当前位置：首页 > 百科 > 正文

人工智能量化(智能量化)

woniu
百科
2021-10-10
26779

2018年即将过去，写几个字。

量化交易是很古老的，核心还是要尊重市场

曾经听学生说过一些很可爱的话：我这是要做量化交易，怎么可以用到技术分析。

其实吧，量化交易简单来说，就是用一些统计模型或者说模式识别来做交易决策。其中的核心逻辑跟技术分析一模一样，即历史可以重演。统计模型也好，模式识别也罢，也不见得有多高大上。

技术分析的那些指标是市场运行这么多年，众多投资者总结归纳出来的一些经验，也有很多的学术文章验证过技术分析规则的有效性（profitability），总的来说也不算难看。这种意义上来说，技术分析大概是量化交易他爹吧。

量化交易的另一个核心，无非不是摆脱“人”的影响。我经常在想，一个职业交易员靠什么战胜市场。运气？纪律？精力？主观判断？这些东西真的可靠嘛，明星基金经理真的稳嘛，呵呵。他们的成功不可复制。用某个教授的话来说，他们只是在不断赌博（bet over and over again），如果巴菲特长生不老，你能确保他不破产嘛。

量化交易从这种意义上来说，是一种被动投资，摒弃主观判断。所以我觉得尊重市场意思，大概是以一种数据驱动的逻辑，从历史数据的回放（backtesting）中挖掘到一些规律。

然而，总有一些卖方研究或者收智商税的教育平台来搞笑。

比如某个证券公司的研究员，某天灵光一闪，突然得道：所谓量化交易不就是高点卖出低点买入嘛。于是看图作画，写了几行代码伪装成量化交易，得到了一个逆天的收益曲线。我想，这种调参数（Optimisation Bias）的卖方，大概也没什么理由不去舔买方吧。

还有某个量化交易的学习平台，点进去一看，没有年化收益50%简直就是不及格。我花了12块人民币看了一个策略的源代码，大概就是利用K线数据（开盘，最高，最低，收盘），然后设定为日内最低买入，第二天日内最高卖出。如果没有T+1，这个策略的曲线估计会突破天际。真想知道这个马后炮（Look-Ahead Bias）的策略，收到了多少智商税。

还有一种不要脸叫生存者偏差（Survivorship Bias），这种惊人的策略大概就是想说，找一些现在还活着的公司，在过去10年内最低点的时候去买入。的确挺惊人的。而且，我想2018年的市场，应该教会了这个惊人的研究员怎么做研究。

人工智能又怎么样，金融市场是个大熔炉

我一直觉得“人工智能”这四个字是一个伟大的发明，既自相矛盾，又充满想象。比如我打电话找客服的时候，一般是智能语音客服接待我，这个时候我得一遍又一遍得重复：人工，人工，我要人工。

2017年是人工智能的高光时刻，5月AlphaGO击败柯洁，10月全球首个人工智能选股的ETF在纽交所推出。到现在的表现并不尽如人意，不但跑输基准指数，也没变现出来所谓的增强学习（Reinforcement Learning），反而像一个复制指数的ETF。

所以人工智能又能怎么样呢，欢迎来到专治各种不服的金融市场。做金融的人群里，有科班出身的，也有半路出家的，还有徐翔那种高中文化的，本身就是一个大熔炉。即使是量化交易，也不过是一点点编程+一点点统计+一点点金融概念。换句话说，又不是量子物理，也没什么门槛嘛。而且，金融还可以很民科呢。

在这种大熔炉里，人工智能也不算是什么特别的存在，只是不同的视角罢了。比如学物理的人觉得，金融市场不过是一个耗散系统，学自动化的觉得这不过是一种信号处理，哈哈。

我觉得人工智能的核心在于，利用尽可能多的数据资源（Big Data），最大程度地提取数据中的隐含信息（Machine Learning），做出最优化的决策（Artificial Intelligence）。所以，人工智能给金融市场带来的是一种尊重数据的逻辑。

那技术分析这种整天拿着价量数据画图的玩法，的确有一点小儿科了。而巴菲特们，不可避免得精力有限，即使是挖掘市场信息并作出最优决策的高手，利用的数据也还是有限的。那些散户投资者，不管是Data还是Learning或者是Intelligence，就都是竞争不过的了。

量化交易+人工智能：两种文化

两种文化的说法来自于统计学家Leo Brieman，他觉得统计建模：一个假定数据是由一个特定分布模型生成的；另一个使用算法模型，并把数据结构看作未知的（blackbox）。

放在金融市场来说，前一种文化就是试图从假设出发，先理解市场逻辑再从数据中得到验证，传统的量化交易大抵是这么做的。后一种文化，大多代表人工智能的做法，用最多的数据和最复杂的模型，得到一个谁也不知道的黑箱，等待神谕（oracle）。

所以人工智能的黑箱并不一定意味着更好的结果。人工智能也许能做好人脸识别、自动驾驶、计算机视觉之类的，但是金融市场是一个动态的变化的体系，并不存在那么简单的规律。每一天金融市场都会产生很多个G的数据，这些数据或许是全新的信息，人工智能是会重新学习，还是adaptive地去学习呢？这是一个问题（不要说Reinforcement Learning能解决问题，这个sequential decision没那么简单的）。

如果要说风险管理，人工智能这种黑箱有着极大的不确定性。如果面对新的数据，不管是推倒重来还是适应性学习，都会把算法变成一个全新的东西，而且不可理解。传统的量化交易都有简单的核心思想：比如动量策略，利用的是羊群效应；统计套利，是价差的均值回归。对于这些方法的风险管理，主观都有很大的信心，但是对于人工智能的黑箱，或许只能通过简单的止盈止损。古老又神秘，呵呵。

再就是Garbage in, garbage out的问题，我见过很多计算机背景的人，做的交易策略研究基本上属于这一类。因为缺乏对金融市场的理解，数据直接被丢进了复杂的神经网络模型，而没有恰当的特征工程（feature engineering）。这种简单粗暴的做法，是对人工智能算力的依赖，也是黑箱文化的彻底执行。我想，两种模型的文化还是需要一些平衡，人工智能不过是勤奋学习的傻孩子，有些东西还是要咀嚼过后再喂进去的。

当然，人工智能还是带来了很多新的变化，比如智能投顾，比如做市（market making），只是说离我们的期待还很远。我看到Quora上有人在问，为什么人工智能在金融市场的表现不尽如人意。这个问题居然得到了Yann LeCun大神抖机灵的回复：