奔三的Quant

引言

学术研究是我们改善策略的重要资源。阅读最新的学术研究给我们带来了启发，即使这些研究并不直接适用。我们必须认识到，学术研究的动机可能与从业人员的动机不一致。

因此，在考虑将这项研究应用于我们的问题时，我们必须保持健康的怀疑态度。但要想成为更好的研究人员和技术人员，就必须保持好奇心、参与感，并从他人的工作中汲取灵感。

• 学术论文，研究报告，纵观其有各种各样的问题。作为Quant，对这些原材料的甄别、提炼及加工，本身就是工作的一部分。
• 研究需要有主线，策略需要有逻辑，沿着这条主线及逻辑，在不同的（甚至是不同领域的）论文去吸收新颖的方法及技巧，整合到自己的研究逻辑中。这才是Quant需要做的。
• 只要论文中的假设及实证能对我们带来一些启发，这就是一篇有用的论文。即使前面是一滩浑水，我们Quant也唯有不断前进！

30岁的Quant大有可为

最近，福布斯公布了2022年30位30岁以下精英榜单。在金融板块，有几位对冲基金领域的上榜人引起了我们的关注，让我们一探究竟！

Kendall Jager

Jager在布朗大学攻读应用数学和经济学专业，作为全球顶级多策略对冲基金Millennium的数据科学家，Jager作为关键成员为合规部构建公司内部机器学习和数据科学平台，同时，Jager也继续帮助创建了公司的数据科学计划，她现在是该计划的首席数据科学家。

Eric Lei

Lei16岁进入华盛顿大学，主修计算机科学、数学和经济学三个专业，25岁时从卡内基梅隆大学获得机器学习博士学位，从事物理和医学研究。现在，作WorldQuant的投资组合经理，Lei利用人工智能、机器学习和统计等技术来进行市场交易。WorldQuant是一家从Millennium分拆出来的量化对冲基金，现AUM达70亿美元。

作为即将奔三的这群年轻人，能做到如此

。当各位Quant阅读这篇文章时，可能也会想到自己入行以来的青葱岁月。

QIML也发起一个投票小调研，对于即将奔三的你，还热爱这个行业吗？

机器学习是大势所趋，但也客观对待！

通过上面上榜人的的描述来看，机器学习在确实在当今量化投资领域的占据着十分重要的地位。

QIML在这几年中，也发表了无数篇有关机器学习在量化投资应用的文章。这其中包含很多学界论文、专家观点等。但要发现其中真正可用的价值这就和我们引言的内容能够相呼应。

机器学习未来在量化投资领域的应用是必然的，大势所趋。赞美和有用的地方我们在此不说太多，能找出一大堆。我们今天来说一些美中不足的地方：

大家可能认为机器学习是近几年的一项创新。但其实大多数机器学习技术已经存在了几十年！神经网络可以追溯到20世纪50年代，线性回归是在19世纪发明的等等。

然而，最近的两个趋势使机器学习成为焦点：

1、数据科学家可用的算力比以往任何时候都多。这在一定程度上要归功于摩尔定律——个人芯片性能的持续指数增长，但这也是因为云计算，它允许机器学习研究员访问比本地或服务器集群强大得多的机器。因此，计算密集型机器学习技术现在是可行的。

2、另一个变化是大数据的可用性：机器学习需要处理更大、面更广的数据集。另类数据就扮演了一个重要的角色。

但是，这些趋势并不会自动转化为任何试图使用机器学习来预测股价赚钱的人，同时，“过拟合”对于复杂的机器学习方法来说，这个问题尤其严重。虽有时候利用机器学习能发现一些问题，但它也可能只是发现了一些用更基本的工具就能发现的东西（宝贵的道理大多很朴，美味的食材做法大多不复杂）。

同样，另类数据也没有那么悬乎。许多数据来源与资产价格之间的因果关系链，即使存在，也可能相当脆弱。许多另类数据的来源与资产价格之间的因果联系可能相当薄弱，即使存在，也可能相当脆弱。大多数另类数据集存在的时间都不长，而机器学习技术需要较长的数据序列来发现相对较弱的影响。

最后

AI 的引入能够大幅降低低端人力成本，提高企业投资业务处理能力，从而获得更高的边际效益。作为专业投资者应当拥抱这种变革，但不应对 AI 有不切实际的期望，更不应当把 AI 作为噱头，勉强蹭热度。只有深入的理解AI技术，才能了解AI的优势与局限，让AI为投资发挥其最大的效能。

——石川