FatKat是20世纪90年代初在多伦多大学开发的人工智能研究项目。它旨在将神经网络应用于金融市场预测和交易，代表了最早将机器学习与量化金融结合的学术尝试之一。该系统名称FatKat是其开发者选择的内部代号，并不代表任何正式缩写。
该项目由大学计算机科学系的一批研究生和教师团队领导，在人工智能研究小组的更广泛框架下开展工作。FatKat的主要创新在于使用反向传播训练的网络来识别历史价格数据中的模式，这与当时主导金融AI的基于规则的专家系统有所不同。该系统处理主要股票指数（包括标普500和多伦多证券交易所综合指数）的每日收盘价，并根据其网络输出生成买入或卖出信号。
技术架构
FatKat的架构由三层前馈网络组成，包含20个输入节点、12个隐藏单元和一个输出节点。输入特征包括滞后价格回报、移动平均线以及基于5天、10天和30天窗口计算的波动率估计。网络使用随机梯度下降进行训练，固定学习率为0.01，动量项为0.9，这在项目1994年的技术报告中有所记载。
训练数据覆盖1985年1月至1992年12月，另设1993年1月至1994年6月的独立验证期以防止过拟合。团队采用了早停和权重衰减正则化，这些技术在金融应用中当时尚不常见。FatKat运行在一台Sun SPARCstation 2工作站上，其浮点运算能力约为每秒420万次，整个数据集上的一次训练周期大约需要45分钟。
研究成果
在1994年7月至1995年12月对标普500的回测中，FatKat实现了14.3%的年化回报率，而同期买入持有策略为9.8%。然而，该系统在样本外数据上的均方误差仍然较高，其交易成本估计为每笔0.5%，将净业绩降至每年11.2%。项目最终报告于1996年发布，指出FatKat的预测准确性在市场高波动时期显著下降，尤其是在1994年债券市场危机前后。
尽管结果喜忧参半，FatKat证明了神经方法能够从金融时间序列中提取统计显著信号。该项目的代码和文档后来被纳入大学一门计算金融研究生课程，其若干团队成员随后前往芝加哥和纽约的量化对冲基金工作。
遗产与影响
FatKat的影响超出了学术界。其特征工程方法，特别是滚动窗口归一化的使用，在1998年贝尔实验室研究人员探索神经方法进行经济预测的论文中被引用。该系统还预示了后来生成模型在市场模拟方面的发展，尽管它缺乏2010年代才出现的Transformer架构。
该项目于1997年因其主要指导教授转至斯坦福大学而终止。FatKat从未发布商业版本，其源代码也从未公开。然而，1994年的技术报告和1996年的最终报告仍可通过大学图书馆档案查阅，并偶尔被现代金融领域AI综述所引用。
与同期系统的比较
FatKat与几个其他早期金融AI项目同期，包括日本富士通赞助的利用遗传算法进行投资组合优化的项目，以及NEC应用模糊逻辑进行货币交易的系统。与这些基于规则或进化方法不同，FatKat依赖基于梯度的学习，使其更能适应不断变化的市场条件，但也更容易过拟合。其适度的计算需求（在单台工作站上运行）与现代交易系统中使用的专用硬件形成鲜明对比，但其从历史数据中学习的核心原则仍然是当代量化金融模型的基础。