她领导期间,该公司提供了超过1万亿美元资产管理的相关咨询。“我从两个角度看待量化分析的发展:我评估了许多资产管理公司,并使用多因子风险模型来监控经理的风格。最早的量化投资方法是指数投资,随后是风格投资,类似于Fama-French因子,如规模、价值和增长,后来演变为货币、国家、行业和基本面等100多个因子的迭代。然后出现了Smart Beta,采用了更基于规则的方法,以及更积极的系统性押注。现在,人工智能让模型直接从数据中得出关系,而不是从学术研究中确定的筛选行为中得出关系。”

罗塞塔认为,它的技术比传统的定量分析技术具有更准确的预测能力,但也承认这更难解释。“许多投资者的舒适区是一个有50年历史的线性回归方程。Rosetta这个名字是解释这种方法的一个开始,因为Rosetta stone可以把图片或图像翻译成语言,而神经网络可以把各种数据转换成可操作的信号。”Bonafede说。

然而,Calvello表示,DRL可能会引起困惑,因为很多资产管理公司都在谈论机器学习,尽管他们可能没有将其全面应用于投资策略。Calvello曾是Blue Diamond asset Management AG和Impact investment Partners AG的联合创始人。“创建DRL模型需要某种类型的人才,而大多数在资产管理公司工作的人都不会聘用那些有合适背景的人。这很难做到,而且许多资产管理公司不会承担这个风险。既然他们已经有了很好的收益,为什么还要投入时间和金钱呢?”Bonafede也听到了第一手的怀疑:“许多基金经理告诉我们,他们没有使用深度学习和DRL,这甚至包括一些在学术上发表过相关文章的基金经理。”

基金经理可能正在将机器学习用于一项或多项操作流程、交易执行、投资组合构建和信号生成,但这可能只是过程的一部分,他们可能正在通过规范性地定义使用人工智能的框架来淡化这一过程。

让数据说话

在构建让数据说话的自动算法方面,Rosetta是100%的人工智能,但这种方法并非完全“无监督”。“我们在端到端学习模型中输入精心组装的数据集,并使用强大的深度强化学习来创建投资信号,并在资产之间进行分配。这些信号是稳健的,并在不断变化的市场周期中持续存在。通过使用深度强化学习,我们的模型成功地分配风险,以实现最优的市场暴露,以最大的回报。亏损的风险是一阶考虑因素,而不是二阶约束因素。例如,Rosetta经过判断来根据不同的模型选择不同的数据,如各种技术/价格/成交量数据;基本面经济数据(如债券收益率或股票和行业数据)以及另类数据。“我们定义输入模型的数据,并将输出定义为风险资本的最优配置。我们没有定义数据和信号之间的关系,”Bonafede说。这些关系可能没有任何直观的经济意义,也不符合其他已建立的框架,如行为金融学,或映射到一个由人类决定的因子动物园。“如果你需要建立先验关系,模型将只会找到那些。神经网络可以根据数百万个参数确定最优系统,识别哪些关系重要,并进行适应和学习,它可以发现全新的关系。它的设计目的是捕捉非线性关系,使误差最小化,并扩大到更稳健地捕捉回报,”Bonafede说。

适应性模型更适合波动的市场

“它还能更快地适应不断变化的环境”卡韦洛说。例如,Rosetta的模型在2020年3月和4月表现非常好。2月23日股市见顶后,该模型又花了两周时间来了解市场,然后才做出更积极的交易决定。我们在2020年3月上涨了22%,在2020年4月上涨了12%,几乎每天都有活跃的交易。”Bonafede说。

Covid危机表明,罗塞塔的模型在波动率指数较高的时候表现良好。“这种行为不是故意的,而是系统性风险管理特性的一部分。它们的大小随着对信号的确信度的增强或减弱而变化。DRL模型最大化奖励来做出决策,而错误决定的惩罚比奖励更重要。”这借鉴了自动驾驶技术,罗塞塔的一些科学家之前一直在研究自动驾驶技术,在自动驾驶技术中,错误会受到巨大的惩罚。

相比之下,其他一些被称为“机器学习”的策略在2020年3月的表现是有史以来最差的,这说明了相似的标签的技术可能是非常不同的方法:“我们的感觉是,其他一些基金经理正在使用一种弱有效版本的机器学习,或者正在使用它来增强其他更传统的量化投资技术。部分问题在于,除了被动投资之外传统的量化技术也可以归入机器学习的范畴。

不相关性和差异化

即使与其他少数的声称使用机器学习的对冲基金相比,罗塞塔正在做的策略也与他们有很大的不同。Rosetta的回报率通常与其他对冲基金策略或传统资产类别没有很强的相关性。相关性随时间而波动,并随市场状态而变化。例如, Rosetta’s RL One S&P 500多空策略的平均相关性接近于零,但相关性整体跨度在+100%到-89%之间。与一些量化策略相比,罗塞塔策略的期限更长。虽然人工智能有时与高频交易和瞬间交易执行有关,但罗塞塔的策略具有较低的换手。

模型研发与演化

罗塞塔花了四年多的时间开发其最新的模型。2017年,Rosetta的第一代实盘策略是两个基于第一代深度学习模型的方向性策略。Rosetta将深度学习定义为使用深度神经网络的机器学习算法。种子投资者是一家美国捐赠基金,它们希望以二元交易方式进行交易,其中1号模型不是100%做多就是100%做空标普500;2号模型可以100%做多标普500或以持有现金。

2020年5月,Rosetta推出了下一代实盘策略,增加了强化学习,创建了完全不同的模型,也允许可变的仓位规模。“深度学习擅长于发现关系或聚类,但不擅长分配或优化。与自动驾驶进行类比,你可以使用深度学习来识别你面前的物体,但需要强化学习来减速、加速或右转。”Bonafede指出。Rosetta将DRL定义为一种算法,即通过尝试和错误去最大化奖励,并将情境映射到行动中。这些系统还可以处理更大容量、更复杂的数据,包括非传统数据。

Rosetta的RL One策略将DRL应用于标准普尔500指数的交易中,在2020年5月至2021年4月期间实现了18.27%的收益,标准差为12%。他们的DRL策略交易ICE的EUA期货合约和相关工具在同一时期的收益为28.26%,波动率为19%。

回测和训练

Bonafede说:“到目前为止,实盘表现已经超过了回测,但我们意识到阿尔法衰减的可能性。”术语“回测”本质上是在描述一个静态模型,而不是适应性模型。Rosetta使用了几十年的所“训练数据”,将样本外模型应用于看不见的数据,以及各种用于普适化模型的技术,并确定样本外学习的水平。“在数据历史较短的地方,对于新市场,可以使用迁移学习等技术来弥补数据的短缺。我们确实有足够的欧盟碳限额数据,它们受到监管的严重影响,与我们的标准普尔500模型相比,它们的流动性和数据非常不同,”Bonafede说。

机构级的基础设施

除了打磨和完善其模型,Rosetta还投资建立了一个可扩展的、制度性的、高质量的运营和交易基础设施和团队。这包括总计43000人小时或48年计算时间的计算机能力。我们的优势来自算法而不是数据量。Calvello说。“我们只有6个人,但拥有100人团队规模的基础设施。我们从一张白纸开始:我们需要雇佣特殊人才(并与谷歌、FB、NASA、NYU等实体竞争这些人才);从头开始构建专有IP;建立工业质量的基础设施,支持快速实验和高效循环;建立一个机构质量的运营结构(因为我们是受托人);建立交易业务;注册成为CTA;审查和雇佣供应商(基金管理,fcm等),”Bonafede说。

该团队包括四名经验丰富、才华横溢的机器学习科学家和工程师,他们都曾在投资和金融行业之外工作,解决了不同规模的机器学习问题。从一开始,罗塞塔就拥有一个经验丰富的顾问委员会,由6名配置者、资产管理公司和学者组成,他们偶尔会被用作征求意见的顾问。其中包括瑞典公共养老基金AP3前首席信息官埃里克·瓦尔托宁(Erik Valtonen)。

公司成长策略

Calvello说:“我们是一家与众不同的初创公司,我们从头开始,从资产所有者那里筹集资金,而不是从风险投资家那里。”该公司从Verger资本管理公司(由前维克森林大学捐赠管理团队组成的OCIO)获得了初始运营资金。Bonafede表示:“我们正在与其他潜在的战略合作伙伴进行谈判。”

截至2021年5月,Rosetta管理着1900万美元的资金,“我们已经制定了更为灵活的战略,可以在最深入的市场进行扩展。我认为我们专注于我们所拥有的。”其策略的实盘表现也多次出现在BARCLAYHEDGE的榜单中。

罗塞塔咨询委员会成员Elisabetta Basilico博士认为发展一种颠覆性的、高度创新的策略所面临的挑战:“在可解释性和准确性之间存在一个平衡。投资者和顾问面临的最大问题是,是否应该投资于基于人工智能的策略,因为它们可能是最准确但最难以解释的。”

所以,赚钱重要还是解释性重要?各位小伙伴怎么看?

本文分享自微信公众号 - 量化投资与机器学习(Lhtz_Jqxx),作者:全网Quant都在看

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2021-07-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 基于深度强化学习的缓冲池感知查询调度(CS Databases)

    在这个扩展的摘要中,我们提出了一种新的查询调度技术,旨在减少磁盘读取,从而隐式地提高查询性能。SmartQueue是一个学习的调度器,它采取传入查询之间的重叠数...

    Rosalie
  • TensorTrade:基于深度强化学习的Python交易框架

    互联网上有很多关于强化学习交易系统零零碎碎的东西,但是没有一个是可靠和完整的。出于这个原因,我们决定创建一个开源的Python框架,使用深度强化学习,有效地将任...

    量化投资与机器学习微信公众号
  • 涨姿势!用深度学习LSTM炒股:对冲基金案例分析

    大数据文摘
  • 新鲜开源:基于TF2.0的深度强化学习平台

    近日,Github 一位开发者 danaugrs 开源了一个新项目——Huskarl,一个专注研究和快速原型的深度强化学习框架。

    AI科技大本营
  • 基于深度学习的图像增强综述

    图像增强的定义非常广泛,一般来说,图像增强是有目的地强调图像的整体或局部特性,例如改善图像的颜色、亮度和对比度等,将原来不清晰的图像变得清晰或强调某些感兴趣的特...

    Natalia_ljq
  • 基于深度学习的图像增强综述

    这篇博客主要介绍之前看过的一些图像增强的论文,针对普通的图像,比如手机拍摄的那种,比低光照图像增强任务更简单。

    3D视觉工坊
  • 金融中的机器学习和强化学习

    Coursera近期新推了一个金融和机器学习的专项课程系列:Machine Learning and Reinforcement Learning in Fin...

    AINLP
  • 基于深度强化学习的平行企业资源计划

    随着社会化和网络化趋势的日益增强, 企业已全面而深度地融入网络环境, 并已演变成为现实物理世界、网络虚拟世界和社会耦合空间的现代新型企业。在以信息技术和网络技术...

    企鹅号小编
  • MILABOT:基于深度强化学习打造聊天机器人

    用户1263954
  • 基于深度学习的视频增强平台:SUPERNOVA

    本文来自IBC2020,介绍了一篇论文,这篇文章介绍了一种称为SUPERNOVA的解决方案,该解决方案由基于深度学习的方法组成,可以大大提高低质量媒体内容的质量...

    用户1324186
  • 深度 | 基于TensorFlow打造强化学习API:TensorForce是怎样炼成的?

    选自reinforce.io 机器之心编译 作者:Michael Schaarschmidt、Alexander Kuhnle、Kai Fricke 参与:Pa...

    机器之心
  • 论文拾萃|基于深度强化学习的组合优化研究进展

    李凯文,张涛,王锐*,覃伟健,黄鸿,贺惠辉,基于深度强化学习的组合优化研究进展,自动化学报,2020, 41(x): 1−17 doi: 10.16383/j....

    用户1621951
  • 基于在线目标的元梯度强化学习(CS)

    深度强化学习包括一个广泛的算法家族,这些算法通过深层神经网络来参数化内部表示,如值函数或策略。每种算法都根据定义其语义的目标(如Q学习或策略梯度)优化其参数。在...

    N乳酸菌
  • 基于深度学习的语音增强-极简源代码

    最近忙里偷闲,想把博士期间的基于深度学习的语音增强的代码整理下。想当初需要在C++,perl和matlab之间来回切换,同时需要准备pfile这个上世纪产物,十...

    企鹅号小编
  • Github 项目推荐 | 基于 Unity/OpenAI Gym/PyTorch/TF 的深度强化学习研究框架

    SLM Lab 是一个基于 Unity, OpenAI Gym, PyTorch, Tensorflow 的深度增强学习研究框架。

    AI研习社
  • 基于模块化和快速原型设计的Huskarl深度强化学习框架

    前言:Huskarl是一种基于TensorFlow 2.0构建的深度强化学习的框架,其专注于模块化和快速原型设计。设计中尽可能使用了tf.keras API以实...

    深度强化学习实验室
  • 顶尖AI技术人才稀缺,在校生还能追上这波浪潮吗?

    作为机器学习最重要的一个分支,近年来深度学习(Deep Learning)发展势头迅猛,借助庞大的数据和计算能力,深度学习已经在计算机视觉、语音识别以及自然语言...

    AI科技大本营
  • 基于深度学习的智能金融组合交易策略

    原文题目:An intelligent financial portfolio trading strategy using deep Q-learning

    Jarvis Cocker
  • 对话Man Group:对冲基金的达尔文式竞争

    如果你对算法交易,对冲基金,大数据感兴趣,那么,今天的推文你一定会感兴趣。Man Group首席执行官Luke Ellis做客《Masters in Busin...

    量化投资与机器学习微信公众号

扫码关注云+社区

领取腾讯云代金券