CP-AI使用先进的建模技术如随机决策森林和循环神经网络来发掘投资讯号,指示基金建立新的仓位或调整现有仓位。
随机森林是机器学习的方法,通过随机方式建立由很多之间没有关联的决策树组成的森林,当有样本输入时就利用每一颗树对样本进行判断和预测,随机森林的输出将是所有决策树输出的平均值。每个决策树是如同人类循序思考过程的一个分析方式,因此随机森林是通过大数量的决策树校正单决策树对样本过度拟合的毛病,及平衡数据误差的有效方法,即使存在大量的数据缺失,也能较好地保持精确性。
递归神经网络是时间序列分析中的重要环节,以类似人脑操作的电脑建模和分析技术,建立展现短暂行为动力的内部神经网络方式,通过长短期记忆网络结构,将多个时间序列数据输入递归神经网络。
神经网络更接近人类的信息处理模式,其主要特征是:大规模的并行处理、分布式的信息存储、良好的自适应性、自组织性、以及很强的学习能力、联想能力和容错能力。循环神经网络的主要用途是处理和预测序列数据,充分利用挖掘数据中的时序信息及语义深度表达的能力,在语音识别、语言模式、机器翻译和时序分析等方面实现突破,在处理自然语言理解、图像识别、机器人控制等方面具有独到的优势。
循环神经网络使人工智慧能更大规模地描述金融市场,捕捉市场中存在的非线性关系。这个能够提供整个市场视野的能力是传统的统计工具如ARIMA和GARCH无法做到的。统计工具一般输入单一时间序列,因此可供分析的资讯次元有限。
我们的开发目的是使太信人工智慧具备充分的能力思考情景内容以及前瞻性因素,因此在复制执行太平洋主选组合策略时,能达到强化的效果。例如在过程中会使用主体模式这样的内容翻译技术从文档内容中发掘隐晦结构的文义。主体模式是常用的内容挖掘工具,其从文字形态的新闻中捕捉隐晦讯息的功能,是完全依赖价格因素的传统建模所缺失的。
投资策略和科技发展的结合所产生的优化投资机会,实现了取得更高风险调整回报的可能性。