人工智慧和機器學習對交易和投資的影響

來自專欄人工智慧邂逅量化投資7 人贊了文章

以下是我幾個月前在歐洲做的一次演講的摘錄，當時我應邀為一群低調但凈資產很高的投資者和交易員做演講。該主題由主辦方決定，是關於人工智慧和機器學習對交易和投資的影響。下面的節選分為四個部分，涵蓋了原始報告的50%。

人工智慧和機器學習對交易一般影響

人工智慧（AI）允許用機器代替人。在20世紀80年代，人工智慧研究主要集中在專家系統和模糊邏輯。隨著供應算力的成本降低，使用機器解決大規模優化問題變得經濟可行。由於硬體和軟體方面的進步，如今人工智慧專註於使用神經網路和其他學習方法來識別和分析預測變數，也稱為特徵或因子，它們具有經濟價值並可與分類器一起用於開發可盈利的模型。人工智慧的這種特殊應用通常以機器學（ML）為名。

基於人工智慧開發交易策略的方法，無論是在短期內還是在長期投資中，都越來越受歡迎，在這一領域出現了一些非常活躍的對沖基金。然而，由於各種因素，這種新技術的廣泛接受是緩慢的，人工智慧需要在新的工具和人才上投資是其中最重要的一點。

大多數基金使用基本面分析，因為這些是經理人在MBA課程中最熟悉的東西，沒有多少對沖基金完全依賴人工智慧。人工智慧在零售層面的應用在不斷增長，但大多數交易員仍然使用20世紀中期提出的方法，包括傳統的技術分析，因為它們易於學習和應用。

請注意，AI和ML不僅用於制定交易策略，還用於其他領域，例如開發流動性搜索演算法並向客戶推薦投資組合。因此，隨著人工智慧應用的普及，參與交易和投資決策的人數減少，這顯然會影響市場和價格。現在推測這項新技術將對該行業產生的總體影響還為時過早，但人工智慧的廣泛應用將會帶來更有效的市場，並且削弱長期內由於狀態轉換帶來的波動峰值。 這是很有可能的，因為人類對信息的主觀評估的影響以及伴隨而來的噪音將被最小化，但是這在實踐中還有待觀察。

人工智慧和機器學習對α的影響

在採用人工智慧技術的最初階段，那些理解人工智慧技術並知道如何管理其風險的人將會有機會。基於人工智慧的交易策略的一個問題是，它們可能生成比隨機更糟糕的模型。我將試著解釋我的意思:傳統的技術分析是一種無利可圖的交易方法，因為在考慮任何交易成本之前，基於圖表模式和指標的策略是從均值為零的分布中獲得回報的，一些交易者在分布的右側獲得回報從而給人一種錯覺，讓人覺得這些方法有經濟價值。

我的研究表明，特別是在期貨和外匯市場，無論採用哪種方法，長期盈利能力都很難實現，因為這些市場旨在讓做市商受益。然而，在較短的時間內，由於運氣的原因，一些交易員可以在槓桿市場上獲得巨額利潤。然後，這些交易者把他們的成功歸功於他們的策略和技能，而不是運氣。

對於AI和ML，還有其他影響因素，如偏差 - 方差權衡（bias-variance trade-off）。數據挖掘的偏差可能導致策略過於適應過去的數據，但在新數據上失敗，或者策略過於簡單，不能在具有經濟價值的數據中捕獲重要信號。這種權衡的結果是比隨機策略更糟糕，甚至在考慮交易成本之前，這些交易員的回報分布就出現了負偏。

然而，隨著表現較差的人工智慧交易員被市場淘汰，市場將只剩下那些擁有穩健模型的交易員，爭奪利潤的競爭將變得激烈起來。現在斷言人工智慧交易員或是大型投資者將贏得這場戰鬥還為時過早。

我還想提到在這個領域中一個常見的誤解:一些人認為價值存在於人工智慧的演算法中，這不是種準確的說法。真實的價值在於使用的預測因子，也被稱為特徵。毫無疑問，ML演算法在無金之地是找不到黃金的。一個問題是，大多數ML專業人員使用相同的預測因子，並嘗試以迭代方式開發模型，以產生最佳結果。這個過程受到數據挖掘偏差的困擾，最終失敗。簡而言之，數據挖掘的偏差來自於不正確的實踐，即在許多模型中多次使用相同的數據，直到結果在訓練和測試樣本中變得可以接受為止。

我在這方面的研究表明，如果給與一個簡單的分類器一些特徵，比如二元邏輯回歸，它工作得差強人意，那麼這個地方很可能是沒有經濟價值的。因此，成功取決於所謂的特徵工程，這既是一門科學，也是一門藝術，需要知識、經驗和想像力才能創造出具有經濟價值的特徵，只有一小部分專業人士能夠做到這一點。

人工智慧和機器學習對技術分析影響

我們必須區分傳統的和量化的技術分析，因為所有依賴於價格和成交量分析的方法都屬於這一主題。傳統的技術分析,即關於圖表模式、一些簡單的指標、某些價格行為的理論等都是無效的。吹捧這些方法的出版物從來沒有展現過他們在長期的統計期望，只提供一個承諾：如果使用這個或那個規則，就會有盈利的潛力。

由於市場上的利潤和損失遵循一定的統計分布，總有人把他們的運氣歸因於這些方法。與此同時，整個行業圍繞著這些方法發展起來，因為它們不難習得。不幸的是，許多人認為，他們可以通過更好地使用其他人也知道的方法來獲利，其結果是，這些天真的交易員將大量財富從市場交易者轉移到做市商和其他見多識廣的專業人士手中。

在20世紀90年代早期，一些市場專業人士意識到，大量的散戶交易者正在使用這些天真的方法進行交易。一些人開發了演算法和人工智慧專家系統，提前識別信息，導致過程中出現散戶交易員無法應對的波動性。從更根本的角度來說，傳統技術分析的失敗可以歸結為從20世紀90年代開始的市場高度序列相關性的消失。基本上，正是高度的序列相關性讓人誤以為這些方法有效。

如今，除了少數例外，市場是均值回歸的，沒有給簡單的技術分析方法留下發揮作用的空間。然而，一些量化的技術分析方法仍然很有效，比如均值回歸和統計套利模型，還包括使用具有經濟價值特徵的ML演算法。注意，這種套利不太可能複製在AI和ML上，因為模型種類繁多，大多數都擁有專利。

在我看來，觀察市場和查看圖表正在成為一個過時的過程。交易的未來是關於處理信息，實時開發和驗證模型。未來的對沖基金不會依賴圖表分析。有些人仍然這樣做是因為他們處於舊時代迎接新時代的過渡邊界，許多不熟悉人工智慧的交易者會在未來發現很難在競爭中生存。

嶄新交易技術中的贏家和輸家

智能的應用將在許多方面改變交易，這正在發生。投資者可能很快就會發現，在量化寬鬆導致的當前趨勢結束以後，中期回報率將遠低於預期。如果這種情況出現，那麼投資者將不得不回到老方法：尋找一個好的財務顧問，它可以在投資組合上給與建議，並挑選出有價值的證券。很可能，這個顧問將以在線人工智慧程序的角色出現。

交易者需要熟悉這種新技術。多數交易員仍在與舊方法作鬥爭，他們僅僅希望「逢低買入」會奏效，並在未來幾年內再獲利。

還有一個問題是，過去8年在金融市場的支持下，央行培育出來的道德風險（moral hazard）。許多交易員和投資者現在認為，熊市是不可能的，因為央行將在那裡將損失重新分配給其他所有人，從而讓他們可以保住自己的利潤。因此，多數市場參與者對下一個重大市場變化沒有做好準備，並可能面臨災難性的損失。

網上有關於ML、AI和交易的優秀資源。最好的學習方法是嘗試解決一些實際問題。但我認為，對多數交易員來說，這種轉變是不可能的。掌握人工智慧所需的技能需要將理解和應用結合在一起，而95%的交易員只習慣於在圖表上畫線並觀察移動平均。

投資者應該自行研究，並諮詢熟悉這些新技術的合格顧問。每個投資者都有不同的風險厭惡情況，很難提供一般的指導方針。很快就會有大量的機器人顧問出現，選擇一個適合特定需求和目標的機器人可能會是一項富有挑戰性的任務。

任何不熟悉ML和AI，以及他們與交易和投資的關係的人會發現，諮詢一個熟悉這方面的專業人士可能更有利，這樣在了解基礎知識之後就可以開始動手，而不是從閱讀書籍和文章開始。

最後，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。

• 更多精彩文章歡迎前往BigQuant社區查看並參與討論：BigQuant人工智慧量化社區
• 加入 人工智慧量化投資交流群，與大牛共討人工智慧量化話題：微信搜索 bigq100，添加微信群管理員微信，附上姓名、所在機構、部門和職位，審核後管理員會邀請您入群。

• 關注 BigQuant 微信公眾號，及時獲取新鮮資訊：微信搜索 BigQuant， 獲取更多人工智慧、Machine Learning、量化投資相關文章。