金融职业平台
目前“AI+量化交易”的主流形式，是利用计算机技术从庞大的数据中计算出能带来超额收益的多种“大概率”事件，以数学模型替代人为的主观判断，并基于这些事件制定组合策略自动完成交易。
标配是一个金融分析师和一个程序员，分析师负责制定策略，程序员则将策略代码化，接入到交易程序中。量化交易在一定程度上提升了投资效率，减少了投资者情绪波动的影响，不少金融企业都有所涉足，但更多地集中在数据挖掘层面，常常只能处理单一种类数据，没有针对金融投资领域数据的特点做相应的建模，远未能做到智能投资。
如今，数据量的指数级增长、数据类型的日益增多，因子选择、数学模型也越来越复杂，传统的量化交易系统已经难以应对所有类型的海量数据。而这恰恰是人工智能技术最擅长的应用场景：海量数据、需要大量实时的计算、复杂逻辑牵涉的多个时变因子和模型等等。
华夏基金在这样的大背景下开始了与微软亚洲研究院的合作，并成为了微软亚洲研究院“创新汇”的首批会员，开启了人工智能在金融投资领域的深度合作。
前期调研
相较而言，人工智能的技术应用还处于初期，不像云计算、大数据等那样拥有不少成熟的行业解决方案，所有技术的行业落地都需要从零开始探索。
华夏基金在2017年开始与我们进行深度合作。在选择资产管理业务领域的切入点时，我们对研究方向、应用场景、适用算法、数据源分析等方面进行了大量的研究和讨论，逐渐开始聚焦于可能做出成果的领域。在大量研究与测试后，选择了量化投资——多因子选股这个领域，因为每一支股票都有大量的历史和实时数据可供人工智能学习、建模和验证。
多因子选股是最经典的选股方法，由金融企业核心数据所驱动，包括市盈率、市净率、市销率等作为选股标准。传统的量化投资会从这些数据中挖掘α（Alpha）因子，然后对这些因子进行线性等方式加权，通过组合优化，最后形成一个多因子的优化组合，预计可以战胜基准指数。资产管理中目前的主动量化、指数增强型产品大多采用这种多因子模型，在建模过程中存在一定的主观性，而且同业中基本都采用类似的信号挖掘方法，容易导致因子拥挤和失效的情况出现。
在华夏基金与微软亚洲研究院互派团队进驻对方实验室进行密切合作之后，我们探索出了“AI+指数增强”的策略。
模型
“AI+指数增强”的方法有机会挖掘出与传统投资方法低相关性的投资组合，从而实现金融企业的差异化竞争。主要涉及两项核心人工智能技术：时空卷积神经网络和时变注意力模型。
首先，利用时空卷积神经网络挖掘出原始的量价数据在时间序列维度和空间截面维度的模式，并利用这些模式组成有意义的因子，基于这些抽取出来的因子，同时把他们放到神经网络和梯度决策树（GBDT）等若干个模型上运行，得到相应的复合因子。
其次，利用时变注意力模型将所得到的多个复合因子进行动态聚合，最终生成一个更加适应市场变化的α信号，以找到总体性能最好的策略。具体而言，研究员们先利用无监督学习的方法构建了自动识别市场状态的模块，并将这一模块识别出的动态市场信息注入到时变注意力模型，使其可以有效获得在不同时期各个因子的动态有效性，从而进行更精准的因子模型聚合，给出最佳的投资策略。
这一方法一方面可以充分利用大规模的原始数据，从中自动构建对学习目标最有价值的因子；另一方面能够实现因子的非线性复合，挖掘出更丰富的信息，而且可以动态调整变换因子聚合形式以适应市场的动态性。
合作！
在成果之外，这次探索还让我们在合作模式上有所收获。
行业专家与人工智能科学家充分信任，是人工智能成功落地的关键。在合作中，大家都是对等的合作，行业专家和计算机科学家都是运动员，都要上场。双方还需要充分信任，有一致的开放心态和契合的气场，才能让行业专家放心传授行业洞察、分享真实业务数据，让研究员们能够充分贡献模型、算法以及调参技巧等。微软是一家平台公司，不会与任何行业企业产生竞争关系，这也是“创新汇”成员企业可以充分信任微软亚洲研究院的基础。
未来
我们将继续发掘人工智能在金融投资领域的潜力。短期来看，模型的动态更新和融合、针对特定产品做定制化模型设计都是可以立即开展的研究方向；长期来看，基于多频度和多维度信息的α构建、智能风险控制、智能算法交易、智能对冲策略等等，都是人工智能可以发挥作用的领域。
我们在投资环节落地的人工智能应用场景也将越来越多，将用多年来在个性化推荐、自然语言处理、数据智能等领域的技术积累，开辟“AI+金融”的更多新兴应用。
