這幾天我在思考和「時間」有關的事情，包括因子動量、時序分析和槓桿率調整。原因和細節我就不說了，反正我下午決定再次使用深度學習模型實驗。
󠀠
我知道GRU和LSTM比較常見，我甚至看過業界的高頻多因子，不過考量到運算效率，我最後還是用可併行的Transformer做出一個玩具，用來預測大盤走勢，只是好玩，所以也沒魔改。(當然，這邊有一個很巨大的陷阱，和損失函數有關，算公開的秘密。)
󠀠
然後我又跑了Autogluon，主要想藉助它的三個特長。
󠀠
第一，自動調參數，它讓整個程序都自動化，而且比人工更強。如果說機器學習輾壓了人類一次，那全自動調參就輾壓了第二次。(Kaggle見真章。)
第二，集成學習，它把傳統時序分析和機器學習都包了進去，而這會讓預測能力大幅上升。集成的勝出在ML本就不是新鮮事，讀者若有興趣也可以參考 "Statistical, machine learning and deep learning forecasting methods: Comparisons and ways forward (2022)"
第三，添加自己的的模型，這讓一些hybrid的方法成為可能，例如Auto-ARIMA-GJR-GARCH (前二是內建，後二是現有流行時序分析模型。)
還有個好消息是，它也支持GPU CUDA加速，這可以降低所費時間。
󠀠
回想幾年前，我接觸ML/DL是要用特徵工程的方式處理高維因子，算是對系統性量化因子投資的初次嘗試，主要屬於cross sectional，而現在處理time series又是另外一套，不過我相信兩者的交集會越來越大。
󠀠
󠀠
#狂徒投資
#時序分析
#深度學習
#因子投資
#我本來只是想看動量因子大戰因子動量