Python量化交易系統建構（一）

（一）項目準備：關于人工智能的政策投資系統。

首先肯定是理論模型設計，系統風險管控主要分幾方面展開：

1、利用自然語言處理（NLP）技術，監控網絡輿情事件，對網絡輿情進行情感分析，給出定量描述（利空/利好），并自動化生成内容摘要供投資經理參考。

2、利用産業鍊圖譜，分析上市公司上下遊企業經營狀況（銷售收入、利潤及财務資料等），用來推斷企業未來的盈利能力或隐藏風險。

3、監控上市公司主要産品市場價格與成交量資訊，用于預測未來的營業收入。

4、對上市公司銀行流水進行識别分析，從資金流的層面審視上市公司經營狀況。

5、對行政、司法公告進行智能化解讀，識别上市公司法律風險。

驗證：

1、需要經過一段時間（6~12個月）的實盤運作，取得了模型成績與滬深300指數對比，收益高于200%倍認為成功；低于100%則認為失敗，區間應不停改進。

2、系統對上市公司風險事件幾乎能夠100%俘獲，隻要是後期出現債務違約或債券價格大跌的标的，都能被系統提前捕獲（比如康美、康得新、中安消防等）。

3、錯報控制，風險告警遺漏率為零，風險分布區間準确率大于80%。低于80%，屬于無效預警，還可能導緻調倉過度頻繁，沖擊成本過高；特别是債券，一時間找不到交易對手方，隻能折價賣出，最終導緻債券投資這部分是虧損的。

4、對"稀有事件"的提示能力。稀有事件沒有曆史資料可以模拟，無法計量，人工智能就更沒有辦法了。從資訊論的角度來看，越是稀有的事件，資訊量越大，市場就會過度高估它的作用，特别是出現恐慌性、群體性大跌時，大機率就是抄底好機會。結論：金融市場的走勢主要受未來不可預測因素影響，已知因素對其影響非常有限，而我們投資者（包括AI），隻能從已知事件中得出結論。

• 發生稀有的大事件，市場沒有經驗，你認為自己可以更深刻地解讀它，并願意承擔相應的風險。疫情事件投資屬于此範疇。
• 對于已知事件，你認為市場對該事件反應過度或反應不足，尚有後期影響可以利用。在資訊極其暢通的今天，公開事件往往是反應過度。
• 對于已知事件，某些資金的特性決定了，被迫做出了某些動作，而不是基于标的價值的考量。