袁玉玮:简介人工智能在基金界的应用现状(四)

简介人工智能在基金界的应用现状(四)基金管理 l 微明宏观

原创 2018-04-30 袁玉玮 WaterWisdoms

WaterWisdom · 微明宏观

专注于全球宏观 · Focused on Global Macro

文末重要免责声明、版权声明

提要:

◦在投资领域,个人认为AI和量化一样,是一个很好的辅助工具;

◦AI可能和人工(包括传统量化和人工)平行运行,但不可能占绝对优势地排挤人工;

◦AI最大的缺陷是线性思维;

◦股市的变量和博弈维度比围棋广、深很多,好比躲过星球大战——围棋只相当于两国之间的地面战;

◦至少,AI无法完全替代基本面分析和风险定性,更不可能复制巴菲特的横跨一级和二级市场的类投行/PE模式;

◦人+机器,也许是AI的用武之地;

◦AI即使盛行,也会大概率和量化一样,策略高度重叠,变成一种市场行为;那么这样情况下就可以用风险定性、技术分析或量化跟踪它们,寻找弱点。

往期:

简介人工智能在基金界的应用现状 (一): AI ETF,LCH对冲基金TOP20,BlackRock

简介人工智能在基金界的应用现状 (二): 算法交易VS.场内交易员

简介人工智能在基金界的应用现状(三)智能投顾 风口上的猪毛

Worried About

Lissie - Greys Anatomy, Vol. 4 (Original Soundtrack)

简介人工智能在基金界的应用现状(三)

智能投顾 风口上的猪毛 (续)

先补充一点上文《简介人工智能在基金界的应用现状(三)智能投顾 风口上的猪毛》的内容:

目前国内各大金融机构,也在紧锣密鼓地上马智能投顾——准确地说机器投顾。

我提醒:机器投顾借的是ETF的风,ETF借的是QE的风——这2股风在中国不存在,或有本质性区别:

1.中国的ETF市场目前很小,品种少,流动性很差,不适合做资产配置;

2.A股企业大多追逐短期盈利,抗周期风险能力小,信用低,生命周期短,造成业绩和价格波动大;

3.中国目前的监管格局也不适合发展ETF。主要由于法制建设落后,对上市公司监管不到位,导致A股上市公司实际寿命短,企业常常跨业卖壳,重组或变换主业(实际大部分涉嫌和地方势力、机构勾结,跟风炒作,利用权力或内幕交易套利),企业家信用低… 这些因素造成ETF很难对行业/企业做长期的有效跟踪;

4.美国有发达的做空机制和退市机制,市场化地高效地淘汰落后上市公司,帮助优化指数 —— 实际是吐故纳新的幸存偏差;A股没有类似机制,无法复制该效果;

5.央行流动性管理,中美有很大区别:美国货币政策透明,稳定,熟练运作用逆周期调节金融市场波动;中国货币政策相对不透明,不稳定,顺周期操作多于逆周期操作,造成金融市场波动大;

6.由于第2-5点,A股价格的风险特征多年来表现为“牛短熊长”,Sharpe比率极低,不能像美股一样能够吸引个人投资者长期持股——而这2个缺陷,短期内很难改变。

另外,ETF在美国已经工具化,跟踪各式各样的资产,国家,行业,板块,smart beta暴露,还可以做空。与其说是单纯地指数跟踪,倒不如说是一个百货商店。相对来说,中国的ETF工具化很弱——如果能在ETF上尽快推出做空机制,会加强ETF的工具性。

所以我认为,无论ETF或机器投顾,在国内都缺乏适应的土壤。

简介人工智能在基金界的应用现状(四)基金管理

漫画

问:你担心人工智能的增长吗?

答:不,但我更担心人的智力衰减!

前面三篇谈AI在基金界的谣言,AI替代卖方交易员,机器投顾等,我们有翔实的数据和宏观分析可以使用。下面我们讨论AI在投资行为上和人的竞争,因为缺乏具体的数据和案例,则更侧重于想象和演绎推理。

这是个开放的讨论,不可能有标准答案。我们持开放的心态,欢迎大家在下方留言/交流。

AI在其他领域,我们不敢妄评。

在投资界,我认为,AI和量化一样,是很好的辅助工具,但不可能绝对优势地超越人类——至少在有非线性思维的AI出现之前。

虽然不膜拜AI,但我认为AI和量化一样,是一个很好的辅助人的工具,可以节约大量人力资源,降低公司运营成本,拓展人的思维,优化交易执行。

1

AI/量化的局限

段子:

在开行业会议,某航母级互联网影业的发言人说:“通过大数据挖掘,我们发现了不同观众的相关卖品偏好。比如《芳华》的观众比《战狼2》消费了更多的热饮。这些都是以前我们不知道的,也无法预测的。”

《战狼2》7月底上映,《芳华》12月15日上映

笑话里,大数据以为自己发现了饮料消费和电影之间的关系(alpha),却忽略了饮料消费和天气的关系(beta)—— 所谓一叶障目,不见泰山。我们的祖先早就警告,过度强调工具的特性,会导致忽略问题的本源。

看似荒诞的故事,其实最近几年在A股市场的量化和人工之争就是这么荒诞:

一些海归量化回国后做了一些统计发现:在国外的市值因子 —— 中小盘长期跑赢大盘股的规律在A股也有效,于是乎大肆扩张规模,号称可以做到无风险高收益。

其实如我们以前分析,小盘跑赢大盘,在A股和发达市场的逻辑完全相反:

A股市因为没有做空机制和退市机制制约上市公司,监管宽松,导致垃圾公司和机构联手操纵业绩和股价,虚假资产重组,利用所谓的市值管理做无风险套利 —— 是一个劣币驱逐良币的过程,所以导致劣质公司长期比优质公司占用了更大的金融资源(交易量、融资额/净资产,P/E…高)

发达市场的逻辑完全180°相反 —— 恰恰由于完善的做空机制,退市机制趋势市场里所有公司优胜劣汰,李代桃僵 —— 我们观察到的美股强势,或美股小盘长期强于大盘,其实是大换血后的幸存偏差(surviviorship bias)

正是由于过度崇尚量化/工具的人没有看到数据和金融气候的Beta,所以他们无法量化刘士余主席上台后大刀阔斧让虚拟经济服务实体经济这个事件带来的风险,导致2017年业绩大幅波动。

数据来源:中大资管

目前的AI,包括刚打败 Alpha Go 的 Alpha Zero,还是线性思维。

只要是线性思维,就和目前的量化策略的致命要害一样 —— 无法完成风险定性,也就无法规避黑天鹅 —— 人在风险定性这个领域有更大优势。

比如2015年清理杠杆配资,2015-2016年,清理险资“杠杆并购”,清理跨界/虚假重组,清理定增,会给市场带来什么样的影响?

对于这样历史上无任何参照的事件,我相信无论是量化,或是机器学习大概率得不出答案 —— 但人可以快速进行风险定性,发现机遇 —— 2017年的白马股行情和中小盘衰落都和这些政策有关。

Two Sigma Investments

Two Sigma Investments的创始人之一,David Siegel对AI的态度的态度则和市场上传言他们擅长应用AI于基金管理大相径庭,相当保守:

我担心,人们对人工智能技术怀有不切实际的期望。机器学习系统,在高信任度下,可以轻易地犯错。

“I’m concerned that people may have unrealistic expectations of what is possible with the current state of the art,” David Siegel, co-founder of quant pioneer Two Sigma Investments, said at a Bloomberg summit in September. Siegel, a Ph.D. in computer science who says he’s impressed with AI’s performance in many fields, cautioned: “Machine learning systems can easily, with high confidence, make mistakes.”

—— 来源:《Bloomberg》

2

基金界AI先锋

在Bloomberg最近的一次调查中,有58%的基金经理认为AI未来会对金融业有影响。对冲基金Bridgewater,Highbridge Capital,Simplex等已经开始研发或应用AI。

BlackRock

前面我们介绍过,据Bloomberg报道,BlackRock的量化/AI组由于业绩表现差,人才已经开始流失,此处不再赘述。

关于对冲基金应用AI,业界一般公认的先锋是Two Sigma,Worldquant和AHL。前2家对媒体非常低调,我们找不到太多公开信息。

Man Group/AHL

相对来说,Man Group的量化基金AHL,态度比较开放。下图是AHL的AI交易系统的展示。

AHL的AI交易系统的展示 来源:CNBC

AHL的AI交易系统的展示 来源:CNBC

AHL的AI交易系统的展示 来源:CNBC

Man Group的CIO,Sandy Rattray认为AI代表未来,他们在AI的投入比其他任何领域都大。Rattray说机器学习已经帮助比传统量化分析员实现了更好的业绩,但没有透露机器学习在AHL基金配置的比重。他说:

“如果5年之后,机器学习占到50%的量化交易比重,我将不会感到惊奇”。

从上面的保守数字我们可以猜测,即使在人员充足,研发实力雄厚的业界量化先锋,AHL也目前只是在初级试用AI阶段,比重至少低于50%。

从这里我们可以猜测,机器学习的比重目前在AHL的Dimension Fund应该很低,保守估计在10或15%以下。

Man Group的CEO,Luke Ellis,认为:使用机器学习,

一、为了挖掘人挖不到的alpha;

二、为了优化交易执行,降低交易成本,并防止其交易行为被其他高频/量化程序跟踪。

三、Ellis认为10年后,人工智能将在Man的所有领域发挥作用,从执行交易,到帮助公司自营部门挑选证券。“如果计算能力和数据生成继续以目前的速度增长,那么机器学习可能会在25年后涉及99%的投资管理… 它将渗透到我们生活的方方面面。我不认为机器学习能替代我们的所有工作。而是会让我们把很多工作做得更好。”

另外,据AHL的公开资料显示,他们从2014年开始把机器学习应用在“无趋势”的策略里。2017年开始,他们开始把这种算法交易应用在“趋势交易”。资料认为趋势跟踪是线性思维;机器学习可以开发非线性的数据关系 —— 我们对此保持保留意见,因为无趋势其实也是一种趋势,仍然是线性思维,只有在各种趋势之间的自由切换才是非线性思维。

另外,机器学习也不是万能的。据业内估计,机器学习的失败率至少90%。(Bloomberg)

2018.2的全球市场暴跌,量化和使用AI技术的基金,无一幸免…

数据来源:HSBC

数据来源:HSBC

3

围棋/金融市场:变量数量、博弈维度

AI虽然在棋牌类博弈游戏中进步神速,远超人类,但我认为围棋和金融市场之间区别显著:

围棋

博弈方有限:2

变量有限:棋盘格数有限,虽然运算量巨大,但只要有限,有规则,就可以依靠科技进步来进行穷举法运算;历史可以模拟、完美重复:由于变量有限,AI可以通过穷举法来模拟历史,预判未来;

博弈周期:短,小时级,日内;

博弈维度有限:二维,围棋只相当于两国之间的地面战;

金融市场

博弈方无限:无数人,无数机器/算法,无数人机组合

变量无限:宏观变量,微观变量,金融工具多(外汇、国债、大宗商品、股票、衍生品、他们之间的排列组合都是变量),参与者无论人或机器也是变量。

每个大妈是一个变量,

n个大妈是一个变量,

每个机构是一个变量,

n个机构是一个变量,

每个机器是一个变量,

n个机器是一个变量,

大妈、机构和机器的行为互相影响又可以排列组合出新的变量…

历史可以模拟,但无法完美重复:由于变量无限,AI无法用穷举法来完美模拟历史,未来永远是未知;

博弈周期多维度:年、月、日、秒、微妙…

多博弈维度:价格、时间、一级市场、二级市场、类似巴菲特的横跨一/二级市场、一级市场+衍生品、二级市场+衍生品…

如果把围棋比作围棋只相当于两国之间的地面战,那么金融市场投资就好比海、陆、空、核威慑、太空大战、金融战争,职业选手、业余选手、智者、疯子… 多博弈方、多空间维度,多时间维度的博弈。对AI来说,金融市场不只计算量远大于围棋,而且有更多的非线性不确定性在里面。

即使 AI 可以在某一个细分领域占到优势,它也很难在各个领域同时都占到优势。

例一:

在2017年,大宗商品领域,产业资本的期现套利大败量化CTA,其实就是战场维度的转换导致的结果。

例二:

同理,Buffett横跨一、二级市场的Berkshire模型,也远比传统对冲基金稳定 —— 不完全是在策略,而是产品架构可以做到:

低成本杠杆

不怕投资者赎回,有充足时间验证自己的观点

进入一级市场,拿到比二级市场更廉价的筹码

对管理层施加影响,改善股票基本面

例三:

之前我们介绍的宏观对冲策略,通过

加元/墨西哥元 → 2016美国大选

STOXX50波动率期货跨期配对 → 2017法国大选

还有近期因为美国临时制裁俄罗斯铝业,导致铝,镍,伦铝/沪铝的相关性急剧上升或变化…

这些都是人工升维博弈,变换战场,自己创造新的资产交易,不与其他市场交易者(包括量化和AI)发生竞争或冲突的思路。

—— 这些思路都要求历史,人文,社会等文史知识,是AI的短板。

4

人机结合

Google创始人Schmit在2017年SALT对冲基金大会上说,他正寻找用机器学习交易的初创公司,他本人很感兴趣AI的形态识别技术是否可以战胜传统的线性的量化技术。Schmit认为,人机结合能提供比机器独立更好的表现。

很多数据显示,人机结合的表现最好。人机结合的交易模式,在50年后将会战胜无人参与的模式。

“There is a lot of evidence that the best performance is when humans are working with AI. That is, the things that we’re really good at, are very difficult for computers to be equal to.”;“Trading involving humans and computers will beat the humanless approach in fifty years”.;”I like human’s working with computers against computer by itself. I know of many quantitative groups that are examining this. The data says that it’s a new mathematical approach. We don’t know which signals will drive this.”

—— Schmitt

5

假如AI必胜

Isaac Asimov机器人3/4定律:

0:机器人不得伤害人类,或袖手旁观,任人类受伤害

1:机器人不得伤害人,或袖手旁观,任人受伤害

2:机器人必须服从人类的命令,除非这条命令与第1条相矛盾

3:机器人必须保护自己,除非这种保护与以上两条相矛盾

  1. A robot may not harm humanity, or, by inaction, allow humanity to come to harm.

  2. A robot may not injure a human being or, through inaction, allow a human being to come to harm.

  3. A robot must obey the orders given to it by human beings, except where such orders would conflict with the First Law.

  4. A robot must protect its own existence as long as such protection does not conflict with the First or Second Law.

我认为,推演AI在金融市场的角色前,我们也必须设一个原则:

假设AI必赢,必须遵循优化资源配置 —— 金融市场的最基本功能。

如果可以违背,AI必赢下的金融市场和赌场又有什么区别?

AI必赢的格局,应该是在我们上面列举的各个维度,周期上必赢,那么只有2个结果:

1.单个AI在所有的周期、维度击败人类。

首先这种可能性很小;即使存在,我猜想这时的市场趋势应该是是完全的随机漫步状态(目前的金融市场并不是完全的随机漫步状态,Benoit Mandelbrot已经用分形理论从数学证明),在各个周期、维度都没有明显趋势——即使这样,我想期权市场依然有套利机会,除非由于市场内所有人预期高度一致,导致期权市场流动性降低;那么AI可以发挥最大的优势在高频做市上。但是我质疑在这种状态下的金融市场是否还具备优化资源配置的功能——如果不具备,金融市场将没有存在的意义;

2.多种AI擅长不同的周期、维度;

那么,人可以和田忌赛马一样,选择和自己不同领域的AI博弈;尤其在低频和长周期上,AI一定会留下对市场的影响,造成新的数据、价格形态,被其他博弈方(包括人类和AI)跟踪。

3.多种AI擅长不同的周期、维度;

和上面假设类似,不同的AI和田忌赛马一样,选择和自己不同领域的AI博弈;那么任何一方胜利,胜利方的AI一定会留下对市场的影响,造成新的数据、价格形态,被其他博弈方(包括人类和AI)跟踪。

赌场的庄家做市有一个大概既定的胜率范围。那么,假设在金融市场AI必赢,则 有2种可能性:

1.AI胜率接近100%,则AI打破了博弈格局。人类大概率和柯洁一样,选择退赛,另辟一个新场地,并禁止AI加入——好比最近的一家利用技术屏蔽高频交易的交易所;

2.AI为了维持游戏玩下去,动态调节一个合理胜率,既保证大概率赢钱,有能吸引投资者继续交易。那么,请问这时的AI和赌场庄家有什么区别?金融市场和赌场有什么区别?(顺便说一句,A股最大赢家是上市公司、以及和上市公司勾结的部分机构,他们通过操纵信息和股价来保证自己的高胜率,所以A股最像赌场。)

当然,我们不能完全排除一种可能,未来随着科技的进步,金融的创新,人类社会也许不再需要马太效应做资源分配,不再需要金融市场…

另外,和围棋不同,金融市场没有常胜将军,所以人可以不断从失败中学习,完善自身;

AI如果在金融市场完败人类,自己也不再犯错,100%的高胜率也许会酝酿一次更大级别的风险,一如当年LTCM的99.99999%的胜率把交易风险引入金融系统和实体经济。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值