当你惊讶于才的胜利 它早已“入侵”投资界

梅三姑娘

导读:

　一场“人机大战”，在围棋业界引发巨大震动的同时，也重新引起人们对人工智能的强烈关注。在比赛伊始，舆论普遍认为围棋机器人达不到挑战围棋世界冠军的实力。但李世石连败两局后，就没有人敢小瞧机器人的实力，阿尔法狗九段至始至终表现出了超越人类的理性判断力，最关键的是人们并不知道它是如何完成“思考”的。它不仅证明了人工智能在某些领域可以超越人类，也证明了人类创造力的神奇。
　　科技界正在为技术进步欢呼之时，投资领域早已将人工智能引入到实际交易中，并因此获得的不菲收益。事实上，当交易遇上人工智能，“智能交易员”只需要做出比人类正确概率高一点点的判断，看的比人类远一点，犯错概率比人类低一点似乎就够了……

　　当人工智能介入金融交易：利用人工智能抓住赚钱机会
　　早在去年3月举行的博鳌亚洲论坛上，Aidyia首席科学家、人工智能学会主席Ben Goertzel表示，十年后人工智能会介入世界上大部分的金融交易。据了解，Goertzel的公司总部位于香港，其人工智能交易系统的交易，全部发生在华尔街。系统上线第一天，对冲基金就获得了 2% 的回报。
　　我们先看看人工智能与金融相结合的案例：
　　1.第一个以人工智能驱动的基金 Rebellion 预测了 2008 年的股市崩盘，并在2009年9月给希腊债券F评级，而当时惠誉的评级仍然为A。通过人工智能手段，Rebellion 比官方降级提前了一个月。
　　2. 高频程序化交易 Virtu Financial LLC 公司在 1238 个交易日中，仅有一个交易日出现了亏损。
　  不少美国的金融业人士相信，随着近几年大数据技术和机器学习技术的广泛用，人工智能已经具备了超越设计开发者的认知和视野的能力，它们可以“贡献”新的认知，证券投资领域因此将会产生革命性的变革，传统的投资策略生产模式将被颠覆，大部分分析师的工作都可以被智能代理取代，而且可能做得更好。
　　从人工智能角度谈量化投资发展趋势
　　人工智能技术在金融交易领域最显而易见的体现就是量化投资。阿尔法狗在人机大战中的胜利让投资界似乎看到了量化投资更光明的发展前景。
　　事实上，量化交易按不同的层次大致分为三类，最基础最简单的是以约翰•墨菲的《期货市场技术分析》为代表，仅通过数学知识作为辅助，由计算机发出信号而已，交易下单的动作还是由人工来完成。第二层以丹尼斯的《海龟交易法则》为代表，主要涉及到均值、方差和正态分布的数学内容，策略上也更有科学性。更高一层是交易信号的整合上，会涉及到对回归分析、神经网络、支持向量机等传统技术指标进行整合，同时还需要考虑到金融数据的时间特征，使用滚动优化来获取样本外的测试结果。
　　因此，量化投资一直被视为与机器相似的交易方式，其最大的特点就是可以克服人类本能的恐惧、贪婪和侥幸心理，做决策时不会受情绪喝心理因素的干扰。此外，量化投资做出决策可以运用多个策略模型，对全市场各种信息进行实时监控，一旦出现合适的机会，能瞬间克服情绪干扰，准确地按下交易指令。
　　然而，以上所述的量化投资优势，也有其局限性。一方面，量化投资容易收到市场交易规模天花板制约。举个简单的例子，比如市场存在一个价差套利机会，每交易1000元就能稳赚10元，但市场容量只有1000万。也就是说，当你发现这个机会且交易规模不超过1000万时，你的收益率是1%。如果你交易5000万，那么这个套利价差就很可能因为你大量交易而被抹平。对于5000万基数来看，收益率是远低于1%。为了做大规模，量化基金就需要开发更多样的策略去发现市场的交易机会，但很遗憾的是市场出现的交易机会不是无限的。
　　如此看来，量化交易与传统人为主动交易其实都是基于经济、金融的基本原理，若能相互结合、扬长避短，这画面就太美好了。因为，量化投资本质上是将人的投资策略用计算机来实现。计算机有强大的信息处理能力，在信息广度上具有优势。主动投资则具有前瞻性，在信息深度上具有优势。
　　成为人工智能交易员的三阶段：
　　1.利用传统机器学习算法预测交易策略。分析员们对财务、交易数据进行建模，分析其中显著特征。
　　代表公司：
　　总部位于纽约的Rebellion Research在2007年推出了第一个纯人工智能（AI）投资基金。该公司的交易系统是基于贝叶斯机器学习，结合预测算法，响应新的信息和历史经验从而不断演化，有效地通过自学习完成全球44个国家在股票、债券、大宗商品和外汇上的交易。
　　日本的初创公司Alpaca，他们的交易平台Capitalico利用基于图像识别的深度学习技术，允许用户很容易地从存档里找到外汇交易图表并帮忙做好分析，这样一来，普通人就能知道明星交易员是如何做交易的，从他们的经验中学习并作出更准确的交易。
　　伦敦的对冲基金机构Castilium由金融领域大佬与计算机科学家一同创建，包括前德意志银行衍生品专家、花旗集团前董事长兼首席执行官和麻省理工的教授。他们采访了大量交易员和基金经理，复制分析师、交易员和风险经理们的推理和决策过程，并将它们纳入算法中。
　　坐落在香港的Aidyia致力于用人工智能分析美股市场，依赖于多种AI的混合，包括遗传算法(genetic evolution)，概率逻辑(probabilistic logic)，系统会分析大盘行情以及宏观经济数据，之后会做出自己的市场预测，并对最好的行动进行表决。
　　全球最大的对冲基金桥水联合(Bridgewater Asspcoates)，使用一种基于历史数据与统计概率的交易算法，让系统能够自动学习市场变化并适应新的信息。与其类似的公司还有Point72 Asset，Renaissance Technologies， Two Sigma。
　　2.在原有数字推测模型基础上，引入新闻，政策，社交网络中的丰富文本并运用自然语言处理技术分析，对这些信息进行结构化处理。
　　代表公司：
　　CommEq是今年6月份在伦敦新设的一家基于人工智能（AI）的对冲基金。CommEq的投资方法结合了定量模型与自然语言处理(NLP)，使计算机能够如人类一样通过推断和逻辑演绎理解不完整和非结构化的信息。
　　由李嘉诚与塔塔通讯投资的Sentient Technologies运用自然语言处理，深度学习(Deep Learning)等多种AI技术，进行量化交易模型的建立。
　　Kensho是美国一家基于云计算的智能计算机系统先锋公司。Kensho 结合自然语言搜索，图形化用户界面和云计算，为金融市场的投资人们提供一套全新的数据分析工具——Warren。Warren 能够回答复杂的金融市场问题，如各种数据、股票走向等，可回答约 100 万种关于全球事件对股价影响的英文问题。
　　3.引入知识图谱技术，避免预测失败。知识图谱本质上是语义网络，是一种基于图的数据结构，根据专家设计的规则与不同种类的实体连接所组成的关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。
　　就金融领域来说，规则可以是专家对行业的理解，投资的逻辑，风控的把握，关系可以是企业的上下游、合作、竞争对手、子母公司、投资、对标等关系，可以是高管与企业间的任职等关系，也可以是行业间的逻辑关系，实体则是投资机构、投资人、企业等等，把他们知识图谱表示出来，从而进行更深入的知识推理。
　　代表公司：
　　知识图谱在金融最早的应用代表是Garlik。这家公司2005年成立于英国，核心成员来自南安普顿大学（University of Southampton，是语义网的核心研究机构之一），主要业务是在线个人信息监控。他们收集网络和社交媒体上的个人信息，当发生个人信息盗窃时Garlik会及时报警。2011年他们被美国的三大个人信用记录公司之一Experian收购，其技术被用于个人信用记录、信用盗窃的分析。Garlik的核心技术之一是大规模语义数据库，前后开源发布了3store, 4store, 5store等高性能数据库。
　　Palantir，估值仅次于Uber的科技创业公司，曾用大数据帮助CIA干掉本•拉登。他们有一个基于知识图谱的金融数据分析平台—Palantir Metropolis，可以整合多源的量化资料，并提供一套方便易用的分析工具来满足复杂的研究需求，其中的组件能够进行复杂搜索，可视化编辑与分析，有非常丰富的人机交互能力。