鐘小強(qiáng)

摘要：基本面量化投資是近年來金融科技和量化投資研究的新熱點(diǎn)。作為人工智能的代表性技術(shù)，機(jī)器學(xué)習(xí)能夠大幅度提高經(jīng)濟(jì)學(xué)和管理學(xué)中預(yù)測(cè)類研究的效果。

關(guān)鍵詞：機(jī)器學(xué)習(xí);基本面;量化投資

互聯(lián)網(wǎng)及大數(shù)據(jù)模式下的經(jīng)濟(jì)活動(dòng)促使了更多高維、復(fù)雜經(jīng)驗(yàn)數(shù)據(jù)的產(chǎn)生，機(jī)器學(xué)習(xí)在科學(xué)研究領(lǐng)域的應(yīng)用為新范式下的經(jīng)濟(jì)研究提供了新型的研究方法，進(jìn)而促使經(jīng)濟(jì)學(xué)研究由當(dāng)前的線性、低維、有限樣本、抽象模型向非線性、高維、大樣本、復(fù)雜模型的轉(zhuǎn)向。經(jīng)濟(jì)學(xué)實(shí)證研究及計(jì)量經(jīng)濟(jì)學(xué)模型理論研究中對(duì)機(jī)器學(xué)習(xí)的應(yīng)用及相關(guān)文獻(xiàn)的出現(xiàn)，是這次轉(zhuǎn)向的主要標(biāo)志。

1機(jī)器學(xué)習(xí)的內(nèi)涵界定

廣義的機(jī)器學(xué)習(xí)認(rèn)為，機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)的一些分支領(lǐng)域的集合，也是機(jī)器一系列在計(jì)算機(jī)科學(xué)、工程學(xué)、統(tǒng)計(jì)學(xué)尤其是社會(huì)科學(xué)中發(fā)展和使用。由于機(jī)器學(xué)習(xí)算法廣泛應(yīng)用于不同學(xué)科，不同領(lǐng)域或?qū)W科對(duì)機(jī)器學(xué)習(xí)的界定也不同。狹義的機(jī)器學(xué)習(xí)則來自各個(gè)學(xué)科對(duì)機(jī)器學(xué)習(xí)的分別界定。如計(jì)算機(jī)科學(xué)認(rèn)為，機(jī)器學(xué)習(xí)是數(shù)據(jù)科學(xué)的核心，是現(xiàn)代人工智能的本質(zhì)，機(jī)器學(xué)習(xí)簡(jiǎn)單來說就是涵蓋了統(tǒng)計(jì)推斷的人工智能。工業(yè)和工程學(xué)等領(lǐng)域認(rèn)為，機(jī)器學(xué)習(xí)是對(duì)能基于現(xiàn)有經(jīng)驗(yàn)自動(dòng)改進(jìn)計(jì)算機(jī)算法的研究，這種算法對(duì)人工智能的發(fā)展具有關(guān)鍵的促進(jìn)作用。統(tǒng)計(jì)學(xué)認(rèn)為，機(jī)器學(xué)習(xí)是從數(shù)據(jù)中挖掘出有價(jià)值的信息，是更高層次、更智能化的數(shù)據(jù)挖掘方法。統(tǒng)計(jì)學(xué)對(duì)機(jī)器學(xué)習(xí)三個(gè)層次的劃分是基于計(jì)算機(jī)視覺理論創(chuàng)始人馬爾關(guān)于計(jì)算機(jī)視覺的三級(jí)論定義的，他并將機(jī)器學(xué)習(xí)分為初級(jí)、中級(jí)和高級(jí)三個(gè)層次。初級(jí)機(jī)器學(xué)習(xí)是獲取數(shù)據(jù)和提取數(shù)據(jù)特征;中級(jí)機(jī)器學(xué)習(xí)是數(shù)據(jù)處理與分析，包括應(yīng)用問題導(dǎo)向的模型和方法的應(yīng)用，也就是數(shù)據(jù)挖掘，但機(jī)器學(xué)習(xí)的數(shù)據(jù)挖掘更強(qiáng)調(diào)問題導(dǎo)向，重在提出和發(fā)展模型、方法及算法，并探討其背后的數(shù)學(xué)原理或理論基礎(chǔ);高級(jí)機(jī)器學(xué)習(xí)是通過統(tǒng)計(jì)推斷而達(dá)到某種智能與認(rèn)知。統(tǒng)計(jì)學(xué)認(rèn)為，機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘具有相同的本質(zhì)，只是數(shù)據(jù)挖掘更偏向于數(shù)據(jù)端，而機(jī)器學(xué)習(xí)則偏向于智能端。計(jì)量經(jīng)濟(jì)學(xué)認(rèn)為，機(jī)器學(xué)習(xí)是一種應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)研究方法，是傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)研究方法在數(shù)據(jù)處理與預(yù)測(cè)領(lǐng)域的一種進(jìn)步，是大數(shù)據(jù)背景下計(jì)量經(jīng)濟(jì)學(xué)回歸分析及預(yù)測(cè)方法的發(fā)展，機(jī)器學(xué)習(xí)基于計(jì)算機(jī)的算法，其本質(zhì)是對(duì)計(jì)量經(jīng)濟(jì)學(xué)工具箱的一種豐富。經(jīng)濟(jì)學(xué)認(rèn)為，機(jī)器學(xué)習(xí)是一個(gè)領(lǐng)域，旨在開發(fā)應(yīng)用于數(shù)據(jù)集的算法，這些算法主要集中于回歸（預(yù)測(cè)）、分類和聚類任務(wù)，分為有監(jiān)督機(jī)器學(xué)習(xí)和無監(jiān)督機(jī)器學(xué)習(xí)兩類：有監(jiān)督的機(jī)器學(xué)習(xí)是在樣本數(shù)據(jù)或向量預(yù)先設(shè)定好“標(biāo)簽”（一系列的預(yù)先假定，如分類的標(biāo)準(zhǔn)）的前提下，總結(jié)出樣本向量的映射關(guān)系，如正則化回歸和分類;無監(jiān)督的機(jī)器學(xué)習(xí)是在沒有對(duì)樣本數(shù)據(jù)或向量設(shè)定任何“標(biāo)簽”的情況下，從數(shù)據(jù)中識(shí)別出其內(nèi)部蘊(yùn)含關(guān)系的一種“挖掘”工作，聚類是典型的無監(jiān)督機(jī)器學(xué)習(xí)。從機(jī)器學(xué)習(xí)的算法出現(xiàn)及其學(xué)科應(yīng)用來看，機(jī)器學(xué)習(xí)具有計(jì)算機(jī)與人工智能的學(xué)科背景，涵蓋部分統(tǒng)計(jì)學(xué)學(xué)科內(nèi)容，研究方法具有高度兼容性，可應(yīng)用于各個(gè)領(lǐng)域、學(xué)科門類，對(duì)機(jī)器學(xué)習(xí)泛泛的廣義界定或基于某個(gè)領(lǐng)域、學(xué)科門類的狹義界定，都是不恰當(dāng)?shù)?。因此，基于?duì)機(jī)器學(xué)習(xí)的研究對(duì)象、學(xué)科主旨、學(xué)科特點(diǎn)和方法論基礎(chǔ)，我們對(duì)機(jī)器學(xué)習(xí)的內(nèi)涵作出如下界定：機(jī)器學(xué)習(xí)是旨在通過數(shù)據(jù)、文本、圖片等現(xiàn)實(shí)經(jīng)驗(yàn)信息，通過計(jì)算機(jī)算法來進(jìn)行深度挖掘，進(jìn)而對(duì)經(jīng)驗(yàn)現(xiàn)實(shí)進(jìn)行建模及預(yù)測(cè)的一門科學(xué)。機(jī)器學(xué)習(xí)強(qiáng)大的數(shù)據(jù)、文本、圖片處理功能，基于計(jì)算機(jī)和人工智能的深度挖掘功能和基于數(shù)據(jù)、文本、圖像等高度復(fù)雜經(jīng)驗(yàn)信息的模型選擇及預(yù)測(cè)功能，使其廣泛應(yīng)用于現(xiàn)實(shí)世界的各個(gè)領(lǐng)域，并與各個(gè)領(lǐng)域現(xiàn)有研究方法相結(jié)合，演化并生成了適合各個(gè)領(lǐng)域獨(dú)特研究的系列機(jī)器學(xué)習(xí)算法，并伴隨著各領(lǐng)域的發(fā)展而不斷進(jìn)化生成新的算法體系，這使得機(jī)器學(xué)習(xí)成為一門以多學(xué)科交叉共融為其首要特點(diǎn)的經(jīng)驗(yàn)科學(xué)。從機(jī)器學(xué)習(xí)本身的學(xué)科特征看，機(jī)器學(xué)習(xí)以現(xiàn)實(shí)的經(jīng)驗(yàn)信息為研究對(duì)象，以計(jì)算機(jī)和人工智能相結(jié)合的算法為研究方法，以數(shù)據(jù)科學(xué)、人工智能為算法邏輯基礎(chǔ)，以對(duì)現(xiàn)實(shí)復(fù)雜的經(jīng)驗(yàn)信息進(jìn)行系統(tǒng)化表達(dá)與準(zhǔn)確預(yù)測(cè)為學(xué)科宗旨，以多領(lǐng)域的交叉共融的高度兼容性和進(jìn)步性為學(xué)科特點(diǎn)。從機(jī)器學(xué)習(xí)學(xué)科的方法論基礎(chǔ)看，機(jī)器學(xué)習(xí)以邏輯實(shí)證主義為其方法論基礎(chǔ)，以數(shù)據(jù)導(dǎo)向的研究模式為其研究范式，以模型與經(jīng)驗(yàn)信息的一致為其模型體系的特征。

2基本面量化投資分析

基本面量化投資融合了量化投資（計(jì)算機(jī)驅(qū)動(dòng)）與價(jià)值投資（人為驅(qū)動(dòng)），是近年來備受關(guān)注的一種智能量化投資方式。其核心是分析股票的基本面因素和風(fēng)險(xiǎn)溢價(jià)（或超額收益）之間的關(guān)系，或股票收益的準(zhǔn)確預(yù)測(cè)。當(dāng)前學(xué)術(shù)研究中的基本面因素通常來源于市場(chǎng)異象的研究，即能夠提供超額收益的公司特征。盡管現(xiàn)有研究提出了數(shù)以百計(jì)的被認(rèn)為能夠提供超額收益的市場(chǎng)異象因子，但后續(xù)的樣本外檢驗(yàn)發(fā)現(xiàn)大部分因子難以持續(xù)地提供超額收益。異象因子的大量涌現(xiàn)也對(duì)傳統(tǒng)的資產(chǎn)定價(jià)方法提出了技術(shù)挑戰(zhàn)：①資產(chǎn)風(fēng)險(xiǎn)溢價(jià)的候選因子多達(dá)數(shù)百個(gè)，且很多因子極為相近，而傳統(tǒng)的組合排序和Fama-MacBeth回歸并未綜合考慮各因子，也未考慮因子間的交互作用;②當(dāng)因子維度變大時(shí)，線性和非線性的考慮使得預(yù)測(cè)函數(shù)形式的搜索復(fù)雜度急劇增加，幾乎無法通過人工去指定，但現(xiàn)有研究方法并未提供高維因子與預(yù)測(cè)函數(shù)形式選擇的建議。以上兩個(gè)技術(shù)難題呼喚著新研究工具的介入，前美國金融學(xué)會(huì)會(huì)長Cochrane認(rèn)為，在處理如此眾多的因子時(shí)，必須使用“不同的研究工具”。作為人工智能的代表性技術(shù)，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是其中強(qiáng)有力的備選工具。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)包含眾多類型的研究方法，如監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)等。這三種研究方式的主要區(qū)別在于對(duì)數(shù)據(jù)樣本標(biāo)簽的要求。監(jiān)督學(xué)習(xí)需要樣本的標(biāo)簽（比如股票收益），無監(jiān)督學(xué)習(xí)無需標(biāo)簽，半監(jiān)督學(xué)習(xí)則需要部分標(biāo)簽。本文選擇（監(jiān)督）機(jī)器學(xué)習(xí)來分析異象因子與超額收益之間關(guān)系，原因有三：①資產(chǎn)收益預(yù)測(cè)本質(zhì)上是一個(gè)預(yù)測(cè)問題，而機(jī)器學(xué)習(xí)和深度學(xué)習(xí)旨在自動(dòng)地尋找數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)和模式來輔助預(yù)測(cè)。在資產(chǎn)收益預(yù)測(cè)中，收益數(shù)據(jù)的存在從本質(zhì)上決定了該問題是一個(gè)監(jiān)督學(xué)習(xí)的任務(wù)。因此，監(jiān)督學(xué)習(xí)中的回歸方法天然地適用于資產(chǎn)收益預(yù)測(cè)研究。②針對(duì)前述兩個(gè)技術(shù)難題，機(jī)器學(xué)習(xí)的三個(gè)特性使其適用于該預(yù)測(cè)問題。通過眾多備選的預(yù)測(cè)函數(shù)形式，無論線性模型還是非線性模型，機(jī)器學(xué)習(xí)提供了一系列豐富的方法來實(shí)現(xiàn)更加準(zhǔn)確的預(yù)測(cè);很多機(jī)器學(xué)習(xí)方法（如深度神經(jīng)網(wǎng)絡(luò)等）專門被設(shè)計(jì)用于逼近復(fù)雜的非線性關(guān)系;參數(shù)正則化和模型選擇等技術(shù)使得在選擇預(yù)測(cè)函數(shù)時(shí)不易過擬合而導(dǎo)致虛假發(fā)現(xiàn)。③現(xiàn)有研究中豐富的異象因子為機(jī)器學(xué)習(xí)提供了有理論基礎(chǔ)的輸入變量，使得本文的研究區(qū)別于很多純粹的金融數(shù)據(jù)挖掘。盡管機(jī)器學(xué)習(xí)和深度學(xué)習(xí)研究方法天然地適用于解決股票收益預(yù)測(cè)面臨的挑戰(zhàn)，但根據(jù)機(jī)器學(xué)習(xí)理論中的“沒有免費(fèi)午餐定理”，本文并不能預(yù)知哪個(gè)算法會(huì)取得最好的預(yù)測(cè)效果。因此，機(jī)器學(xué)習(xí)算法在中國股票收益預(yù)測(cè)問題上的表現(xiàn)也就成了一個(gè)實(shí)證問題，需要系統(tǒng)性檢驗(yàn)。但是現(xiàn)有機(jī)器學(xué)習(xí)方法預(yù)測(cè)股票收益多從方法論的創(chuàng)新出發(fā)，仍缺乏系統(tǒng)性的研究來檢視其作用和效果。

結(jié)束語：本文對(duì)機(jī)器學(xué)習(xí)在經(jīng)濟(jì)學(xué)和管理學(xué)中的應(yīng)用研究具有重要的啟示。機(jī)器學(xué)習(xí)在經(jīng)濟(jì)學(xué)和管理學(xué)中的應(yīng)用主要有兩個(gè)視角：①運(yùn)用機(jī)器學(xué)習(xí)處理非結(jié)構(gòu)化數(shù)據(jù)并提取代理變量，比如運(yùn)用機(jī)器學(xué)習(xí)算法從文本中提取投資者情緒指標(biāo)等;②在經(jīng)濟(jì)學(xué)和管理學(xué)中的預(yù)測(cè)問題上運(yùn)用機(jī)器學(xué)習(xí)方法以提升其預(yù)測(cè)能力，尤其是樣本外預(yù)測(cè)的效果。

參考文獻(xiàn)：

[1]?? 黃乃靜，于明哲.機(jī)器學(xué)習(xí)對(duì)經(jīng)濟(jì)學(xué)研究的影響研究進(jìn)展[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2018，（7）：115-129.

[2]?? 李斌，林彥，唐聞軒.ML-TEA：一套基于機(jī)器學(xué)習(xí)和技術(shù)分析的量化投資算法[J].系統(tǒng)工程理論與實(shí)踐，2017，37（5）：1089-1100.