人机结合应用平台

 
人工选股
聚焦赛道优秀、基本面和流动性俱佳的优质上市公司,形成多行业龙头的股票池。
 
策略搭建
通过机器学习技术让AI学会投资经理的交易择时逻辑,再根据市场形态变化制定灵活的长短期的资金比例,做到守长攻短、攻守平衡。
 
特征加工
依据策略特点,多维度设计机器学习所需特征,为机器学习的“参考书”注入人的投资经验。
 
机制设置
给每个机器人设定不同的奖励机制(reward),让AI机器人在追求最佳风险收益比的回报目标下,具有不同的投资风格。
 
自动交易
机器人依照训练好的策略交易逻辑发出的买卖信号,进行自动化交易、清算。
   
 

1 人工选股

天马资产研究团队的核心骨干拥有超过20年,覆盖大中华、美国和日本权益市场的丰富研究经验。我们追随行业变化,围绕公司基本面和内在价值进行衡量,尊重常识,积极发现低估值、高潜力和强成长性的企业。在此基础上,充分考虑行业分散性原则、轮动规律、以及“黑天鹅”事件的风险,动态构建股票池。

1.png

强成长性与稳定性  

  • 专注于公司的商业模式和发展前景,着眼长期价值,选取10年后仍具有强竞争力和稳定性的公司
  • 紧跟宏观和行业发展方向,识别潜力赛道,选取有望领跑的公司

优秀的基本面  

  • 定性研究和定量分析相结合
  • 求实,多角度验证重要财务指标和核心假设
  • 致细微,审慎且深入地研究财务报表

良好的流动性  

  • 确保交易效率和成本控制,策略容量大

2 策略搭建

天马资产的资深投资团队制定投资策略,→策略开发团队通过强化学习等机器学习方法,使AI机器习得交易逻辑,机器接收来自市场的信号,对交易进行判断,并严格执行策略。相对于人,机器具有更好的稳定性,而且可以对策略进行反馈,而投资团队和策略开发团队将定期会对反馈进行分析,并更新策略,确保策略能不断适应市场环境的变化。

1.png

  • 将投资大师的投资逻辑传授给机器
  • 每个机器人针对性应对不同市场环境,组合配置多个机器人来应对市场风格变换
  • 持续开发和优化特征类别,配合策略调整以改进模型训练,进而避免量化因子拥挤和失效等弊病

3 特征加工

专业数据处理团队,针对公司基本面和市场面等各种原始数据,进行量化处理和开发,生成特征值,类似提供给机器学习交易所用的“参考书”

1.png

  • 持续开发和优化特征类别,配合策略调整以改进模型训练,进而避免量化因子拥挤和失效等弊病。

4 机制设置

“延迟满足”是指一种甘愿为更有价值的长远结果,而放弃即时满足的抉择取向, 以及在等待期中展示的自我控制能力。我们在创建机器学习模型的时候,引入了这个概念。机器并不简单追求当下交易的最大收益化,而是综合考量未来一段时间尺度内回撤,波动等风险,寻求最优的风险收益比。

1.png

  • 为实现最优的风险收益比,针对不同策略不同特点,为机器设计了不同的奖励机制(reward),确保不同AI机器人拥有不同的风格,整体实现收益与风险兼顾。

5 自动交易

1.png

  • 运维工程团队,时时追踪确保AI机器人策略的实现,提高交易订单执行效率,为程序交易保驾护航。
  本文章5074阅读
关注