在量化投资的模型开发、模型预测、模型训练以及预测值合并等环节，会将提取到的特征或Alpha因子进一步加工，得到“更优Alpha”。加工的目的是提高投资策略的效率和稳定性，从而实现更好的投资回报。明汯投资为提升投资者持有体验，持续优化模型、扩展因子库。

一般而言，模型由数据及如何使用历史数据对未来数据进行预测的过程组成。用线性方程或线性函数来描述变量之间的关系的模型即为线性模型，即变量间的函数关系可用一条直线来描述。那些不能通过直线的描述的函数关系就是非线性模型。量化投资对未来收益的预测，主要依赖于线性模型和非线性模型。

明汯投资于2014年成立，2014年至2016年是明汯投资的起步阶段。考虑到基本面量化选股和中周期价量模型是管理大资金的基础，需要更多的时间积累和储备，明汯投资在这一阶段主要以线性模型为主。

线性模型具有直观的数学形式，更容易理解和解释，同时，由于参数量较小，更容易训练和优化。然而，对数据的假设过于严格，应用起来具有一定的局限性。明汯投资认识到这一点，并在模型开发中寻求突破。

非线性模型能够更好地拟合复杂的数据模式，在处理分类任务、提取数据特征、捕捉数据间复杂关系等方面更具优势。明汯投资指出，从国内外市场的文献和实践结果来看，早期量化私募的模型开发以线性模型为主。起初，无论是CAPM、APT还是FF-Three Factors和Barra，所采用的都是线性模型，基于历史上有效的因子进行线性外推预测。但由于金融数据中通常存在大量噪音，其关系也并非是简单的线性关系，因此这种方法存在较大误差。

明汯投资进一步提到，随着非线性模型（如机器学习、深度学习模型）占比逐步提升，其模型复杂度、参数相比传统统计学习模型有了很大提升，预测效果也更好，量化机构整体投资能力因而获得较大进步。具体到如何精细化处理树模型、神经网络模型等也从侧面体现出各家研究深度和广度的不同。

明汯投资借助机器学习、深度学习等前沿科学技术，开发了全频率、全维度、全覆盖的策略模型，包括长周期的基本面量化模型。在明汯投资的量化投研框架中，人工智能几乎体现在每一个环节和角落，这体现了明汯投资在量化投资领域的专业和创新。

作为国内较早一批将人工智能技术成功应用到金融市场的私募机构，明汯投资持续完善量化选股模型，优化交易执行系统，提升整体策略容量和适应性，早在2019年就已构建覆盖全周期、多策略、多品种的量化资产管理平台。

【广告】

（免责声明：此文内容为本网站刊发或转载企业宣传资讯，仅代表作者个人观点，与本网无关。仅供读者参考，并请自行核实相关内容。）