姓名：謝童? 學(xué)號(hào)：16020188008? 轉(zhuǎn)自微信公眾號(hào)? Bigquant
以下是我?guī)讉€(gè)月前在歐洲做的一次演講的摘錄，當(dāng)時(shí)我應(yīng)邀為一群低調(diào)但凈資產(chǎn)很高的投資者和交易員做演講咆槽。該主題由主辦方?jīng)Q定涎才，是關(guān)于人工智能和機(jī)器學(xué)習(xí)對(duì)交易和投資的影響娜睛。下面的節(jié)選分為四個(gè)部分榄攀，涵蓋了原始報(bào)告的50%苞轿。
人工智能和機(jī)器學(xué)習(xí)對(duì)交易一般影響
人工智能（AI）允許用機(jī)器代替人茅诱。在20世紀(jì)80年代，人工智能研究主要集中在專(zhuān)家系統(tǒng)和模糊邏輯搬卒。隨著供應(yīng)算力的成本降低瑟俭，使用機(jī)器解決大規(guī)模優(yōu)化問(wèn)題變得經(jīng)濟(jì)可行。由于硬件和軟件方面的進(jìn)步契邀，如今人工智能專(zhuān)注于使用神經(jīng)網(wǎng)絡(luò)和其他學(xué)習(xí)方法來(lái)識(shí)別和分析預(yù)測(cè)變量摆寄，也稱(chēng)為特征或因子，它們具有經(jīng)濟(jì)價(jià)值并可與分類(lèi)器一起用于開(kāi)發(fā)可盈利的模型坯门。人工智能的這種特殊應(yīng)用通常以機(jī)器學(xué)（ML）為名微饥。
基于人工智能開(kāi)發(fā)交易策略的方法，無(wú)論是在短期內(nèi)還是在長(zhǎng)期投資中古戴，都越來(lái)越受歡迎欠橘，在這一領(lǐng)域出現(xiàn)了一些非常活躍的對(duì)沖基金现恼。然而肃续，由于各種因素，這種新技術(shù)的廣泛接受是緩慢的叉袍，人工智能需要在新的工具和人才上投資是其中最重要的一點(diǎn)始锚。
大多數(shù)基金使用基本面分析，因?yàn)檫@些是經(jīng)理人在MBA課程中最熟悉的東西喳逛，沒(méi)有多少對(duì)沖基金完全依賴(lài)人工智能瞧捌。人工智能在零售層面的應(yīng)用在不斷增長(zhǎng)，但大多數(shù)交易員仍然使用20世紀(jì)中期提出的方法润文，包括傳統(tǒng)的技術(shù)分析姐呐，因?yàn)樗鼈円子趯W(xué)習(xí)和應(yīng)用。
請(qǐng)注意转唉，AI和ML不僅用于制定交易策略皮钠，還用于其他領(lǐng)域，例如開(kāi)發(fā)流動(dòng)性搜索算法并向客戶(hù)推薦投資組合赠法。因此麦轰，隨著人工智能應(yīng)用的普及，參與交易和投資決策的人數(shù)減少砖织，這顯然會(huì)影響市場(chǎng)和價(jià)格】钋郑現(xiàn)在推測(cè)這項(xiàng)新技術(shù)將對(duì)該行業(yè)產(chǎn)生的總體影響還為時(shí)過(guò)早，但人工智能的廣泛應(yīng)用將會(huì)帶來(lái)更有效的市場(chǎng)侧纯，并且削弱長(zhǎng)期內(nèi)由于狀態(tài)轉(zhuǎn)換帶來(lái)的波動(dòng)峰值新锈。 這是很有可能的，因?yàn)槿祟?lèi)對(duì)信息的主觀評(píng)估的影響以及伴隨而來(lái)的噪音將被最小化眶熬，但是這在實(shí)踐中還有待觀察妹笆。
人工智能和機(jī)器學(xué)習(xí)對(duì)α的影響
在采用人工智能技術(shù)的最初階段块请，那些理解人工智能技術(shù)并知道如何管理其風(fēng)險(xiǎn)的人將會(huì)有機(jī)會(huì)∪基于人工智能的交易策略的一個(gè)問(wèn)題是墩新，它們可能生成比隨機(jī)更糟糕的模型。我將試著解釋我的意思:傳統(tǒng)的技術(shù)分析是一種無(wú)利可圖的交易方法窟坐，因?yàn)樵诳紤]任何交易成本之前海渊，基于圖表模式和指標(biāo)的策略是從均值為零的分布中獲得回報(bào)的，一些交易者在分布的右側(cè)獲得回報(bào)從而給人一種錯(cuò)覺(jué)哲鸳，讓人覺(jué)得這些方法有經(jīng)濟(jì)價(jià)值臣疑。
我的研究表明，特別是在期貨和外匯市場(chǎng)徙菠，無(wú)論采用哪種方法讯沈，長(zhǎng)期盈利能力都很難實(shí)現(xiàn)，因?yàn)檫@些市場(chǎng)旨在讓做市商受益懒豹。然而芙盘，在較短的時(shí)間內(nèi)，由于運(yùn)氣的原因脸秽，一些交易員可以在杠桿市場(chǎng)上獲得巨額利潤(rùn)儒老。然后，這些交易者把他們的成功歸功于他們的策略和技能记餐，而不是運(yùn)氣驮樊。
對(duì)于AI和ML，還有其他影響因素片酝，如偏差 - 方差權(quán)衡（bias-variance trade-off）囚衔。數(shù)據(jù)挖掘的偏差可能導(dǎo)致策略過(guò)于適應(yīng)過(guò)去的數(shù)據(jù)，但在新數(shù)據(jù)上失敗雕沿，或者策略過(guò)于簡(jiǎn)單练湿，不能在具有經(jīng)濟(jì)價(jià)值的數(shù)據(jù)中捕獲重要信號(hào)。這種權(quán)衡的結(jié)果是比隨機(jī)策略更糟糕审轮，甚至在考慮交易成本之前肥哎，這些交易員的回報(bào)分布就出現(xiàn)了負(fù)偏。
然而疾渣，隨著表現(xiàn)較差的人工智能交易員被市場(chǎng)淘汰篡诽，市場(chǎng)將只剩下那些擁有穩(wěn)健模型的交易員，爭(zhēng)奪利潤(rùn)的競(jìng)爭(zhēng)將變得激烈起來(lái)×窦瘢現(xiàn)在斷言人工智能交易員或是大型投資者將贏得這場(chǎng)戰(zhàn)斗還為時(shí)過(guò)早杈女。
我還想提到在這個(gè)領(lǐng)域中一個(gè)常見(jiàn)的誤解:一些人認(rèn)為價(jià)值存在于人工智能的算法中，這不是種準(zhǔn)確的說(shuō)法。真實(shí)的價(jià)值在于使用的預(yù)測(cè)因子达椰，也被稱(chēng)為特征翰蠢。毫無(wú)疑問(wèn)，ML算法在無(wú)金之地是找不到黃金的砰碴。一個(gè)問(wèn)題是躏筏，大多數(shù)ML專(zhuān)業(yè)人員使用相同的預(yù)測(cè)因子，并嘗試以迭代方式開(kāi)發(fā)模型呈枉，以產(chǎn)生最佳結(jié)果。這個(gè)過(guò)程受到數(shù)據(jù)挖掘偏差的困擾埃碱，最終失敗猖辫。簡(jiǎn)而言之，數(shù)據(jù)挖掘的偏差來(lái)自于不正確的實(shí)踐砚殿，即在許多模型中多次使用相同的數(shù)據(jù)啃憎，直到結(jié)果在訓(xùn)練和測(cè)試樣本中變得可以接受為止。
我在這方面的研究表明似炎，如果給與一個(gè)簡(jiǎn)單的分類(lèi)器一些特征辛萍，比如二元邏輯回歸，它工作得差強(qiáng)人意羡藐，那么這個(gè)地方很可能是沒(méi)有經(jīng)濟(jì)價(jià)值的贩毕。因此，成功取決于所謂的特征工程仆嗦，這既是一門(mén)科學(xué)辉阶，也是一門(mén)藝術(shù)，需要知識(shí)瘩扼、經(jīng)驗(yàn)和想象力才能創(chuàng)造出具有經(jīng)濟(jì)價(jià)值的特征谆甜，只有一小部分專(zhuān)業(yè)人士能夠做到這一點(diǎn)。
人工智能和機(jī)器學(xué)習(xí)對(duì)技術(shù)分析影響
我們必須區(qū)分傳統(tǒng)的和量化的技術(shù)分析集绰，因?yàn)樗幸蕾?lài)于價(jià)格和成交量分析的方法都屬于這一主題规辱。傳統(tǒng)的技術(shù)分析,即關(guān)于圖表模式、一些簡(jiǎn)單的指標(biāo)栽燕、某些價(jià)格行為的理論等都是無(wú)效的罕袋。吹捧這些方法的出版物從來(lái)沒(méi)有展現(xiàn)過(guò)他們?cè)陂L(zhǎng)期的統(tǒng)計(jì)期望，只提供一個(gè)承諾：如果使用這個(gè)或那個(gè)規(guī)則纫谅，就會(huì)有盈利的潛力炫贤。
由于市場(chǎng)上的利潤(rùn)和損失遵循一定的統(tǒng)計(jì)分布，總有人把他們的運(yùn)氣歸因于這些方法付秕。與此同時(shí)兰珍，整個(gè)行業(yè)圍繞著這些方法發(fā)展起來(lái)，因?yàn)樗鼈儾浑y習(xí)得询吴。不幸的是掠河，許多人認(rèn)為亮元，他們可以通過(guò)更好地使用其他人也知道的方法來(lái)獲利，其結(jié)果是唠摹，這些天真的交易員將大量財(cái)富從市場(chǎng)交易者轉(zhuǎn)移到做市商和其他見(jiàn)多識(shí)廣的專(zhuān)業(yè)人士手中爆捞。
在20世紀(jì)90年代早期，一些市場(chǎng)專(zhuān)業(yè)人士意識(shí)到勾拉，大量的散戶(hù)交易者正在使用這些天真的方法進(jìn)行交易煮甥。一些人開(kāi)發(fā)了算法和人工智能專(zhuān)家系統(tǒng)，提前識(shí)別信息藕赞，導(dǎo)致過(guò)程中出現(xiàn)散戶(hù)交易員無(wú)法應(yīng)對(duì)的波動(dòng)性成肘。從更根本的角度來(lái)說(shuō)，傳統(tǒng)技術(shù)分析的失敗可以歸結(jié)為從20世紀(jì)90年代開(kāi)始的市場(chǎng)高度序列相關(guān)性的消失斧蜕∷簦基本上，正是高度的序列相關(guān)性讓人誤以為這些方法有效批销。
如今洒闸，除了少數(shù)例外，市場(chǎng)是均值回歸的均芽，沒(méi)有給簡(jiǎn)單的技術(shù)分析方法留下發(fā)揮作用的空間丘逸。然而，一些量化的技術(shù)分析方法仍然很有效骡技，比如均值回歸和統(tǒng)計(jì)套利模型鸣个，還包括使用具有經(jīng)濟(jì)價(jià)值特征的ML算法。注意布朦，這種套利不太可能復(fù)制在AI和ML上囤萤，因?yàn)槟Ｐ头N類(lèi)繁多，大多數(shù)都擁有專(zhuān)利是趴。
在我看來(lái)涛舍，觀察市場(chǎng)和查看圖表正在成為一個(gè)過(guò)時(shí)的過(guò)程。交易的未來(lái)是關(guān)于處理信息唆途，實(shí)時(shí)開(kāi)發(fā)和驗(yàn)證模型富雅。未來(lái)的對(duì)沖基金不會(huì)依賴(lài)圖表分析。有些人仍然這樣做是因?yàn)樗麄兲幱谂f時(shí)代迎接新時(shí)代的過(guò)渡邊界肛搬，許多不熟悉人工智能的交易者會(huì)在未來(lái)發(fā)現(xiàn)很難在競(jìng)爭(zhēng)中生存没佑。
嶄新交易技術(shù)中的贏家和輸家
人工智能的應(yīng)用將在許多方面改變交易，這正在發(fā)生温赔。投資者可能很快就會(huì)發(fā)現(xiàn)蛤奢，在量化寬松導(dǎo)致的當(dāng)前趨勢(shì)結(jié)束以后，中期回報(bào)率將遠(yuǎn)低于預(yù)期。如果這種情況出現(xiàn)啤贩，那么投資者將不得不回到老方法：尋找一個(gè)好的財(cái)務(wù)顧問(wèn)待秃，它可以在投資組合上給與建議，并挑選出有價(jià)值的證券痹屹。很可能章郁，這個(gè)顧問(wèn)將以在線人工智能程序的角色出現(xiàn)。
交易者需要熟悉這種新技術(shù)志衍。多數(shù)交易員仍在與舊方法作斗爭(zhēng)暖庄，他們僅僅希望“逢低買(mǎi)入”會(huì)奏效，并在未來(lái)幾年內(nèi)再獲利。
還有一個(gè)問(wèn)題是，過(guò)去8年在金融市場(chǎng)的支持下登澜，央行培育出來(lái)的道德風(fēng)險(xiǎn)（moral hazard）床未。許多交易員和投資者現(xiàn)在認(rèn)為，熊市是不可能的俘侠，因?yàn)檠胄袑⒃谀抢飳p失重新分配給其他所有人象缀，從而讓他們可以保住自己的利潤(rùn)。因此爷速，多數(shù)市場(chǎng)參與者對(duì)下一個(gè)重大市場(chǎng)變化沒(méi)有做好準(zhǔn)備央星，并可能面臨災(zāi)難性的損失。
網(wǎng)上有關(guān)于ML惫东、AI和交易的優(yōu)秀資源莉给。最好的學(xué)習(xí)方法是嘗試解決一些實(shí)際問(wèn)題。但我認(rèn)為廉沮，對(duì)多數(shù)交易員來(lái)說(shuō)颓遏，這種轉(zhuǎn)變是不可能的。掌握人工智能所需的技能需要將理解和應(yīng)用結(jié)合在一起滞时，而95%的交易員只習(xí)慣于在圖表上畫(huà)線并觀察移動(dòng)平均叁幢。
投資者應(yīng)該自行研究，并咨詢(xún)熟悉這些新技術(shù)的合格顧問(wèn)坪稽。每個(gè)投資者都有不同的風(fēng)險(xiǎn)厭惡情況曼玩，很難提供一般的指導(dǎo)方針。很快就會(huì)有大量的機(jī)器人顧問(wèn)出現(xiàn)窒百，選擇一個(gè)適合特定需求和目標(biāo)的機(jī)器人可能會(huì)是一項(xiàng)富有挑戰(zhàn)性的任務(wù)黍判。
任何不熟悉ML和AI，以及他們與交易和投資的關(guān)系的人會(huì)發(fā)現(xiàn)篙梢，咨詢(xún)一個(gè)熟悉這方面的專(zhuān)業(yè)人士可能更有利顷帖，這樣在了解基礎(chǔ)知識(shí)之后就可以開(kāi)始動(dòng)手，而不是從閱讀書(shū)籍和文章開(kāi)始。
最后窟她，我希望我在這次演講中提供的大致想法可以作為你研究工作的起點(diǎn)陈症。
