投资界需要拥抱人工智能

低开高走:全球首只人工智能ETF基金十个月表现

2017年10月18日,全球首只号称使用人工智能选股的AI Powered Equity ETF (AIEQ) 在纽交所推出。该基金出来后,受到广大投资人及媒体的关注,我们来看看一路而来的收益率变化及媒体报道风向的转变,非常有意思。借助AlphaGo的全球影响力,AIEQ刚推出就被热捧,但因前三个月业绩跑输标普500,遭到市场的广泛质疑。在今年4月逐渐赶上并超越大盘指数后,媒体开始谨慎看好,直到今年6月经历了两个月的大幅跑赢指数后,再度赢得媒体的热捧。



截止2018年8月14日,推出近10个月,AIEQ的资产管理规模已经超过1.69亿美元,录得投资收益15.22%,年化波动率为15.16%,最大回撤为9.77%。与之相比,同期标普500指数的收益为10.88%,年化波动率14.05%,最大回撤为10.16%。 由去年最多跑输超过4%到如今跑赢超过4%。人工智能的发展方兴未艾,机器学习是其重要的分支之一,其最有魅力的地方是它可以通过有监督学习或无监督学习,不断进化,因此我们不能仅凭一时的表现去评价人工智能基金,也不能凭当前的表现来推测未来人工智能基金的表现。时间能证明一切。

传统的量化投资策略,需要建立各种数学模型,然后利用金融数据试图找出市场规律并从中获利。这样的方法高度依赖于模型的有效性,而且投资市场中蕴藏着复杂的非线性关系,往往需要构建复杂繁琐的数学模型才能得到接近局部最优解的结果。 人工智能算法,特别是强化学习算法的引入,从另一个角度给出了解决问题的思路:不再依赖复杂的传统数学模型,而是利用相关算法对海量数据进行探索,从而可以超越人类积累的经验,有望更加接近真正的全局最优解。

强化学习:世人周知AlphaGo,鲜知AlphaGo Zero

AlphaGo通过与世界围棋冠军李世石和柯洁的两场战斗而举世闻名。2017年,谷歌DeepMind团队在Nature发表了关于新一代围棋AI“AlphaGo Zero”的论文,展示了强化学习在为其应用上的新突破。和之前的Alpha Go版本相比,新版本不需要借助人类经验数据,完全依赖深度强化学习进行训练,经过短短3天的训练后,就能以100:0的成绩击败曾经战胜李世石的AlphaGo,40天以后就能超越所有的前代版本。



AlphaGo使用传统的监督学习算法,首先要将大量人类对弈的棋谱作为输入,让AlphaGo从中学习;而AlphaGo Zero相比AlphaGo的一个显著变化是,使用了无监督学习的强化学习算法,不再依赖棋谱输入,仅仅需要基本的围棋规则,便完全由零开始进行学习,彻底摆脱了人类想象力的限制。

强化学习(Reinforcement learning,RL),也叫增强学习,是指一类从与环境交互中不断学习问题以及解决问题的方法。强化学习是机器学习的一个重要分支,其与监督学习的不同在于,监督学习需要给定“正确”策略标签,而强化学习则只需要给出策略的(延迟)回报,通过调整策略来最大化期望回报。

拥抱人工智能:量化投资的必然选择

AI Powered Equity ETF就运用了强化学习技术。AI Powered Equity ETF由EquBot管理,后者是IBM旗下的IBM Global Entrepreneur的投资分部,专门负责在投资分析应用人工智能技术。根据其官网公开信息,EquBot基于IBM的人工智能平台Watson, 分析经济和新闻数据,对美国上市的股票和REITs进行基本面分析,构建一个含30-70只股票的组合。这个组合每天对公众公开。EquBot的创始团队在彭博的访谈中提到,EquBot的量化模型利用了机器学习的技术,随着时间的推移,量化模型将不断根据此前输出结果的反馈进行学习,提升自身的表现。这正是强化学习算法的特点,随着运行时间变长,新的数据不断更新模型的参数,模型的表现也会越好。可以看到,AIEQ由初期的跑输大盘,到近期追近甚至赶超标普500指数,说明强化学习在投资领域的应用是大有可为的,同时在金融投资领域应用强化学习,也面临数据不足且不平稳、较大的市场噪音、习得参数较难解释等问题。

越来越多的国内基金公司看到了人工智能在投资领域的广阔前景。华夏基金(香港)日前宣布推出一个针对A股市场的智能多因子策略-AI China Alpha策略, 为首批涉足人工智能的离岸中资基金公司之一。 AI China Alpha策略基于机器学习算法进行选股,根据市场周期的不同而应用动态多因子模型。

如果文章对您有用请随意打赏,谢谢支持!