金融學理論和計算機技術的不斷革新，帶來了基於資料處理與資料分析的量化投資策略的蓬勃發展，量化模型成為了預測市場和指導投資的有力工具。然而證券市場是一個複雜的非線性動力系統,利用傳統的時間序列預測技術存在很大的侷限性。好在，近十幾年發展起來的神經網路預測理論的發展，在對非線性系統的預測和建模中表現突出，那麼神經網路的應用能帶量化模型飛嗎？利用人工智慧進行投資到底靠不靠譜？
本文為例項資料+解答，通過對Simplex Asset Management 的經理Yoshinori Nomura12大追問，帶你一探究竟。
翻譯 | AI科技大本營（rgznai100）
參與 | 大琦，波波，鴿子
過去十年間，量化對衝基金策略吸引了交易員極大的興趣，運算能力的不斷提高與大資料的廣泛應用使得此類系統化交易模型可以充分利用市場無效性獲得收益。
但因為隱性交易成本的存在，識別並利用市場無效性獲利並非易事。更為遺憾的是，此種交易模式目前還存在兩大症結：
首先，在歷史資料的基礎上通過回溯測法構建而來的交易模型通常不具備實時性（先前已經識別出的趨勢在此失效）；
其次，同質化的量化模型嚴重地擠壓了交易空間，從而影響著此類策略的收益。
對於後者，交易員可以通過使用處理速度更快的計算機（高頻交易的競爭）從而在交易策略中脫穎而出，但第一個問題才是變革量化交易的關鍵，因為交易模型正在從“識別出發展趨勢”（通過回溯測法）向實時“預測和適應”（通過前向檢驗等方法）逐漸過渡——也就是，在對衝基金量化交易中引入人工智慧（AI）和機器學習。
人工智慧在對衝基金業中的應用尚且處於初期階段——部分對衝基金經理允許人工智慧參與其交易流程的部分環節（保留對投資和風險管理的人為控制權）；與此同時，“純人工智慧對衝基金”則將交易和風控都外包給機器，基金經理極少干涉。然而，人工智慧卻在對衝基金資應用中表現出很大的不確定性，這在其他行業中也有印證，例如，交通運輸業中，完全自我的自動駕駛汽車目前仍未獲準上路。
如何向投資者成功地展示計算機自我意識的學習能力？如何展示其在對衝基金領域的可靠性和盈利性？
這是個很大的挑戰。
在接下來的文章中，我們會對交易流程中應用人工智慧和機器學習理論的對衝基金的表現作出討論，並且還會附上我們對Yoshinori Nomura先生（Simplex Asset Management公司的經理）的採訪。在採訪中，Yoshinori Nomura不僅分享了他的純AI投資策略的具體細節，還發表了他對人工智慧在對衝基金領域發展前景的看法。
圖1將 Eurekahedge 人工智慧/機器學習對衝基金指數分別與傳統的量化對衝基金（由Eurekahedge CTA/管理期貨基金指數和其系統化趨勢跟蹤交易者的子集表示）和傳統對衝基金（由Eurekahedge對衝基金指數反映）作對比。從圖中可以看出，自2010年起，人工智慧/機器學習對衝基金的表現便一直優於傳統的量化對衝基金和普通對衝基金，年收益率為8.44%，高於CTA（2.62%）、趨勢跟蹤交易者（1.62%）和普通對衝基金（4.27%）。即使是在波動非常劇烈的2016年，人工智慧/機器學習對衝基金的年收益率仍然超過5.01%，高於普通全球對衝基金（4.48%）以及表1中列出的其他基金。
圖1：人工智慧/機器學習對衝基金對比量化對衝基金和傳統對衝基金
表1總結了人工智慧/機器學習對衝基金相對於其他基金的某些關鍵效能資料。重要的結論包括：
除2012年之外，人工智慧/機器學習對衝基金在其他年份中的表現都優於普通的全球對衝基金。
除2011年和2014年之外，人工智慧/機器學習對衝基金在其他年份的收益率都高於傳統的CTA基金/管理期貨策略，並且只有2014年度的收益率低於系統化趨勢跟蹤策略（短線能源期貨交易為該策略的收益率帶來了強勁的增長）。
人工智慧/機器學習對衝基金五年、三年和兩年的年化收益率分別為7.35%、9.57%和10.56%，高於傳統的量化對衝基金和普通的全球對衝基金。
與下表中列出的其他基金相比，人工智慧/機器學習對衝基金過去兩年和三年的風險調整後收益更高，夏普比率分別為1.51和1.53。
與普通的對衝基金相比（對比Eurekahedge對衝基金指數），雖然人工智慧/機器學習對衝基金的收益率更加不穩定，但是其年化波動率卻要比系統化趨勢跟蹤策略低得多。
表1：業績資料——人工智慧/機器學習對衝基金對比量化對衝基金和傳統對衝基金
來源: Eurekahedge
表2給出了人工智慧/機器學習對衝基金與其他幾種基金的相關矩陣。依據該表，我們可以得出一個有趣的結論：人工智慧/機器學習對衝基金與普通對衝基金之間為負相關關係（-0.267），而與CTA/管理期貨基金和趨勢跟蹤策略之間則為正相關關係，相關係數介於零和零點幾之間。這表明，人工智慧/機器學習對衝基金的分散投資可以使整個投資組合實現正收益。
表2：相關矩陣
來源：Eurekahedge
圖2給出了人工智慧/機器學習對衝基金相對於CTA/管理期貨對衝基金和普通全球對衝基金的12個月的rolling alpha（假設無風險收益率為0時的超額收益率）。Alpha值大體上都為正數，2016年人工智慧/機器學習對衝基金相對於CTA/管理期貨對衝基金和普通全球對衝基金的12個月的alpha分別為0.38%和0.78%。這表明，人工智慧/機器學習對衝基金可能同時擁有人工智慧/機器學習模型的優勢與對比策略過度擁擠（萎縮的alpha）的特性。
圖2: 相對於量化對衝基金和傳統對衝基金的12個月的滾動alpha
表3給出了人工智慧/機器學習對衝基金與其他型別的基金在近期的市場壓力下的表現，並且對不同策略在市場波動期間實現正收益的能力做出了衡量。重要的結論有：
在表中列出的11個月度風險事件中，人工智慧/機器學習對衝基金僅在3個事件中出現了虧損的情況，在幾種基金中的表現最好。相比之下，普通全球對衝基金在其中7個事件中都有虧損。
在表3列出的幾個特殊風險事件（如川普競選總統獲勝和英國退歐）中，人工智慧基金的表現雖然參差不齊，但仍優於其他幾種基金。未來，人工智慧在應用性及學習能力等方面的提升或許會讓上述結果變得更好，但2016年11月（川普競選總統獲勝）的虧損表明，利用機器來預測未來具有明顯的侷限性。
表3：人工智慧/機器學習對衝基金在重要的市場風險事件中的收益率
來源：Eurekahedge
完全由人工智慧來驅動基金公司到底行不行？這裡有一個例項採訪。採訪物件是Simplex Asset Management有限公司經理Yoshinori Nomura，12大追問，詳細細節透露，人工智慧是如何完全取代人做投資的。
Simplex Asset Management有限公司創立於1999年，是日本的一家獨立的對衝基金和投資管理公司。截至2016年9月，該公司的資產管理規模（AMU）已達5070億日元。
1. 您好，請向我們的讀者稍微介紹一下您自己。您為什麼要成立一家完全由人工智慧（AI）驅動的對衝基金公司呢？您第一次產生這種想法是在什麼時候？
我曾在早稻田大學讀書，主修非線性非平衡統計力學，隨後獲得物理學碩士學位，這為我的投資策略提供了靈感。碩士畢業後，我加入了隸屬野村證券集團（Nomura Securities）的野村綜合研究所(Nomura Research Institute)擔任企業顧問，任職期間我處理了大量的資料探勘專案和需求預測專案。2008年加入Simplex Asset Management (SAM)之前，我還曾在埃森哲(Accenture)和花旗環球金融有限公司(Citigroup Global Markets)任職。
在SAM擔任投資組合經理期間，我使用了日本股市的由量化基金驅動的市場中性策略，這種策略使用的是非常傳統的多因素模型，它的表現並不像我預期的那樣好。因此，我開始探索利用回溯測試得到的模型無法正常工作的原因以及如何才能得到可信的模擬結果。以下是我進行探索的基本前提：
（1）模型應儘可能簡單；
（2）定價模型應該像物理學一樣具有某些佔支配地位的動力學因素；
（3）除了具備預測能力，模型還必須能夠學習並適應市場環境的變化。建立新的數學模型需要具備多年的物理學理論應用經驗，另外還需應用人工智慧/機器學習方法論以實現學習和適應功能。
我相信，有很多人並不完全認同資本資產定價模型（CAPM）和多因素模型可以作為科學的定價模型。於是，我開始大膽地嘗試構建某種替代模型，用以反映真實市場動態的不同特徵。這就是我創造這個完全由人工智慧驅動的策略的原因。
2. 推行這種處在基金管理業前沿的利基策略有多難？
在創造出這個策略之後，我花了幾年的時間才找到了一位種子投資者。我猜一半是因為之前因投資量化策略而賠錢的投資者太多了，一半是因為“人工智慧”對於銀行這一類的機構投資者來說太過前衛，無法在內部投資委員會獲得支援。最重要的是，這種策略既沒有真實的歷史資料，也沒有類似的人工智慧策略可以作為對比。因此，正如我後文一再強調的那樣，“前向檢驗”（Walk Forward Test）對於說服投資者相信這種策略的優點至關重要。
3. 我們的研究表明，業內的純人工智慧對衝基金只有少數幾家，其他基金的投資模型在機器學習理論方面的應用都有所侷限。那麼，人工智慧應用當前在對衝基金領域的性質是什麼？在眾多系統化策略中選擇應用這種策略的主要挑戰有哪些？
當前，人工智慧技術代替人類完成常規工作已經成為一種趨勢，它可以快速、精確地完成任務，而且不會疲倦。例如，通過比較先例、閱讀財務資料或分析報告來找出眾多公司業績資料間隱含的因果關係，以此來預估新聞公告對股票價格的影響。對推特文章進行文字挖掘以找出股票價格和某些文字之間的關係，等等。這幾種實用的先進技術只是對人工智慧的部分應用，不能被歸為純粹的人工智慧策略。
另外，傳統的系統化投資者也可以使用人工智慧。這些投資者通常需要同時監測大量的指標，藉此預測市場方向。他們也可能應用人工智慧/機器學習方法尋找指標走勢圖的最佳組合，以此來作出預測。這種方法有時被稱為“實證技術分析”（Evidence Based Technical Analysis）。
人工智慧可以輕易地找出模式之間的最佳關聯，但是這種關聯也可能是能夠造成巨大損失的錯誤關聯。原因在於：
（1）機器無法學習指標之間因果關係的意義；
（2）人類可能無法理解機器學到的知識，也無法判斷出這些知識是否有意義；
（3）可能沒有原因或證據可以證明某些特定指標可以預測未來。
因此，如果完全由人工智慧驅動的系統化策略無法工作也不足為奇。至少根據我的瞭解，還沒有學術研究能解決“無意義學習”這個問題。
4. 由人工智慧驅動的Simplex股票期貨策略是如何克服這些挑戰的？您能分享一下這種策略的某些細節資訊嗎？與傳統的系統化策略相比，基於人工智慧的投資策略相是有優勢的，您能舉一個由人工智慧完成的交易過程來說明其優勢所在嗎？
為了避開之前提及的無意義學習問題，我先用物理學的相關理論為模型答案賦予先驗意義。價格運動方程是用來描述市場的支配動態，例如東證股價指數(topix)。由於物理學追求的是簡單和通用性，我著重描述金融市場中簡單且普遍的現象，也就是眾多投資者在市場上進行交易時自然觀察到的動量和均值迴歸。模型的輸入資料為一系列按時間順序排列的歷史價格，動量指數和均值迴歸指數均由此得到。為了根據當前的市場環境調整運動方程，需要使用人工智慧/機器學習方法。
一般而言，CTA通常會運用趨勢跟蹤策略，這種策略在市場中出現強勁動量時表現不錯，但是在均值迴歸環境中的表現卻很糟糕。反趨勢跟蹤策略與之恰好相反。我們的策略會同時考慮動量和均值迴歸，因此它能根據上述兩種市場狀況作出相應的調整。
至於基於人工智慧的策略相較於傳統系統化策略的優勢，人工智慧模型可以設定使模型每天自動學習和調整的函式，即使在市場環境發生改變的情況下也可以維持預測能力；傳統的系統化策略通常無法如此頻繁地改變模型的內部引數，因為人類分析師往往至少需要幾個月的時間才能找出新的引數集，因此也就無法及時趕上快速變化的市場動態。
5. 什麼是“前向檢驗”？它是如何訓練模型維持預測能力的？
“前向檢驗”（WTF）是一種檢驗量化策略可持續預測能力的方法，可用來替代回溯檢驗。新型量化策略常常受困於諸如“雞生蛋還是蛋生雞”這樣的問題，很難說服投資者相信：好的回溯檢驗結果不會在實時預測中失效，也不會遭遇典型的“回溯測試背叛”現象。
前向檢驗可以避免“回溯測試背叛”現象，直接評估新量化模型預測能力的可持續性。由於量化分析師可以在第一時間得知市場結果並且在回溯檢驗期間選擇最佳的交易策略組合以使結果看起來最好，因此好看的回溯檢驗結果可能不可靠，此種形式的“優化”通常不能賦予模型預測能力。
另外，前向檢驗的結果依據的僅僅是模型的預測情況，而模型在預測時不會涉及任何有關未來的資訊。前向檢驗使用的是歷史時間序列（如過去20年），模型首先回溯觀察某段時期（例如從19年前回看1年），以學習當前（如19年前）的市場狀況並作出相應調整。接下來，模型會預測未來的市場狀況以及短期（如一週）的交易。在交易的收益/損失確定之後，模型再次回溯觀察同一時期的資料以更新其預測能力，並且一直重複這個過程，直到觀察完整個歷史資料。如果模型沒有預測能力，前向檢驗的結果會十分糟糕；但是如果檢測的結果表明收益在一段時間內維持穩定，那麼很難判定模型沒有任何預測能力，因為所有的結果都是由預測得出的。
不論是何種原因，如果我們認為一個歷史交易記錄良好的人類交易員具備可持續的預測能力，那麼擁有良好的前向檢驗結果的人工智慧模型也是可以做到的。
6. 平均而言，一天可以進行多少交易？模型的投資機會有多大？您能否詳細介紹一下這種策略的最大/最小總風險敞口？
我們每天進行兩次交易，分別在日本股市開市和閉市時進行。當前的策略最多可以完成5億美元的交易量。最大總風險敞口為資產淨值的200%，最小為0%，淨風險敞口在資產淨值的-100%至+100%之間變動。
7. 在進行選擇和優化以得出最佳交易的過程中，機器預測正確的機率有多大？除了投資者通常會觀察的基金實際表現，是否存在評估機器選擇最佳交易的能力的效能指標？
前向檢驗表明，月成功概率為60%，收益率為+2%；月失敗率為40%，收益率為-1%。人工智慧模型的判定評估器（conviction evaluator）可以給出每項交易的成功概率的大小。
8. 您的模型在哪種市場環境下表現最佳，在哪種市場環境下表現最差？人類學習歷史資料的能力很差，機器學習成功的概率是否更大些呢？機器預測受特殊事件（如日本政府年金投資基金購買國內股票ETF、英國退歐或者川普競選總統獲勝）影響的程度是否和人為預測一樣？
模型學習的是價格的歷史時間序列。因此，如果當下的市場環境與先前一段時間內的環境相一致，模型就應該是有效的。顯然，模型無法預測到任何的特殊事件，如自然災害、公投或政治變動等，但是這對人類來說也很難預測。人工智慧的優點在於沒有任何認知上的偏差，在諸如英國退歐這樣的重大特殊事件中，認知偏差會使人們喪失理智，迫使人們在不理想的時間點進行交易。對於這些市場中間或發生的特殊事件，不同的人由於認知偏差會做出不同的反應。但是，無認知偏差的人工智慧也許能夠避開人們的主管認知只學習市場對突發性混亂的反應。
9. Eurekahedge的研究表明，人工智慧/機器對衝基金在英國退歐造成的市場混亂中的表現優於其他基金，但是卻在川普獲選美國總統後的11月出現了虧損。根據您管理的基金在這兩段時間內的經歷以及您對前向檢驗（WFT）的研究，您如何解釋這兩個截然不同的結果？
英國退歐和川普獲選總統這兩個事件都使投資者樂觀的預期落空了，但是投資者在兩事件發生之後的反應卻不同。我不知道其他對衝基金在這兩個事件中的想法和採取的措施，但是我推測可能有兩種原因。如果他們是趨勢跟蹤型人工智慧，在英國退歐之前，短期趨勢看起來呈下行態勢，因此在英國退歐事件中持空倉是合理的做法；而在川普獲選事件中，短期趨勢則呈上升態勢。
在這兩個事件中，相反的趨勢可能會帶來不同的結果。第二個原因更加複雜。人工智慧可能學習過以前發生的消極突發事件，這種事件（包括英國退歐）發生之後通常伴有股市的再次下跌。因此在英國退歐事件中，人工智慧似乎更容易成功預測市場動態。
但是在川普獲勝事件中，股市二次下跌的情況並未發生，反而呈現出了單向上升的趨勢。我認為人工智慧模型以前沒學過這種動態。我所在的基金的人工智慧模型也有相同的問題，但是前向檢驗研究表明，人工智慧學習了川普獲選事件後現在已經能夠更好地處理相同的狀況。這就是人工智慧適應市場環境變化的一個例項。
10. 這個策略是如何管理和降低風險的？作為基金經理，您干預模型的頻率是多少？如果人工智慧遇到完全出乎意料的市場環境，您是否會考慮“關掉機器”？
人工智慧模型具有風險管理功能。在無法準確確定方向時，模型會自動展開目標敞口。我們並未制定任何固定的硬性限制止損規定，但是人工智慧模型可以根據市場形勢自動調整目標敞口。我從未乾預過人工智慧模型，也不計劃這樣做，因為人類的判斷會受到認知偏差的影響，而且在突發狀況中尤為嚴重。人工智慧技術一直在發展，未來的人工智慧模型也會得到改進，我們會使其能更加靈活地應對意外的突發性市場變化。
11. 投資者如何看待您的這種特殊策略？他們對這種策略有哪些共同的顧慮？
我認為很多投資者都對我們的簡化應用非常感興趣，例如使用只有兩個因素（動量和均值迴歸）的單一輸入時間序列來預測未來，這種應用每天只進行兩次交易。與此同時，我認為量化交易專家尤其對前向檢驗感興趣，因為他們知道建立出能夠通過前向檢驗的模型有多難。
但是，我們的基金於2016年4月才開始運作，時間很短，能夠記錄到的資料也少，是我們所面臨的最大挑戰。即使前向檢驗顯示的結果良好也無濟於事，因為許多投資者都對公司的實際運作時間有所限制。
12. 最後，人工智慧在對衝基金業有什麼前景？由於機器能確保客戶投資的安全，基金經理將來是不是就可以毫無壓力的去度假了？
人工智慧在對衝基金領域中的作用會大幅增強——這是必然的結果。人工智慧或機器會接管大部分常規工作，傳統的量化策略將被人工智慧所取代。同時，它還會負責完成部分自下而上的分析工作。現在，人工智慧或機器已經開始取代交易員的工作了。
但是，人工智慧的主管基金經理可能還不能在沙灘上享受假期，因為市場上隨時都會出現更強大、更聰明的人工智慧交易。
原文地址
http://www.eurekahedge.com/NewsAndEvents/News/1614/Artificial-Intelligence-AI-Hedge-Fund-Index-Strategy-Profile