模块|微软亚洲研究院副院长刘铁岩：让智能投资摆脱「纸上谈兵」( 二 )

智能投资的优势在于，从更广泛更海量的原始数据里，抽取有效的投资信号。某种意义上来讲，在金融投资这个大型博弈场里，谁拥有更多的数据，谁对数据挖掘的更充分、更全面，谁就占有更多的先机。

文章插图

从这个角度讲，高频数据应该是有价值的，因为它确实包含了更加丰富的信息。但是天下没有免费的午餐，高频数据的信噪比很低，有时高频数据所蕴含的趋势和规律与中低频数据可能存在矛盾。
另外，虽然有高频数据作为输入，但是我们能够利用的反馈信号（如收益），通常还是中低频的。这种中低频反馈信号对于高频数据而言，密度很低且有效性存疑。

文章插图

为了解决这些问题，我们的研究团队开发了一套基于自监督对比学习的表征预训练方法。该方法的基本想法是：人为定义一些反馈信号用以提高反馈信号的密度，如果设计得当，它有可能作为高频数据和中低频预测目标之间的桥梁。
为此，我们利用了两种依赖关系：
一、空间依赖，指来自高频数据和中低频数据的信息，要在某种程度上保持一致；
二、时间依赖，指的是在时间轴上不太远的两个高频数据，需要具有某种一致性。

文章插图

有了这样的自监督对比学习方法，我们有望从高频数据里去伪存真，找到对我们有用的信息。那么效果如何呢？
首先来看一下左边这个图，它是直接使用纯粹的高频数据，不使用额外的自监督对比学习方法。其中，红点是未来一周按照股票价格走向衡量表现最差的20%股票，绿点是表现最好的20%股票。
可以看到，直接对比二者的高频信号，其实没什么区别；但使用自监督对比学习之后得到右图，可以清晰地看到，头部20%和尾部20%的区分力被明显扩大。

文章插图

我们对自监督对比学习进行了更系统的评估，计算了它所对应的Rank IC。
蓝色：简单使用中低频（日频）信号；
橙色：把日频信号和高频信号简单拼接在一起；
灰色：用自监督对比学习技术从高频数据中学到的因子。
可以看出，通过使用自监督对比学习，我们得到了更好的投资有效性。在将近一年的时间里，其整体预测效果明显超越只使用日频或者简单拼接日频+高频的方法。

文章插图

用自监督对比学习方法解决了反馈信号密度的问题，但还有一个问题没有回答——反馈信号的有效性。有关这个问题，我们需要考察两点：
一，频率的差别。从中低频数据中得到反馈信号，去指导高频学习，这种频率之间的跨越是不是需要一些技术来填补；
二，投资链条很长，预测只是其中一环，如果用下期的预测目标作为反馈信号，有可能并不能代表未来整体投资的收益，是否应该重新考量如何定义反馈信号。

文章插图

为了解决这些问题，我们发明了基于元学习的模块，为预测模块提供新的反馈信号。
图中画圈处（Meta Model）即是元学习模块，它的输入既有高频数据也有低频数据，既有历史数据又有未来数据，在此基础上为预测模型提供反馈信号。
而反馈信号好坏的评价准则，是整个投资链条最后的收益。其实元学习是近年来人工智能领域的常用技术，换句话说就是用机器学习来指导机器学习。预测模型是一个机器学习任务，元学习也是一个机器学习任务，后者对前者的训练过程进行指导。