本月初百度在北京举办了其一年一度的百度世界大会,并以“AI is the new electricity”作为本届大会主题,期间还在金融科技分论坛上,着重讨论了如何将百度的人工智能技术注入到传统的财富管理行业当中。不可否认,随着AlphaGo在围棋比赛中打败了围棋大师,人工智能越来越受到更多人的关注。但在资产管理领域,尤其是量化投资领域,这个课题早已不太陌生,并在突破现阶段量化投资策略所面临的一些瓶颈问题,已经开始有一些实质性的应用。
首先,作为一种数据建模的分析工具,人工智能算法有助于提升传统量化投资模型的复杂度及分析性能。自上世纪70年代Fama等人提出了三因子模型之后,后续几十年多因子模型逐步丰富,并最终成为主流的分析市场超额收益来源的理论框架。不过,该框架也存在一定的限制:它必须假设各个因子之间的超额收益是线性可加,也即该模型是一个线性模型。但在现实世界中,市场涨跌表现作为一个由众多参与者的个体行为进行博弈之后的最终结果,人们往往倾向于相信其内在是一个复杂度极高,且很可能是非线性的运作模式。如果从这个角度出发,人工智能领域所提供的种种非线性模型算法,恰恰是最合适不过的分析工具。K-mean,二叉树,神经网络,遗传算法等,其分析之后的结果可能能够更加敏锐的捕捉到之前线性多因子模型所未曾发现的市场机会。
其次,人工智能技术也为量化投资带来了更多的数据维度。传统量化投资所涉猎的数据,大都是易于结构化数据,例如市场量价数据、上市公司财务基本面数据,同时还有小部分非结构化数据,但形式相对标准,例如上市公司公告、券商研究报告等等。但是随着现在互联网的蓬勃发展,信息载体日益丰富,搜索数据、新闻文本数据、网络社交数据等等非结构化且零碎的数据在快速积累(见下图)。这当中与金融相关的数据或许存在着尚未被挖掘的投资价值,例如每天哪些股票在搜索引擎上被搜索的次数较高,哪些股票在各种财经网站上被点评的次数较多,这些点评里面有多少是正面信息,多少是反面信息,等等。而人工智能算法,借助于计算机能力的提升,在提取这些非结构化内容的内在信息上,有着得天独厚的优势。例如NLP(自然语言处理)算法,可以随着其分析过的文章数量的增加,越来越准确的提取出其中符合要求的有价值的信息,并给出对投资决策更加有帮助的分析结果。
上述两个方向,只是目前应用前景比较清晰的方向。相信随着在未来更多量化投资研究人员的投入,必将会有更多算法被应用在辅助,甚至是直接指导,量化投资决策上来。
易方达基金 官泽帆
2016年9月
声明:本手记的观点、分析及预测仅代表作者个人意见,不代表易方达基金管理公司(以下简称“本公司”)立场,也不构成对阅读者的投资建议。本公司或本公司相关机构、雇员或代理人不对任何人使用此全部或部分内容的行为或由此而引致的任何损失承担任何责任。未经本公司事先书面许可,任何人不得将此报告或其任何部分以任何形式进行派发、复制、转载或发布,或对本专栏内容进行任何有悖原意的删节或修改。基金有风险,投资需谨慎。