人“狗”對決，“狗”加一分，人請加油。
在投資界，有關智能投顧的討論越來越多，也有人調侃，“阿爾法狗”要在炒股上戰(zhàn)勝人類，那才真是有本事。
決戰(zhàn)前夜，柯潔發(fā)微博表示“我相信未來是屬于人工智能的”，但是“感覺不到它對圍棋的熱情和熱愛”。富二感慨萬千，興奮、恐懼、熱情、熱愛這些字眼，冰冷的“阿爾法狗”能感覺到么？同樣，資本市場風起云涌，股民情緒隨處彌漫，這些，人工智能能捕捉得到么？
其實，人工智能與資本投資相結合的初期應用已經出現(xiàn)一段時間了，那就是“量化投資”。
富二尋得一篇分析到位而又十分中肯的文章——《量化投資：AlphaGo和人類結合的未來》，其對機器誠可貴、人類價更高的思考，不僅適用于投資，也適用于所有面臨科技改革的領域，分享給客官。
文章來源：中投在線
投資界也存在“人機之爭”。經過16年A股市場的血雨腥風，量化投資再次脫穎而出，整體表現(xiàn)優(yōu)異，多數產品跑贏大盤。也有數學家西蒙斯 “用公式打敗市場”的故事，其文藝復興科技公司旗下的大獎章基金，以過去20年每年平均35%的凈回報，擊敗巴菲特。似乎機器方先下一城，那是不是就真的可以稱雄呢?
量化投資是區(qū)別于定性投資的一種形式，關鍵點就在于策略模型的大量使用，即利用現(xiàn)代統(tǒng)計學、數學方法，借助計算機處理海量數據和信息，并嚴格按照機器所構建的數量化模型來指導投資決策，以獲得穩(wěn)健的持續(xù)的投資收益。
一般來說，公募基金或大型私募的量化投資部由兩部分組成，一部分是投研團隊，另一部分是IT團隊，投研團隊提出需求，IT團隊做出算法交易的模塊，解決基金經理們的需求。1.0時代主要依靠“主信號+約束條件”的辦法。2.0時代包含信號研發(fā)、信號組合與模型構建、風險模型、組合管理等等?，F(xiàn)階段量化投資策略開發(fā)方式為：研究組或者交易組提出思路→研究組論證，提出基本模型→模型擬合估計→回溯檢驗→小規(guī)模測試→實盤投資。
其好處在于可以克服人性，做決策時不會像人類一樣受情緒和心理因素的干擾?？赏瑫r運用多個策略模型，對全市場各種信息進行實時監(jiān)控，一旦出現(xiàn)合適的機會，能瞬間下達交易指令。
比如CTA基金的趨向性跟蹤指標，其調整多空頭寸的臨界點是由特定計算機算法規(guī)則的，并且嗅覺靈敏，能在第一時間改變陣營，下手迅速，更善于承擔人類不喜歡的空頭角色。一般這類品種是通過量化手段不斷交易，反復進行大概率獲得正收益的策略，會設置最大回撤值，一旦到“止損線”就立刻止損，因此風險并不會太高。
再或者相對價值策略中，程序化交易的機器能短時間內根據估值模型，發(fā)現(xiàn)海量相關聯(lián)證券中存在的的價值誤差，需找到套利機會。當判斷一種證券的價值被高估，一種證券的價值被低估的時候，通過買入低估的證券，賣空高估的證券直至二者的價格趨于收斂而平倉，從而獲取微小的價差收益。這類產品不會瞬間賺取大錢，熊市中這種策略對于投資者的吸引力比較大，相對比較符合穩(wěn)健型投資者的需求，也是組合投資中較好的一環(huán)。
此外，還有人類無法勝任的高頻交易，幾秒一次交易，甚至超高頻的一秒內數次。
然而，量化投資本身也存在著一定的缺陷。
存在過度擬合的問題：所謂過度擬合，指的就是程序化交易中，對于樣本數據描述的準確度很高，而對于樣本外數據描述的準確度卻很差。導致歷史回測完美，而在實盤中失效。有時還可能導致黑天鵝事件：量化模型主要是根據歷史數據來構建的，所以它吸收新信息的能力比較緩慢和遲鈍，一旦外部環(huán)境發(fā)生變化或者發(fā)生某些重大事件，如基本面上的變化等，有效性就會大大受到影響。
相比人工智能，主觀投資的基金經理更有主觀能動性、更靈活，當一個新主題或新的邏輯出來時，能夠馬上作出反饋，及時跟上。并且，能更敏感地感受到市場情緒，我們都知道巴菲特說的“別人貪婪的時候，我恐懼，別人恐懼的時候，我貪婪”，這種無法抽象出策略因子的存在，機器是“感受”不到的。
人類的前瞻性也是機器所不具備的。市場環(huán)境風云變幻，監(jiān)管層一模一樣的政策或者信號在不同時點市場給出的反饋甚至是背道而馳的。長期看，要戰(zhàn)勝市場，前瞻性也就至關重要。而這是量化投資技術，甚至我們目前能夠看到的AlphaGo還遠遠做不到的。
所以宏觀對中的策略中，基金經理人是占據主導地位的，要把控全球的宏觀市場動向，具備全方位信息挖掘能力，利用宏觀經濟的基本原理來識別金融資產價格的失衡錯配現(xiàn)象。例如索羅斯的量子基金，羅伯遜的老虎基金，國內的宏觀對沖策略產品達到64只。
人機結合的未來
首先可以肯定的是，定量投資是適合國內的，因為金融市場的非有效或弱有效性，錯估價值的證券更多，那么留給定量投資策略去發(fā)掘市場的無效性、尋找超額收益的潛力和空間也就更大。也可以發(fā)揮其紀律性、系統(tǒng)性、及時性、準確性、分散化的各種優(yōu)點，從而捕獲國內市場的各種投資機會。
當然，正如Alpha Go依然是利用人類的智慧開發(fā)出來的一樣，量化投資的策略模型也需要通過投資者的經驗和思考來構建模型，我們還處在人工智能和投資結合的初級階段。
定性投資管理較依賴對上市公司的調研，以及基金經理個人的經驗及主觀的判斷，而定量投資管理則是“定性思想的量化應用”，更加強調數據，硬件分析能力也要足夠高。在未來的量化的3.0時代，第一要解決的是大數據，需要能夠觸及并且挖掘巨大的數據來源，短時高效的獲取金融產品底層各種各樣的信息，并且進行分析。
如果將大量的數據放入AlphaGo中的核心的“深度神經網絡算法(DNN算法)”，那就可以自動提取一些相關性，同時匹配結果。理論上可以彌補之前研究人員建立模型時，容易忽略一些變量，導致模型失效的問題，以及解決了回歸分析中會產生的過度擬合。
人類就可以充分利用這個工具，充當一個掌舵手，通過前瞻性和對市場非理性機會的把握，對重大政治事件背后的洞察力，來對策略進行調整，保證時效性，構建穩(wěn)健賺錢的投資策略。
