量化投资的人工智能时代来临

前段时间,一篇新闻再次震惊世人,AlphaGo 的弟弟 AlphaGoZero 横空出世,通过无师自通的方式,以 100:0 战绩击败他的哥哥们。当时,看到 deepmind 发布的这篇文章时,的确有点震撼,但随即而来的是余悸。印象中,2016 年,那场围棋人机大战最终以人工智能代表 AlphaGo 4:1 挑落人类最强选手李世石告终。从赛后对李世石的采访中可以看出,这位围棋界皇帝输得心服口服,意味着在围棋领域,人类选手基本已经很难战胜人工智能;而仅仅过了一年,这位当初被人类膜拜的 AlphaGo 却输得如此彻底。其实,令我惊奇的有两点,第一是人工智能发展的速度之快,但更重要的是,AlphaGoZero 完美胜利背后所使用新的机器学习方式,即在只输入围棋规则条件下,就开始自我对弈训练,和 AlphaGo 最大的区别是它不需要历史数据,放弃了人类先验的经验,同时它突破人类认知障碍,甚至可以创造知识。

人工智能应用如同新时代的火种,照亮了人类的生活。而在投资领域,大家第一感觉会把人工智能和量化投资联系起来。的确,目前人工智能算法在量化投资领域的应用诸如 Adaboost、随机森林等,但还远未到脱离历史数据的无师自通阶段,和传统量化投资区别在于它在解决非线性问题时更有优势,学习历史数据时更深层,同时能够适当的降低人类主观经验对投资的影响。

结合实际,我们来看看人工智能对量化投资的影响。譬如,我们研究历史数据时,发现反转因子在 A 股市场最近十几年表现出单调的特性,在以线性模型为主的量化多因子体系中会比较好用,而盈利因子表现出非单调的特性,按照传统框架基本很难纳入,而人工智能机器学习的来临,则可以解决这种非线性的问题,机器学习的优势就是没有线性约束,所以,类似于盈利这些因子都可以纳入到原有的体系。其次,我们用传统方法研究某个因子在历史上的表现,尽管会有很多统计指标来衡量,但是不管有多少指标,多少维度,历史数据在时间序列上只展开一次,这种方法论下,模型表现的结果就是相对静态、相对固化,没有延展性,而人工智能机器学习通常是不断的展开历史,由远及近,从浅至深,通过不断的学习及优化,找到有效的投资线索。还是拿反转因子为例,做量化的人都有深感,应该说,2016 年之前,反转因子都非常好用,但自 2016 年年中开始,因子的持续回撤使得超配该因子的模型很受伤,但关键是,模型很难对这种变化自适应,这就是传统量化方法的静态局限,但这恰恰是人工智能在量化投资领域的优势,通过机器学习打开静态局限,不断的学习和反馈市场信息来调整因子和参数,以此来适应市场背后隐含的监管环境和投资者结构改变引发的市场结构的变化。最后,我们时常说量化模型的特点是纪律性,纪律性是指尽量降低人的主观判断对投资的影响,但事实上,量化模型因子的选择和对历史回溯的判断本身就带有一定的主观性,这种主观性的前提是我们相信历史规律的可持续性,而基金经理所坚守的这种“主观判断”在面临市场风格反向变化时,显得手足无措,纪律性往往成了绊脚石,而人工智能正因为极强的学习能力,能够较快的适应市场,避免传统量化模型大幅回撤后才开始修正模型的尴尬。

人工智能虽然强大,但有一点不可否认的是,它相较于传统量化模型更加“黑箱化”,正是由于各种非线性的处理,模型输出的结果很难用经济或投资逻辑去解释,所以,我们需要思考的是,当人工智能机器学习模型开始慢慢进入实战阶段时,摒弃投资逻辑的人工智能模型一旦遇上了问题,作为模型开发者的你还能坚守它么?

文章转载自申万菱信申级宝公众号。

更多精彩文章,请扫码关注公众号Deepera。

Leave a Reply

Your email address will not be published.