Microsoft 연구원이 개발한 AI 정량화 투자 플랫폼 Qlib 를 어떻게 평가합니까?

Quantopian 은 너무 인기가 많았고, Point72 는 그에게 투자했고, SteveCohen 의 자원도 그에게 사용되었지만 올해는 도산했다. 그 이유는 정량화 플랫폼의 수익성 모델에 문제가 있기 때문이다. 첫째, 프로답지 않다. 두 번째는 프로가 아니기 때문에 쓰는 사람이 돈을 벌지 않기 때문이다. Point72 산하의 Cubist 는 돈을 많이 벌지만, Cubist 는 infra 를 Quantopian 에게 주지 않는다. 돈을 벌 수 있는 infra 는 희소자원이기 때문이다. 그래서 Quantopian 의 틀은 전문가에게 매우 아마추어입니다. 아마추어도 프로도 필요 없고, 아마추어도 Quantopian 으로 돈을 벌 수 없어 플랫폼과 공유할 수 없기 때문에 이런 플랫폼은 이윤을 낼 수 없다.

마이크로소프트 임원의 수량화 분야에도 선례가 있다. 전 Microsoft COOKevinTurner 는 CitadelSecurities 의 CEO 로 일했지만 큰 성과를 거두지는 못했다. 결국 그리핀은 조붕을 임명했고, 조붕은 CitSec 를 발탁했다.

그래서 프로그래머들은 일과를 모르는 상태에서 직접 국경을 넘나드는 투자는 매우 어렵다. (윌리엄 셰익스피어, 프로그래머, 프로그래머, 프로그래머, 프로그래머, 프로그래머, 프로그래머) 프로그래머가 서툴러서가 아니라 주로 연구 체계를 이해하지 못하기 때문이다. 좋은 프로그래머는 훈련을 받아야만 좋은 QR 이 될 수 있다. 예를 들어 제임스 시몬스는 어떤 사람입니까? 그는 일찍부터 주식거래원이 되고 싶었다. 한 무리의 과학자들이 줄곧 노력하고 있지만, 아무런 진전도 없고, 몇 년 동안 아무런 진전도 없었다. 당시 PDT 와 드쇼의 주식은 RenTech 보다 훨씬 좋았다. 마지막으로, RenTech 는 PDT 전 직원 통계 차익 거래의 전략 틀을 잘 해낸 뒤 구조와 주식을 모두 아는 또 다른 프로그래머가 전략의 세부 사항을 조정해 이렇게 훌륭한 훈장을 받았다.

통계 차익 거래를 예로 들어 Microsoft 의 이 QLib 플랫폼이 왜 실패할 운명인지 이야기해 보겠습니다. 통계적 차익 거래 전략의 핵심은 신호입니다. 다양한 데이터 소스에서 의미 있는 신호를 발굴하는 방법, 신호의 유효성을 검사하는 방법 등은 모두 통계학의 범주이다. A 주의 간단한 양가 신호는 현재 여전히 매우 좋다. 일과를 아는 기구라면 최근 2 년 동안 30 점이 넘는 것은 문제없다. 그러나 미국 주식이 통계 차익 거래를 하는 것은 그리 쉽지 않다. 대부분의 간단한 가격 신호는 쓸모가 없고, 대훈장 returnonGMV 도 10 점을 할 수 없다. 성숙한 시장은 시장을 이해하지 못하는 것은 일부 신호를 발굴하기 어렵다.

모델에서 기계 학습이 있는 프로그래머는 매개변수 튜닝에 몇 가지 장점이 있지만, 태그를 처리하는 방법, 피쳐를 엔지니어링하는 방법, 일반인이 가지고 있지 않을 수 있습니다. (데이비드 아셀, Northern Exposure (미국 TV 드라마), 기계명언)

다른 방면에서는 스타일을 통제하는 방법, 알고리즘으로 주문하는 방법, 모두 실천 경험이 필요하다. 시장을 이해하지 못하고 기계 학습에서 화려한 알고리즘으로 인쇄기 한 대를 만드는 것은 너무 어렵다. 지금 많은 사모들이 심도 있는 학습이 이렇게 유용하다고 하는데, 좀 쓸모가 있겠지만, 절대 그렇게 신기하지는 않아요. 사실 모두가 같은 일을 하고 있으니 너무 깊이 들어가지 마세요. 심화 학습이 정말 그렇게 유용하다면, 누가 여기저기 말할까요? 이런 정말 유용한 것을 계량화하면 결국 동행에게 알려질 수 있지만, 대중 앞에서 큰소리를 치는 사람은 거의 없다.

요약하면 정량화 전략에는 통계, 데이터 마이닝, 거래, 시장 이해, 기계 학습 등 여러 가지 측면이 포함됩니다. 기계 학습 알고리즘 라이브러리와 최적화기로 시장을 휘젓는 것은 그리 쉬운 일이 아니다.