信达澳银量化多因子基金投资价值分析( 六 )_来源：海通量化团队摘要1.机器学习在量

在量化投资层面，机器学习相对于传统模型的改进主要体现在其对非线性关系的刻画上。传统的量化多因子模型假设因子与股票表现的关系是线性的，因此常常使用回归算法，而机器学习中的很多算法都打破了线性的限制，允许模型使用非线性的方法对历史数据进行拟合，相对于传统的线性模型一般拟合效果要更好，误差会更小。但是使用机器学习需要注意的是过度拟合问题，过度拟合会导致模型的训练效果很好，但是应用在测试集后表现并不理想。同时机器学习的学习过程是一个黑箱，很多时候模型的可解释度不如线性模型。主要模型包括决策树、Bagging、随机森林、Boosting、Adaboost、Stacking和神经网络等。

1.2 机器学习在实际投资中的应用

随着人工智能（AI）应用的进一步深化，机器学习正在吸引越来越多资管公司的关注。在2018年9月的BarclayHedge的对冲基金情绪调查发现，超过一半的对冲基金受访者（56％）正在使用人工智能来做出投资决策，几乎是一年前报告（20％）的三倍。大约三分之二使用人工智能产生交易想法和优化投资组合。超过四分之一的人使用它来自动执行交易。可见在对冲基金内部而言，越来越多的公司正在将目光聚焦于机器学习策略。