基于人工智能技术的金融预测与量化交易系统研究

This project will investigate the financial forecasting and quantitative trading system using artificial intelligence, based on the previous research in this field. This research includes many problems such as time series analysis, financial forecasting and the application of artificial intelligence in the financial market. Considering the special environment of China financial market, specifically, we will study: (1) the financial forecasting methods based on artificial intelligence and data mining; (2) the quantitative trading system using artificial intelligence. In special, we will take the risk measurement into consideration, in order to carry out the quantitative trading under a given risk level. Generally speaking, with the interdisciplinary research, the proposed project will contribute to the theory, methodology and applications in the field of financial engineering, and provide quantitative decision-making tools for governments and investors.

本项目拟针对目前国际经济和金融的现状和发展趋势，在充分借鉴国内外关于金融预测以及相关领域已有研究成果的基础上，以金融预测和量化交易系统构建为研究对象，研究金融系统中的时间序列问题、价格预测问题，探讨如何将人工智能技术应用到金融领域。基于中国金融市场的特殊性，本项目拟从以下两个方向展开研究：（1）基于智能计算与数据挖掘技术的金融预测方法研究；（2）基于人工智能技术的量化交易系统研究。在构建量化交易系统的同时，项目还将引入风险度量的方法，实现在一定风险控制水平下的量化投资。项目通过对交叉领域的深入研究，一方面将在金融预测与量化投资的理论和方法上进行创新，走向本领域学科研究的国际前沿，另一方面也将结合中国金融市场的现状把提出的理论应用到实践中，为政府和投资者们提供科学决策依据，充分体现本项目研究的科学价值与实践意义。

本项目以金融预测和量化交易系统构建为研究对象，研究金融系统中的时间序列和价格预测问题，探讨如何将人工智能技术尤其是机器学习方法应用到金融实践中。研究内容除了原计划的子课题外，还进行了金融统计理论方面的重要拓展。在充分考虑中国资本市场特殊环境的前提下，本课题考虑了这些复杂因素对于模型构建的影响。主要研究内容和解决的关键问题包括：.第一，在利用智能算法与数据挖掘技术进行金融预测时，我们解决了传统预测方法的瓶颈问题，例如，统计模型在非线性和动态环境中的建模难题、传统机器学习方法的可解释性难题等。我们充分结合了两者的优势，提出在动态环境中的加权关联规则算法，并以智能计算为手段，在不确定性条件下找出金融市场的规律并进行科学预测与决策。第二，在建立智能交易系统时，本课题研究了在一个全面系统性风险计量框架中，如何综合考虑宏观环境、信用环境以及流动性等风险因素的系统性风险度量方法。我们在复杂环境下进行建模，并结合宏观经济因素、风险传染因素和个体因素等，建立了统一的风险度量模型。最后，我们将提出的风险测度模型应用于量化交易系统中，实现了风险控制前提下的投资收益。第三，在利用人工智能技术构建量化交易模型时，由于中国资本市场的特殊性和局限性，我们在建立模型时考虑了复杂环境下不同的影响因素，加入了心理因素、信息因素、行为因素等。我们结合行为金融学和金融统计学的前沿理论，利用交叉科学的优势来解决上述问题，使得本项目提出的智能交易系统不仅具有科学理论依据，还可以在金融实践中得到有效应用。.学术创新：（1）内容创新：提出了智能优化、机器学习、风险度量和金融统计领域的全新算法并进行了检验。（2）方法创新：将现有的机器学习算法与统计模型相结合，一定程度上克服了人工智能技术的“黑箱”特性，使其具有可解释性，同时提高了泛化性能。