AI+量化让投资更智能

量化投资
人工智能
标签: #<Tag:0x00007fb0081279a0> #<Tag:0x00007fb0081277e8>

(iQuant) #1

宽邦(BigQuant)是业内首家推进和实现AI赋能投资的平台级AI公司,助力投资者实现从基于主观经验的传统投资升级到基于AI+大数据的科学投资,已服务众多知名券商/投资机构和数万专业投资者。我们见证并推动了AI在量化投资上的趋势形成。本文是太平资产量化及策略投资部董事总经理王振州在申万宏源·2019投资高峰(福州)春季论坛上的分享,有如下五部分:

  • 传统投资面临的三个困境
  • AI能提供哪些能力解决这样的困境
  • AI在量化投资中所扮演的角色
  • 演示实盘结果
  • 思考

传统投资面临的三个困境

首先针对量化投资所面临的困境,第一个困境是中国A股的市场博弈的人太多,1.4亿人。AlphaGo在围棋上面是两个人上的博弈,应用在电子竞技上是10个人的博弈。但是在A股上面是千万倍的博弈水平,所以A股的博弈水平比电子竞技或者围棋上面难度高很多。这之间的博弈怎么做,每个人都是伤透脑筋,这是投资里面面临的困境之一。

第二个困境是市场信息量太大,基金经理早上起床要看美股的市场收盘情况,要看欧股的情况,要看美股的新闻,还要A股的新闻,看完之后还要参加晨会,看是不是有一些社交数据,是不是有重要的研报,是不是有一些电商数据更高频观测的数据,每天要看的东西太多了。这么多的信息里面最后人是没办法负荷的,最后投资人怎么处理呢?做法就是两点,第一点基金经理、投资经理把搜索的范围缩小,例如说我只关注十几支的股票,我只针对这十几支的股票来重点关注,那可以关注得比较深。第二个就是把关注的频率降低,因为每天的数据很多,尤其如果要观注到高频交易数据的话,一天有千万条数据,人根本看不来,我可能只能看每天或者每周的数据,把关注频率降低,这也是人所面临的投资困境。

第三个困境是人难以克服的人性弱点,在行为金融学来看有三大行为金融的人性弱点。第一个是赌徒心理,第二个没有办法理性地止损,第三个是羊群效应。这个在2015年的时候非常明显,2015年上半年一个散户会觉得我买基金一天跟着市场涨2%太少了,因为他的股票一天涨10%,每天都涨停,所以他觉得这个基金做得不好,他自己做得最好,这是典型希望一夜暴富的心理。2015年上半年的情况下很多人把房子卖了,去借钱加了很多杠杆,希望在6个月之内或者一年之内我就可以变千万富翁或者上亿的资产,这是散户赌徒心理非常明显的特征。

第二个就是无法理性止损,2015年下半年也是很好的例子,高点在2015年6月下来的时候一开始大家是不相信,觉得后面政府会救市,后面很多政策会出来,我的股票会再上去。最后怎么样呢?他可能股票从10块跌到8块不相信再加码,后来跌到5块也不相信,后来跌到2块的时候,各种利空的声音都出来,最后可能是全部在低位卖出,从此就不看股票了,这是无法理性止损的非常明显的例子。

第三个是羊群效应,当大家在看好的时候,尤其有些散户以前并没有一直关注二级市场,但却听到周围朋友说我一天就涨了10%,我的股票资产一下子就变百万了,在市场特别热,处于高位时,很多原来没有关注这个市场的散户也冲进来了,所以这也是造成为什么散户都是最后高位接棒的因素。难以克服的人性弱点即使是我们做了十几二十年的基金经理也是会面临同样的问题,需要透过量化指标的方式来尽量避免这个问题。

AI能提供哪些能力解决这样的困境

AI能够提供的五大能力:BIGGER、FASTER、BROADER、DEEPER、RATIONAL这五大能力,后面我就针对这五大能力进行一一阐述。

在BIGGER部分,从十维到千维,一般人在处理信息的时候有十个变量大家还能理解、能处理,但是如果你要去理解的变量已经超过十个、百个、千个的时候人是没有办法收集这么多信息并且发现其中相关性。虽然人做不到的,但是AI做得到,AI是信息越多,维度越高,数据量越大,所出来的效果反而越好,这是AI跟人所不一样的地方。

第二个FASTER,我用下面这张图给大家解释,这是AlphaGoZERO它自己在自我博弈和互相训练时候的一个结果。它训练三天就已经达到AlphaGo打败李世石的水平,然后它再经过自我博弈,自我训练,经过21天已经达到打败自己AlphaGo Master的水平,之后它继续训练,已经无人能敌,因为它自我训练的时间及次数已经远超过围棋高手几十年的经验。同样用在基金经理也是一样的,一般要培养一个很好的基金经理,没有经过五年或者十年的洗礼,他的投资理念都还可能在变化,因为他要看过牛市及者熊市才知道自己的投资理念是不是可行。这样的情况下培养一个投资经理你没有花了五年、十年是不行。反观我们透过AI的方式,透过以前数据的回测,通过各种数据模型的一直迭代下,可以在几天几个月的时间就达到基金经理几十年的水平,这是AI可以提供的。

第三个是BROADER,从鱼塘到大海。这个想解释的意义是说一般我们所拿到的数据非常多,但是投资经理能关注的信息量是非常有限的。一般会关注信息量比较大的部分,就像鱼塘里面鱼比较多,我就关注鱼比较多的地方,关注胜率比较高的地方。按照整个市场来说,市场就像一个大海,里面可以看的地方很多,不是只有价值投资还可以成长型投资,可以从不同的维度找到适合市场的方式。但人的关注不够广的时候,我只能关注胜率高的东西,这是人跟AI所不一样的。有AI之后你能关注的程度是比较广的,而且可以把天气信息,交通信息、卫星信息都纳入进来成为你投资想法的一部分。

第四个是DEEPER,从朴素到深刻,下面的动图解释的是一个10层决策树模型,人只能考虑10个变量以内的影响,这是人所能做得到的。但这个决策树如果变成100层,变成1000层的时候人是没办法考虑到这么深了,但是AI做得到。

我想强调利用AI做的方向是做人所做不到的,人所想不到的以及人所做不好的三个方向去努力,不是纯粹做了AI去替代人类。

最后是RATIONAL,从公理体系到实验科学。左图是传统投资的一些想法,传统投资我们考虑的时候是需要有逻辑的,我们认为说合理的股票价值是未来现金流折现之后的结果。所以推导出来的结果可能会找低估值、现金流好的或高增长的股票,这是逻辑推理的结果,但是在AI里面是一个实验科学,它是透过统计学、数学模型还有强大的计算能力,要做到的结果是可靠的重复性,可预见性,可拓展性这几块。这是AI跟传统投资所不一样的地方还有它能提供的能力。

透过这五大能力的应用,我们跟AI、量化结合的话能得到什么样的成果?第一个就是传统量化投资我们用到的一些理论基础是2000年前已经定型了,不管是资产定价模型或者风险模型,后面2000年以后都是在做高频交易或者一些硬件上面的提升,来提升我们的交易效率,或者提升整个收益率。但是反观人工智能,它理论模型是在1957年的感知机,到后来反向传播以及2000年之后的深度学习,应用在很多地方。到后面的微软做的ResNet用在图象识别非常好,Google的AlphaGo用在下围棋上面,甚至Dota2 OpenAI用在电子竞技上面。每一年都有新的东西,新的算法,新的论文一直出来,也就是说在算法层面的话还有很多可能性。所以AI的投资,AI的算法,人工智能这块未来的空间还是很大,这是跟传统量化不一样的地方。

AI在量化投资中所扮演的角色

接下来,我想把AI在投资上的应用分为三个层次,一个是量化工具型,量化交易型和量化投资型。智能工具型典型代表是海外的Kensho,Kensho早期高盛以3800万美金曾经入股,后来S&P Global用几亿美金买下了它,它主要做的功能是透过搜索技术、爬虫技术,知识图谱来做成一个平台工具给投资经理服务。例如说基金经理对未来可能降息之后对市场的影响是什么样,对公司的影响什么样,对股市的影响怎么样,对行业的影响怎么样。基金经理就是会找研究员说我要做这样的分析,研究员可能花好几天的时间收集资料,然后跟基金经理说这是我的分析结果。但是Kensho你只要输入你的想法然后几秒钟出来答案你就可以做参考。它实际上是提升了研究员的效率,也提升了投资经理的效率,通过这些平台的工具可以很快地反应市场的变化,你的想法可以很快地给你答案。这是属于智能工具型。

第二个是智能交易型,典型的是海外的Man Group、Winton、Citadel这些对冲基金。我们跟Man Group长期一直交流,他们之前做AI的时候我也跟他们有探讨。他们的研究主要是集中在交易层面,用得非常好。它是透过高频交易,用人工智能的方式取得更好的交易收益。第三个是智能投资型,主要用到是高维度的数据,大数据,透过一些分析预测,这是我们太平资产现在在做的一些事情。

接下来我在针对智能投资型做一些比较细致的阐释。传统做量化投资的话我们可以看下面这张图,一般我们会先找研究员,让研究员去创造很多不同的因子来刻画这个市场,有了这些因子库之后,投资经理按照他对市场的判断去采用这些因子,再来做因子加权,同时也要考虑客户的风险收益需求,再透过风险因子模型形成投资组合,来达到客户的需求,这是量化投资的流程。如果加入AI之后会怎么样改变?有AI之后可以把因子加权有机的融合在一起。

再来就是它有更高维度的处理能力,在传统的量化投资里面,它的数据处理能力是有限的,虽然它已经比传统主动投资有更高的处理能力,但是还需要降维操作。它还是需要靠人做一些分析模型的推导,但AI是透过大量的数据,数据量越多越好,还能找到之间的关系,这些关系有些还不是人所能想到的关系,透过这些数据的处理能力达到更好的结果。

它也有更强的整合能力,刚刚提到我们有不同频率的数据,我有月度的数据,我有季度的数据,中间怎么去做整合是个问题,里面有很多拍脑袋的成分,整合做的好不好和投资经理对市场的敏感性和判断有关系。我们融入AI之后能达到什么效果?我们可以做到目标不同,输出不同,输入也不同,时间也不同,最后有机结合,而不是中间怎么加权的问题,都不是靠人来加权,而是通过AI来完成。

演示实盘结果

最后简单讲一下业绩,这个业绩也不代表未来,只是说我们在前面尝试过很多模型后,做了样本内测试,样本外测试,我们在2018年2月开始用小量资金AI投资实盘,实盘效果还不错。2018年中证500超额收益还是比较明显的,从2018年2月到年底该策略的超额收益是17%,年化有19%。这样两位数的年化超额收益在2018年指数增强不太好做的情况算是还不错的成果。

接下来这个图想解释的不是业绩的问题,我想解释一个概念,这是我们沪深300增强的产品,在2016年熔断后上证指数反弹而2850左右设立的,当时市场是比较悲观的,当时的点位大家还是预期可能有10%的下跌,但是因为太平资产量化在沪深300的年化超额收益都可以超过10%,所以我们觉得即使上证指数真的下跌到2600,一年下超额收益可以复盖了市场下跌,所以应该不会给客户赔钱,所以当时沪深300指数风险收益比非常划算。最后结果是2016年熔断后开始上涨到2017年,虽然2018年下跌,到2018年底的时候,虽然沪深300指数比我们当时发的点位还要低的,但是我们的太平资产沪深300增强产品净值是比成立时高出很多。2016年5月到2018年这两年多的时间有40%的正收益,这个正收益纯粹就是阿尔法收益,因为贝塔是负的,大概年化百分之十几的阿尔法收益。

我想讲的是沪深300年化百分之十几的收益,不到三年时间有40%的阿尔法收益,中证500如果能做到20%,即使市场不涨不跌,三年下来有70%的超额收益,如果市场涨了20%到30%,那3年就有可能有翻倍的空间。我们从资产配置模型来看的话,在2018年四季度的资产配置模型权益隐含的收益率已远远高于债券。再加上每年都有超额,2019年即使有振荡,还有阿尔法超额收益可以保护。我这个图主要是讲这个意思,也就是说指数增强产品在市场相对低位的时候都是一个非常好的战略投资的时间点。

思考

最后我讲一下思考,因为AI投资我们也做了一段时间,我提出四点怎么做好AI的想法给各位做参考。A是算法,B是我要用什么样的应用场景,就是目标是什么。C就是算力,D是Data。ABCD缺一不可,过去的人工智能在三轮的过程中不是缺少算力,要不然就是缺少数据,现在这个时间点ABCD都已经具备了,不管图象识别还是在语音识别都已经有很好的案例。在金融上面每个人的方向不一样,所以要做好金融的AI不是那么容易。所以ABCD要怎么去做是蛮关键的,你要用什么样的算法跟你要达到什么样的目的有关系,也和你的数据有很大的关系,这里面有很多细节可以讨论的地方。最后总结ABCD是一个非常好去审视我们在做AI可以思考的架构。

展望未来我们怎么面对AI呢?我觉得我们应该避免AI无用论,但是也要避免AI决定论,不是说有AI之后人就不需要了。我们在做AI发现人还是很重要,只是人所面对的角色有一些变化。你要有AI的想法来考虑其他的事情,而不是用传统的想法考虑事情。所以人还是很重要,所以不是AI无用论,也不是AI决定论。

最后我分享一个故事。BBC有一个记录片,他讲述的故事是说在新几内亚小岛内有一群人,他们叫做“唤鲨巫师”,因为他们可以透过一艘船还有一条绳子就可以把鲨鱼召唤过来并捕获。当地人不知道原理就叫他们“唤鲨巫师”,后来BBC用科学的想法理论去验证,为什么他们能够把鲨鱼召唤过来?因为鲨鱼视力不好,听力很好,可以听到40赫兹2公里外的声音,所以唤鲨巫师可以发出声响把鲨鱼召唤过来,那么召唤过来之后他怎么把它捕捉呢,就是另外一个原理,鲨鱼把它反转过来就会出现静止性休克,就可以用绳子把它直接拉到船上去。这个意思是什么呢?那群人不知道背后的原理是什么,但是他们发现这样的方式很好用。

AI也有点类似这样的情况,现在大家对AI还半信半疑,不知道它能做什么,但实际上AI已经有很多的应用做得不错,后面的理论是不是有很严谨的理论推导呢?现在慢慢发现,例如深度学习,我最近看到一篇文章谷歌已经用数学的模型很好地推导深度学习的模型。现在AI是可以应用的,只是大家可能是半信半疑,我觉得AI是一个新时代的开始。这就好像蒸汽机发明一样,当蒸汽机发明以后很多车子的出现,机器的出现,当时人很多还是不太敢接受的。但是这个时代的驱动是没办法改变的,如果你能越早的接受它,相信它,运用它,你就能获得越好的成果