物理工程建模和AI量化建模的时空跳跃

BigQuant是以AI为核心的投研和投资平台。提供量化数据服务中台、多种投资算法、量化投资最佳实践等，提供机器学习等在量化的技术探讨和解决方案。在BigQuant技术社区，我们会发布与AI量化相关的科普内容和研究过程、研究成果，填补AI量化的知识空缺。
我是李冠达，在宽邦科技（BigQuant）担任高级策略工程师，毕业于清华大学，从事过流体、固体力学工程方面的建模工作。有6 年以上的量化投资经验，转到AI量化也3年多了。个人比较擅长将物理层面的模型迁移到量化投资上，曾帮助国内知名基金成功设计出 AI 模型。

介绍一下目前从事的工作

目前主要在BigQuant上研究各类算法在量化的应用，例如LSTM\LGBT等等算法的研究 。同时，也开AI量化的Meetup，针对在AI量化中有疑惑或者遇到障碍进行答疑，这样直接的沟通，可以解决大家不少的疑虑。也会在高校去讲讲课，普及AI量化的知识。

怎么和BigQuant结缘的

一次偶然的机会参加线下的宽客聚会结识了创始人梁总，当时看到AI量化对Demo版本(即现在的BigQuant)觉得很有意思，同时也看到AI量化的理念真正地落地实践了，当时很兴奋。更巧的是，当时宽邦科技就在家附近，步行不到十分钟，周末的时候就选择去实习，做了一些策略研究和模版案例，小有成就。也是看好AI在量化领域的发展，干脆就加入到公司成为其中的一员。

原来是从事物理工程建模，是怎么想到转到量化投资的？

我在校期间比较沉迷量化，在理财协会参与了各种活动，包括内地股票市场、商品期货市场、现货市场、香港市场的模拟交易和真实交易，尤其是2007年的A股大牛市和2008年金融危机参与了黄金的大牛市深刻感受到周期的力量。本身是理工科背景，很自然就尝试结合理工思维试图搜索市场的模式密码，数学量化建模是自然的工具方法。后来在研读探索量化历史发展中看到了像西蒙斯、达里欧等大牛的传说，甚至是贝尔实验室关于香农等人关于赌场和市场的传奇故事感到很震惊，继而萌生了做量化投资的念头。同时2007兴起的指数化基金投资浪潮、2009年兴起的量化浪潮、2010-2016兴起的数据和quant平台浪潮以及全国性的宽客协会的成立都不断推进了我的对于量化投资的兴趣。

AI量化建模和物理建模有的相同点和不同点是什么？

在我看来，流体力学中的混沌分岔、微分几何等专业的发展与金融市场很类似。模式的不断产生和消亡，微观的难以预测和中宏观的统计性规律这种现象在物理工程届都有出现。

1. 从处理的问题角度讲，数理金融领域的时序序列分析跟电子领域的信号降噪、流体工程界的非定常问题很类似。

2. 从学科的分析手段看，数理金融中类似随机游走、对数正态分布等模型跟固体力学中的寿命、可靠性等问题假设又很相近。

不同的点是，工程领域用到的模型大多在理论、经验、实验、可重复性方面更强更专更稳定，而金融市场中噪声很高这方面跟语音识别等场景又有所不同，其时变性也给系统稳定性造成较大扰动。

都说金融市场是经济的晴雨表，而实体经济通常有政策层面的逆周期扰动，同时实体经济的变动较慢可预测性高，而金融市场则受到的影响面较多噪声大给可预测性造成很大的挑战，

从这点上看金融市场是一个中长期符合经济周期和定价逻辑，短周期混沌的系统，而定价逻辑本身又受估值预期和盈利能力预期两个关键因素的主导。

是怎么看待AI量化的发展？

AI的方法论并不是新生的，而是综合技术的进步把AI推向了潮流前端。

在工程领域早在上个世纪40年代就有很多算法思想的启蒙，迫于当时的硬件能力等无法实现应用突破。

记得在2005年，就已经在学校做SRT的时候就在工程领域接触到GA、模拟退火、神经网络等优化算法了，当时还都是Fortran或者C++的程序用于工程设计领域的参数优化。当时的前向/后向神经网络的层数很少，也没有类似卷积和池化算法的应用，受限于单机算力主要也就解决简单的寻优问题。

后来随着硬件的发展，云就算技术、GPU技术的出现，包括卷积等算法的完善出现了AI算法的研究高潮并逐渐从图像识别领域扩展出来，加上互联网行业的发展让金融数据变得更易得，这些可以说为AI量化的快速发展奠定了基础。

AI量化目前处于早起阶段，目前从AI的三要素就可以看出数据是效果的天花板，市场的混沌时变和高噪声都会给算法带来很多不利的影响，经济周期的波动也会导致策略出现阶段性失效、模型过拟合等问题。
对金融市场中慢变量和快变量的认识和结合，以及人工经验的结合是目前发展的方向。随着更多类似transformer等新算法模型的发展，这种“人机融合”的效果可能会逐步通过模型实现，逐步提高模型对市场的解释能力。

对于想要进入这个领域的，有什么路径可以支持他们更好地融入这个领域呢？

首先是加深对于数据、算法、算力的理解，深刻认识过拟合、欠拟合等概念。

然后是对市场的理解，微观的混沌分岔以及宏观的周期性，慢变量和快变量的识别，以及对于高噪声挑战的认识。

最后是工程动手能力，AI量化本身是一个实践为主的场景，对于模式产生和消亡的理解，对于模型全生命周期的数据处理、模型优化、以及对问题风险的识别把控和改进都需要较强的动手能力和经验积累。