第五部分 · 量化研究如何产生可信结论 · 第 31 章

量化里的机器学习: 模型不是越复杂越好

既然你有深度学习功底,心里多半早就在盘算: 能不能把股票数据喂给 Transformer,让模型自己学出赚钱规律? 答案是: 可以研究,但千万别把金融市场当成下一个 ImageNet。图像的标签是猫就是猫,金融的标签里却塞满噪声;样本之间不独立,今天和明天纠缠不清;分布说变就变;交易成本会啃掉微弱优势;模型越复杂,过拟合越丝滑。量化里的机器学习,不是比谁模型酷,而是把预测、组合、交易和风控接成一台真能赚钱的系统。

主线五 本部分第 4 / 10 章

本部分的问题:一个金融判断怎样变成可证伪假设,再经过数据、回测、模型和实盘约束?

读完后,你能从问题出发完成研究闭环,而不是先找模型、再给结果编故事。

读完这一章,你会明白

  • 量化模型首先服务于问题定义: 先想清楚预测什么,而不是先挑个酷模型再去找任务。
  • 线性模型、树模型和深度学习各有边界,金融的低信噪比会把过拟合风险放大。

金融现场 1. Zillow 的房价模型为什么买来一屋子麻烦

Zillow 曾把自动估价能力推向直接买卖房屋的 Zillow Offers 业务:模型估价、公司出钱收房、简单翻修后再卖。听起来像把一个预测模型接上资产负债表,让算法亲自兑现自己的判断。2021 年,公司却宣布收缩并关闭这项业务,大量房屋估价和转售结果不及预期。

问题不只是模型“猜错房价”。买房之后还会冒出持有成本、翻修、地区流动性、成交周期和集中采购能力;预测误差一旦乘上真实库存,就从屏幕上的均方误差变成仓库里的现金损失。模型对平均价格差一点,在高杠杆、低流动性的业务里可能已经差很多。

金融机器学习最怕目标函数和赚钱目标错位。更准的价格预测不必然带来更高利润,因为仓位、成本、容量和尾部路径在模型之外。把模型接上真钱以前,必须沿着端到端链路问一句:预测改善的这一点,最后究竟落在哪一行损益表上?

2. 模型先服务于问题定义

做机器学习项目,很多人的肌肉记忆是先选模型、再找数据。在量化里,这个顺序是灾难的起点。这里的第一步是定义问题: 你到底要预测什么? 未来 1 日收益、未来 20 日超额收益、股票排序、波动率、成交概率,还是风险暴露? 问题不同,数据、标签、损失函数和评价指标全都跟着变。

举例感受一下。目标是选股排序,你关心的就是 RankIC、分层收益和组合超额收益,而不是普通回归的 MSE;目标是判断明天这单能不能成交,你关心的是成交概率和拒单风险;目标是控制风险,预测误差的方向可能比收益预测本身更要紧。

很多失败的量化项目,从起点就走错了: 先挑一个酷模型,再满世界找数据喂它。更稳的顺序正好反过来: 金融问题、可交易假设、标签定义、数据口径、简单基线、复杂模型、组合和执行。模型在这条链上排在后面——不是它不重要,是它必须由前面的问题来定义。

特征 → 模型 → 预测 → 决策:四道快门,每道都在吃收益 顺序不可倒:先定义问题,再谈模型——本章 2.1 节:模型必须由前面的问题来定义 ① 特征 原始行情与财报 压成因子:估值动量 波动、质量、流动性 坑:数据泄漏 用了当天之后的数据(1.4) ② 模型 打分式(2.2节): 分=0.3×价值 +0.2×质量+0.2×动量 −0.1×波动 坑:过拟合 历史答案背得太熟(1.9) ③ 预测 每只股一个预期分 标签:未来20日收益 看RankIC与分层 坑:信号衰减 上线后 IC 慢慢掉(2.9) ④ 决策 规则:超配前20% 月频调仓生成订单 下进市场才算数 坑:执行成本 佣金滑点吃掉超额(1.5) 出厂前死于泄漏和过拟合,上线后死于衰减与成本——四道快门,一道都省不掉 本章路线因此反过来排:金融问题 → 可交易假设 → 标签 → 数据口径 → 简单基线 → 复杂模型

从原始数据到下单要过四道快门:特征压成因子、模型压成分数、分数变预测、预测进规则。每道都有一个主题坑:泄漏(1.4)、过拟合(1.9)、衰减(2.9)、成本(1.5)——前两道死在出厂前,后两道死在上线后。

先定义问题,再选模型 问题如果是“选哪只股票”——用浅模型、多因子回归就够了 问题如果是“明天的股价会涨几个点”——才需要开始考虑深层模型,但能做对超长周期的市场预测基本不存在 最坏的顺序是先决定用 AI/深度学习,再回去想个能装上的问题——这就是为什么大部分多空这套事最后都没兑现

先问“要回答什么问题”,再问“要用什么模型”。工具祛魅很简单:工具没有任何优越性,只是看你能不能问对问题。

3. 线性模型为什么还活着

都这个年代了,线性模型凭什么还在量化一线活跃? 凭三点: 可解释、稳定、容易加约束。一个线性模型给每个因子一个权重,你一眼能看出模型大概在奖励什么——估值、质量、动量,还是流动性。它像一只透明外壳的机械表,不炫,但每个齿轮都能拆开检查。

最典型的多因子打分,写出来像一行配置: 分数 = 0.3 × 价值因子 + 0.2 × 质量因子 + 0.2 × 动量因子 - 0.1 × 波动因子。真实模型更复杂,但核心直觉就是这样: 把多个因子按权重合成一个预期收益分数。

线性模型的短板也明显: 表达能力有限,抓不住非线性和特征之间的交互。比如低估值在某些行业是机会,在另一些行业可能是价值陷阱;动量在高流动性股票上有效,到低流动性股票上可能还不够付成本。这类弯弯绕的关系,可能就得请非线性模型处理。

4. 不让模型太相信自己

金融数据有个残酷组合: 特征很多,噪声更多。如果模型对每个特征都自由给出大权重,很容易把历史噪声当成宇宙真理。正则化用大白话说,就是给模型套上笼头: 不许权重随便变大、变复杂。说白了,别让模型太相信自己。

常见笼头各有手感: L2 正则惩罚大权重,让模型更平滑;L1 正则更狠,会把一些权重直接压到 0,顺手做了特征选择。树模型里有同款思想: 限制树深、叶子样本数、学习率和子采样;深度学习里则是 dropout、权重衰减、早停。名字五花八门,目的只有一个。

要拎清楚,正则化的目的不是故意把样本内收益压低点装谦虚,而是为了让模型在未来还能用。量化研究宁愿要一个样本内没那么惊艳、样本外更稳定的模型,也不该追求历史曲线的完美贴合——完美贴合过去,常常是没法面对未来的另一种说法。

正则化：让模型别把自己背的答案当成真理 不加正则：模型对历史数据倒背如流，参数又多又敏感， 加正则：参数被限制为一个简洁形状——可能精度略差，但样本外稳得多。 正则化的本质：牺牲一点训练分数，换一个不重写历史也不掉链子的模型。

机器学习消灭过拟合最常用的武器就是正则化——它给模型加了一股惰性，不让你为每一个数据点单独调参。

5. 树模型和梯度提升

如果说线性模型是透明机械表,树模型就是会自己长出规则的判断树。它可以学到类似“当估值低、质量高、过去动量不差时更看好”这样的规则,天生擅长非线性和特征交互。随机森林、GBDT、XGBoost、LightGBM、CatBoost,都是这个大家族的成员。

树模型在表格数据上常年能打,所以量化股票的截面数据里也到处是它: 不挑特征尺度,对异常值相对稳健,还能顺手输出特征重要性。很多中低频量化研究会拿梯度提升树当强基线——新模型要是连这个基线都打不过,就先别谈上线。

但别误会,树模型照样过拟合。金融数据看起来样本很多,每天几千只股票、几百个特征,可真正独立的信息远没有账面那么多。树太深、参数太多、调参太频繁,很容易把某段历史里的偶然结构背下来,当成永恒规律。

6. 深度学习能不能做量化

深度学习当然能用于量化,而且有几个方向很有研究价值: 高维数据、序列建模、文本处理、订单簿、组合表示学习。新闻文本、公告、研报、财报原文、盘口序列、分钟级多资产数据——这些传统模型啃不动的形态,神经网络都可能提取表示。

但深度学习在金融里有几个天生的难处,入行前必须知道。第一,信噪比低,标签里大量随机波动,信号微弱;第二,分布漂移强,市场制度、参与者和风格都会变;第三,样本有效独立性低,相邻日期和同一行业股票高度相关;第四,模型复杂后很难解释风险暴露。

所以结论不是“不能用”,而是“要用就得加码纪律”: 强基线、样本外、滚动验证、交易成本、容量估计、特征泄漏检查和风险归因,一个都不能省。一个神经网络回测曲线再美,如果说不清赚的到底是什么钱,上线就很危险。

7. 横截面模型和时间序列模型

量化建模有个基本分野。横截面模型在同一天横向比较很多股票,目标是排序: 输入是当天每只股票的特征,输出是未来一段时间的相对收益或排名。指数增强、多因子选股,常用这种思路。

时间序列模型则纵向盯同一个资产随时间的变化,比如预测指数、期货、外汇或单只股票未来走势。它更像传统时间序列预测,常用的料是滞后收益、波动率、宏观变量、仓位数据这些。

两者还可以合体: 先用时间序列模型提取每只股票的历史状态,再在横截面上排序。深度学习里的序列编码器和截面注意力机制,就可能这么用。但请记住前面的警告: 结构越复杂,防泄漏和防过拟合的工程就越重。

8. 损失函数要和赚钱目标对齐

普通回归最小化 MSE,分类任务最小化交叉熵,这是机器学习课的默认答案。但量化赚钱通常不直接等于 MSE 最小。想想选股: 你真的不需要精确预测每只股票未来涨多少个点,你只需要把相对更好的那批排到前面去。

于是排序损失、相关性损失、分组收益、组合层面的目标函数,都可能更贴近量化任务。有些研究会直接优化 RankIC 或近似排序目标,也有研究把交易成本和风险约束纳入训练或后处理。

不过,直接优化收益也有坑: 收益目标噪声很大,模型可能学到历史里的偶然交易路径。所以实际流程里常常分工: 模型先做预测或排序,再由组合优化器把预测变成仓位,并用风险模型和成本模型在旁边约束。让模型直接对着钱优化,听着很爽,做起来很险。

9. 特征重要性不等于因果解释

机器学习模型常输出一张特征重要性排行。它能告诉你模型在历史训练里依赖了哪些变量,但请注意,它不能直接证明这些变量因果上导致了收益。一个特征被标“重要”,可能只是因为它代理了行业、市值、流动性或某段市场风格。

举个例: 模型发现“成交额”很重要,这不等于成交额越大越能赚钱。它可能只是帮模型区分大盘股和小盘股,或者帮模型避开流动性太差的股票。想解读特征重要性,得结合中性化、分层、分市场阶段和金融逻辑一起看。

注意

深度学习的解释更难。注意力权重、梯度归因、SHAP 等工具可以辅助理解,但不能替代金融审查。解释工作的目标不是出漂亮图给报告贴金,而是确认一件要命的事: 策略没有靠未来数据、不可交易样本或隐含风险暴露在赚钱。

10. 线上模型会衰减

模型上线不是毕业典礼,而是衰减的开始。金融模型上线后效果常常慢慢变差,原因可能有一串: 市场环境变化、竞争者学习、交易成本变化、数据源变化、模型过拟合、执行质量下降——也可能什么坏事都没发生,只是正常统计波动。

所以实盘模型需要监控,像盯线上服务一样盯它: 预测分布、因子覆盖率、缺失率、IC、分层收益、换手、持仓暴露、成交成本、滑点、回撤和相对基准。特别记住一条: 如果输入数据突然异常,模型输出再漂亮也不能信——垃圾进,必然垃圾出。

机器学习工程里有数据漂移、概念漂移、模型监控,量化里面对的是同一批问题,只是后果直接折现成钱。一个模型从不是训练完就结束,而是进入一个循环: 持续验证、再训练、降权、停用和复盘。

11. 个人应该怎么开始金融 ML

个人学习,千万别第一步就追最复杂的网络。更靠谱的路线像升级打怪: 先用简单因子和线性模型把完整回测跑通;再请树模型当强基线;最后在确实有高维序列或文本需求时,才尝试深度学习。

第一个机器学习项目可以很具体: 做一个月频选股排序。股票池选沪深 300 或中证 500,特征用估值、动量、波动、质量和流动性,标签用未来 20 日相对收益,模型从 Ridge、ElasticNet、LightGBM 开始,评价看 RankIC、分层收益、换手和扣费后超额。每一步都在练真功。

这条路线不性感,但它训练的是真正重要的能力: 数据对齐、泄漏检查、样本外验证、成本建模、风险归因和报告复盘。等这套基本功扎实后,深度学习上不上、怎么上,你自然会有判断力。

小结

这一章的正文不是让你记住几个孤立名词,而是要把它们放回同一条因果链里。读完后,先用自己的话复述下面几条判断,再顺着“小节回看”检查是否能解释每一步。

  • 量化模型首先服务于问题定义: 先想清楚预测什么,而不是先挑个酷模型再去找任务。
  • 线性模型、树模型和深度学习各有边界,金融的低信噪比会把过拟合风险放大。

小节回看

  • 1. Zillow 的房价模型为什么买来一屋子麻烦
  • 2. 模型先服务于问题定义
  • 3. 线性模型为什么还活着
  • 4. 不让模型太相信自己
  • 5. 树模型和梯度提升
  • 6. 深度学习能不能做量化
  • 7. 横截面模型和时间序列模型
  • 8. 损失函数要和赚钱目标对齐
  • 9. 特征重要性不等于因果解释
  • 10. 线上模型会衰减
  • 11. 个人应该怎么开始金融 ML

自测

为什么金融 ML 不能直接照搬普通监督学习流程?

因为金融数据带着一串特殊问题: 时间可见性、低信噪比、分布漂移、样本相关和交易成本,每个都能让标准流程翻车。

线性模型在量化里为什么仍然常用?

因为它可解释、稳定、容易约束,特别适合多因子合成和风险暴露审查。

下一章为什么接在这里

从预测到仓位: 组合优化和风险模型

解释为什么量化模型输出分数后,还要经过风险约束、成本模型和组合优化。