人類希望通過(guò)人工智能可以從機(jī)械繁瑣的工作中解放出來(lái)。早在20世紀(jì)80年代，人工智能的研究主要集中在專家系統(tǒng)和模糊邏輯等分支。

 

　　隨著計(jì)算能力的增強(qiáng)和相應(yīng)成本的降低，用機(jī)器來(lái)解決大規(guī)模優(yōu)化問(wèn)題變得可行。再加之硬件和軟件的進(jìn)步，現(xiàn)在的人工智能主要是使用神經(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)器，也稱為特征，或者可理解為具有經(jīng)濟(jì)價(jià)值、和分類器一起用來(lái)開(kāi)發(fā)可盈利模型的因子。這種人工智能的應(yīng)用通常是通過(guò)機(jī)器學(xué)習(xí)（ML）來(lái)實(shí)現(xiàn)的。

 

　　以人工智能為基礎(chǔ)的交易策略應(yīng)用，無(wú)論是在短期還是長(zhǎng)期投資，都越來(lái)越受青睞，還活躍在很多的對(duì)沖基金中。但由于各種因素，要想廣泛接受這種新技術(shù)仍是緩慢的，最重要的是發(fā)展人工智能所需要的新工具和人才的投入。

 

　　大多數(shù)基金使用的是基本面分析（fundamental analysis），因?yàn)镸BA項(xiàng)目中就是這么教的。沒(méi)有多少對(duì)沖基金是完全依賴人工智能。人工智能的應(yīng)用在零售層面上發(fā)展突飛猛進(jìn)，但相較之下大多數(shù)交易員仍在使用20世紀(jì)中期提出的方法，包括傳統(tǒng)的技術(shù)分析，因?yàn)樗鼈兒苋菀咨鲜趾蛻?yīng)用。

 

　　需要注意的是，AI和ML不僅用于制定交易策略，而且還用于其他領(lǐng)域，例如開(kāi)發(fā)流動(dòng)性搜索算法和給客戶的投資組合提建議。因此，隨著人工智能應(yīng)用程序的普及，參與交易和投資決策的人數(shù)量在減少，顯然這對(duì)市場(chǎng)和價(jià)格行為也會(huì)帶來(lái)影響。

 

　　目前人工智能對(duì)該行業(yè)的總體影響進(jìn)行預(yù)測(cè)還為時(shí)過(guò)早，但人工智能的普及將會(huì)帶來(lái)更有效、更穩(wěn)定、波動(dòng)更小的市場(chǎng)。這并不是空穴來(lái)風(fēng)，因?yàn)榧夹g(shù)會(huì)讓人類對(duì)信息的主觀判斷的影響最小化，同時(shí)也會(huì)減少相關(guān)噪音的干擾。但具體在實(shí)際中將如何演進(jìn)，我們還要拭目以待。

 

 

　　人工智能技術(shù)在應(yīng)用的最初階段，我們還是有機(jī)會(huì)去了解它是如何管理風(fēng)險(xiǎn)的?；谌斯ぶ悄艿慕灰撞呗钥赡軙?huì)出現(xiàn)的一個(gè)問(wèn)題是，他們產(chǎn)生的模型可能比隨機(jī)還要差。

 

　　我要說(shuō)的是，傳統(tǒng)的技術(shù)分析是一種無(wú)利可圖的交易方式，因?yàn)榛趫D表模式和指標(biāo)的策略在交易成本之前從一個(gè)零均值的分布中獲得回報(bào)。我們總是會(huì)在圖像分部的右尾看到一些交易員，這就給人一種錯(cuò)覺(jué)，好像這種方法是有經(jīng)濟(jì)價(jià)值的。

 

　　但我的研究表明，特別是在期貨和外匯市場(chǎng)上，無(wú)論采用哪種方法，長(zhǎng)期盈利都很難實(shí)現(xiàn)，因?yàn)檫@些市場(chǎng)本身就是為做市商（Market maker）而設(shè)計(jì)的。但在短期內(nèi)，一些運(yùn)氣好的交易者可以在杠桿市場(chǎng)中獲得巨大的利潤(rùn)。然后，他們就將成功歸因于他們的策略和技能，而不是運(yùn)氣。

 

　　有了AI和ML，就帶來(lái)了更多的可能，比如機(jī)器學(xué)習(xí)算法中的偏差-方差權(quán)衡（Bias-Variance Tradeoff）。數(shù)據(jù)挖掘偏差的結(jié)果可能會(huì)出現(xiàn)對(duì)舊數(shù)據(jù)過(guò)擬合而在新數(shù)據(jù)上瞬間就失效了，或者由于策略過(guò)于簡(jiǎn)單而錯(cuò)過(guò)了抓取有價(jià)值的重要數(shù)據(jù)信息。這種交易會(huì)比隨機(jī)策略還要糟糕，甚至在交易成本增加之前，這些交易者的收益率分布也會(huì)呈現(xiàn)負(fù)偏態(tài)。這為大型基金和后量化寬松時(shí)代的投資者提供了一個(gè)獲利的機(jī)會(huì)。

 

　　然而，隨著那些比隨機(jī)還不靠譜的”人工智能”交易員被從市場(chǎng)淘汰，只有那些擁有穩(wěn)健模式的交易員仍在繼續(xù)，爭(zhēng)奪利潤(rùn)的斗爭(zhēng)將變得激烈起來(lái)。現(xiàn)在推測(cè)人工智能交易員或大型投資者是否會(huì)贏得這場(chǎng)戰(zhàn)斗還為時(shí)過(guò)早。然而，隨著不靠譜AI交易員被市場(chǎng)所淘汰，留下的都是穩(wěn)健型交易，利潤(rùn)爭(zhēng)奪也會(huì)越來(lái)越激烈。最終AI交易員和大型投資者，鹿死誰(shuí)手，猶未可知…

 

　　我還想提一下人們對(duì)這個(gè)領(lǐng)域常有的誤解：有些人認(rèn)為價(jià)值是在于使用了機(jī)器學(xué)習(xí)算法。實(shí)際上并不是這樣。真正的價(jià)值在于所使用的預(yù)測(cè)因子或特征。算法就算再?gòu)?qiáng)大也不能在沒(méi)有金礦的地方挖到金子?，F(xiàn)在的問(wèn)題就是大多數(shù)ML從業(yè)人員想使用同樣的預(yù)測(cè)器，并嘗試以迭代的方式開(kāi)發(fā)模型，從而產(chǎn)生最好的結(jié)果。

 

　　但數(shù)據(jù)挖掘的偏差往往會(huì)導(dǎo)致失敗。也就是說(shuō)，數(shù)據(jù)挖掘的偏差來(lái)自于把數(shù)據(jù)多次使用到各種模型里，直到在訓(xùn)練和測(cè)試的樣本中得到滿意的結(jié)果，這其實(shí)是很不靠譜的。

 

　　我在這個(gè)領(lǐng)域的研究表明，如果一個(gè)簡(jiǎn)單的分類器，比如二元邏輯回歸，不能很好地運(yùn)用一組給定的預(yù)測(cè)器，那么它就很有可能沒(méi)什么經(jīng)濟(jì)價(jià)值。因此，成功的關(guān)鍵其實(shí)是特征工程，這既是一門科學(xué)，同時(shí)也是一門為經(jīng)濟(jì)價(jià)值的特征，需要知識(shí)、經(jīng)驗(yàn)和想象力相結(jié)合的綜合學(xué)科，目前只有一小部分專業(yè)人士能做到這一點(diǎn)。

 

 

　　我們必須區(qū)分傳統(tǒng)的和量化的技術(shù)分析，因?yàn)樗幸蕾囉趦r(jià)格和流量分析的方法都屬于這個(gè)主題。從傳統(tǒng)的，如圖表模式、一些簡(jiǎn)單的指標(biāo)、價(jià)格行動(dòng)的某些理論等這樣的技術(shù)分析開(kāi)始著手并不是有效的方法。除卻一些特殊的例子外，那些夸大的宣傳從來(lái)不會(huì)給出長(zhǎng)期的統(tǒng)計(jì)預(yù)期，而只是表述如果采用這些方法，會(huì)有潛在的利益收入。

 

　　由于市場(chǎng)上的利潤(rùn)和損失遵循一定的統(tǒng)計(jì)分布，所以總是有人把運(yùn)氣歸因于這些方法。同時(shí)，整個(gè)行業(yè)圍繞這些方法發(fā)展，因?yàn)樗鼈儽容^容易學(xué)習(xí)。但不幸的是，許多人認(rèn)為他們更善于使用這些其他人也知道的方法來(lái)獲利，結(jié)果是大量的財(cái)富從這些天真的散戶那里轉(zhuǎn)移到了市場(chǎng)的創(chuàng)造者和其他消息靈通的專業(yè)人士那里。

 

　　20世紀(jì)90年代早期，一些市場(chǎng)專業(yè)人士意識(shí)到大量的散戶交易者使用這些天真的方法進(jìn)行交易。一些公司開(kāi)發(fā)了算法和AI專家系統(tǒng)來(lái)進(jìn)行識(shí)別，然后進(jìn)行逆向交易，致使了散戶們根本無(wú)法應(yīng)付的過(guò)程波動(dòng)。從更基本的角度看，傳統(tǒng)技術(shù)分析的失敗可以歸因于從上世紀(jì)90年代開(kāi)始的市場(chǎng)上的高序列相關(guān)性消失。從根本上說(shuō)，這是一種高度的序列相關(guān)性，給人一種錯(cuò)誤的印象，認(rèn)為這些方法是有效的。

 

　　如今，除了少數(shù)例外，市場(chǎng)是均值回歸的，沒(méi)有給簡(jiǎn)單的技術(shù)分析方法生效的空間。然而，一些量化技術(shù)分析方法卻通常很有效，比如均值回歸和統(tǒng)計(jì)套利模型，也包括使用具有經(jīng)濟(jì)價(jià)值特征的ML算法。

 

　　但這種套利在AI和機(jī)器學(xué)習(xí)的情境下是不可持續(xù)的，因?yàn)楦鞣N各樣私有模型的存在。這種新技術(shù)存在的主要問(wèn)題不是在傳統(tǒng)的技術(shù)分析方法中出現(xiàn)的確認(rèn)偏見(jiàn)（confirmation bias），而是數(shù)據(jù)挖掘偏見(jiàn)。

 

　　在我看來(lái)，觀察市場(chǎng)和看圖表正在慢慢過(guò)時(shí)。交易的未來(lái)在于處理信息，實(shí)時(shí)開(kāi)發(fā)和驗(yàn)證模型。未來(lái)的對(duì)沖基金將不會(huì)依賴于圖表分析。一些交易員仍然會(huì)這樣做，因?yàn)樗麄兲幱谶^(guò)渡的邊界，舊的方式與新時(shí)代相交匯點(diǎn)。許多不熟悉人工智能的交易員將發(fā)現(xiàn)他們很難保持競(jìng)爭(zhēng)力，并會(huì)選擇退出。

 

 

　　人工智能的應(yīng)用將以多種方式改變交易，這已經(jīng)發(fā)生了。投資者可能很快就會(huì)發(fā)現(xiàn)，在量化寬松導(dǎo)致的當(dāng)前的趨勢(shì)結(jié)束后，中期回報(bào)率將遠(yuǎn)低于預(yù)期。如果這種情況成為現(xiàn)實(shí)，那么投資者將不得不回到原來(lái)的方法，找到一個(gè)好的財(cái)務(wù)顧問(wèn)，可以提出一個(gè)投資組合，并挑選出有價(jià)值的證券。在某些情況下，顧問(wèn)將是一個(gè)人工智能程序，這個(gè)過(guò)程將在網(wǎng)上執(zhí)行。

 

　　交易員們需要熟悉這項(xiàng)新技術(shù)。大多數(shù)交易員仍在與舊的方法作斗爭(zhēng)，只是希望這些方法還能夠用上幾年。

 

　　其中一的個(gè)問(wèn)題是過(guò)去8年里，央行直接支持金融市場(chǎng)的道德風(fēng)險(xiǎn)。許多交易員和投資者現(xiàn)在認(rèn)為熊市是不可能的，因?yàn)檠胄袑?huì)幫他們擦屁股。因此，大多數(shù)市場(chǎng)參與者沒(méi)有做好準(zhǔn)備迎接下一個(gè)主要市場(chǎng)機(jī)制的改變，并可能面臨毀滅性的損失。

 

　　如今，網(wǎng)絡(luò)上有很多關(guān)于ML、AI和交易的資源。最好的學(xué)習(xí)方法就是試著解決一些實(shí)際的問(wèn)題。但我認(rèn)為，大多數(shù)交易員的轉(zhuǎn)變是不可能的。了解和應(yīng)用人工智能的技能組合的交易員將會(huì)將95%的習(xí)慣于在圖表上畫線，觀察移動(dòng)平均線的交易員甩在身后。

 

　　投資者也應(yīng)該自己進(jìn)行研究，或咨詢一位已經(jīng)熟悉這些新技術(shù)發(fā)展的財(cái)務(wù)顧問(wèn)。每個(gè)投資者都有不同的風(fēng)險(xiǎn)偏好，很難有一個(gè)一以貫之的指導(dǎo)方針。在不久的未來(lái)，將會(huì)有大量的機(jī)器人顧問(wèn)出現(xiàn)，如何選擇一個(gè)適合特定的需求和目標(biāo)機(jī)器人顧問(wèn)，可能會(huì)比較有挑戰(zhàn)性。不熟悉機(jī)器學(xué)習(xí)和人工智能以及它們與交易和投資的關(guān)系的人會(huì)發(fā)現(xiàn)去請(qǐng)教那些已經(jīng)熟悉這些技術(shù)的專業(yè)人士要比自己看書從頭學(xué)要收益更大。