我们常说量化模型的特点是纪律性,它能够降低人的主观判断对投资的影响。其实,量化模型因子的选择和对历史回溯的判断本身就带有一定的主观性,这种主观性的前提是我们相信历史规律的可持续性。
前段时间的一个新闻再次震惊世人。横空出世的AlphaGoZero通过无师自通的方式,以100:0的战绩击败了“前辈”。回顾彼时,AlphaGo以4:1战胜人类最强围棋选手李世石,且李世石输得心服口服。但在AlphaGoZero面前,AlphaGo惨败,令人不得不感叹人工智能发展速度之快。
人工智能应用如同新时代的火种,照亮了人类的未来生活。而在投资领域,人工智能也正同量化投资紧密联系。虽然目前两者的结合尚在初期,但我们仍可以来看看人工智能对量化投资的影响。
譬如,我们研究历史数据时,发现在A股市场反转因子最近十几年表现出单调的特性,在以线性模型为主的量化多因子体系中会比较有效。而盈利因子表现出非单调的特性,按照传统框架很难纳入。不过,人工智能机器学习或可以解决这一问题,机器学习的优势就是没有线性约束,因此盈利因子也就能被纳入其中。
此外,当我们用传统方法研究某个因子在历史上的表现,尽管会有很多统计指标,但其历史数据在时间序列上只展开一次,这导致了模型表现的结果相对静态和固化,没有延展性。以反转因子为例,这一因子在2016年前非常有效,但自2016年中开始,由于持续回撤,使得超配反转因子的模型很“受伤”,且模型很难对这种变化进行自适应。这其实是传统量化方法的静态局限,但恰恰是人工智能在量化投资领域的优势——通过机器学习打开静态局限,不断地学习和反馈市场信息来调整因子和参数,以此来适应市场背后隐含的监管环境和投资者结构改变引发的市场结构的变化。
我们常说量化模型的特点是纪律性,它能够降低人的主观判断对投资的影响。其实,量化模型因子的选择和对历史回溯的判断本身就带有一定的主观性,这种主观性的前提是我们相信历史规律的可持续性。而基金经理所坚守的这种“主观判断”在面临市场风格的反向变化时,所谓的纪律性往往成了绊脚石。但人工智能因为极强的学习能力,能够较快适应市场,可以避免传统量化模型大幅回撤后才开始修正模型的尴尬。
但是,人工智能并非完美无瑕。相较于传统量化模型,它的“黑箱化”特征更明显。因此,我们需要思考的是:当人工智能机器学习模型开始进入实战,摒弃投资逻辑的人工智能模型一旦遇上了问题,模型开发者又将如何应对?
来源:亿欧