AI投資： 是美好未來，還是永難企及的神話？
2017-12-15 16:44:16 來源：中國證券網 熱度:
12月14日早晨，全球首只人工智能ETF基金AIEQ報收于25.62美元。上市近兩個月，該基金的表現落后美股標普500指數2.5個百分點。
從初上市時萬眾矚目，到如今少人關注，從上市之初收益率大幅超越基準，到此后持續落后，體現在AIEQ身上的巨大落差，似乎象征了業界對于AI（人工智能）投資的兩極化觀點——樂觀者預期它終將立于投資市場之巔，并取代大部分投資經理的崗位；悲觀者則把它看作“神話故事”、“永遠不會成功的永動機”。
這個爭議，還在升溫，還將持續。
首只產品“鎩羽”
作為第一個宣稱使用人工智能的基金，AIEQ的業績波動之大，出乎行業預期。
上市初期，它一度驚艷。上市之初的3個交易日，AIEQ斬獲了0.8%的收益率。這被外界認為是非常優秀的開局，媒體報道頻頻使用“超過基準指數100倍”的評語，并隨之激發了一片“人工智能何時取代基金經理”的報道和討論。
但這只是曇花一現。
隨之而來的是該基金業績迅速滑落，從10月中到11月中，該基金凈值一度最低下跌到略高于24元，單月跌幅逾4%。更加糟糕的是，同期該基金的比較對象——標普500指數穩步上漲，且業績優勢保持至今。
“無論是波動率控制，還是短期基金業績表現，AIEQ都是越做越差，難言讓人滿意。”一家國內量化投資機構的投資總監如是說。
由于公開信息缺乏，AIEQ表現低迷的原因尚難準確判斷。一些量化投資機構認為，從業績表現看，AIEQ的選股偏激進，進攻性很強，但是凈值回撤也很兇。
但也有人認為，或許管理人自己也未必能完全了解清楚其中的原因。人工智能投資有所謂的“黑箱問題”，投資模型依賴復雜算法支撐的深度機器學習，這導致“投資模型的投資過程經常缺乏可解釋性”。
公開資料顯示，AIEQ（全稱為AI Powered Equity ETF，人工智能驅動的股票ETF），是由舊金山的一家創業公司發起，并和一家ETF基金公司合作設立的上市型交易基金。
該基金號稱運用人工智能來進行股票選擇，“追求以同等的風險波動水平，提供超出美國股市基準指數的投資結果。”該基金日常監控數以千計的美國上市公司，但通常只投資40至70只股票。這個組合分散水平和日常的主動型股票基金相近。
在爭議聲中發展
在AIEQ上市前，海內外投資機構爭先恐后布局人工智能投資的競賽已經展開。從研發到交易、從戰略合作到組織架構調整，大型機構拉開架勢卯足勁要爭搶AI投資的高地。
海外最大的指數化基金公司之一貝萊德今年3月末對外宣布調整公司架構，裁撤包括7名投資經理在內的100名主動型基金部門員工，并調整300億美元資產的管理體系，其中有近60億美元將由量化基金接管。其公司CEO在文中稱，傳統的股票投資方法正被技術和數據科學的巨大進步所改變。這是該公司作出調整的重要原因。
此外，諸如SAC、Two Sigma、Citadel、DE Shaw等知名對沖基金機構，也先后有嘗試在投資中應用人工智能算法，或是設置專門研發團隊進行AI研究的消息傳出。
國內最大的兩家基金公司華夏基金和天弘基金，也于今年先后宣布了在人工智能方面的戰略型研發計劃和組織架構安排。包括嘉實基金、國金基金等機構也積極跟上，陸續有在這方面探索研究的信息傳出。
但另一方面，業界對于AI投資的應用前景、研發方向及資管公司架構調整的原因也一直有爭論和猜測。
有機構認為，海外對沖基金目前的一些“嘗試”只能看作是量化投資的衍生范疇，其至多應用了一些人工智能的算法技術，距離真正的“AI投資”還有很遠的距離。
也有分析人士認為，海外一些資管機構調整架構、裁撤主動型基金經理的主要動力是削減成本，呼應指數基金的發展態勢。而對外宣布研發計劃，則或許帶有一定的宣傳推廣考慮。
高毅資產的投資總監鄧曉峰在一次演講中也提及：“人工智能投資現在還處于很早期的階段，還是一個專家系統，無法解決沒有明確規則的問題。”這個觀點代表了相當多數投資經理和學者的看法。
AI投資難在何處？
同樣是利用計算機系統進行投資，量化投資的技術在十多年前就已經進入實戰，但是AI投資似乎目前還在爭議中，這其中原因在哪里？
量化機構君耀投資的總經理沈賢能認為，應用于投資的人工智能必須要具備包括“感知、認知、推理、學習和執行”等智能化特征，但要建立一個真正如“人工”一般“智能”的投資并不容易。
“具體來說，人工智能在投資中的應用要跨越兩大步。其一是應用海量的市場數據對模型進行訓練，逐步形成有勝率的算法模型。其二是把算法模型應用于具體場景，比如在資本市場中進行實戰投資。”沈賢能說，但這兩者都是有相當難度的。
他舉了人工智能軟件“AlphaGo”在圍棋領域的處理方式的例子。如果僅僅用“窮舉法”來處理數據，那么，圍棋的運算量將達到3的361次方，這大概比宇宙間所有原子的數量還要多。
因此，AlphaGo的安排是，通過建立一個專家模型（落子預測器）來去掉“臭棋”步驟，降低數據搜索廣度，再建立另一個專家模型（棋盤價值評估器）來降低數據處理深度，使得程序的運行具有現實性。
但在投資市場，市場數據的規模遠勝于圍棋。同時，面對復雜多變的市場價格影響因素，要構建準確判斷投資勝率的專家模型也無法一蹴而就。至于進入實戰，從AIEQ的情況看，短期內似乎條件還不具備。
沈賢能認為，人工智能在投資中的應用最終取決于三個行業驅動力：數據量、運算力和算法模型。只有這三個方面都突破了，AI投資才能真正應用到市場中去。這也是當下，量化機構們正著重發力的方面。
還有投資經理認為，人工智能領域涌現的多種算法，使得計算機在解決很多復雜問題上有了巨大的突破，諸如面部識別、語音識別等技術都已經相對成熟。但即便如此，上述算法支撐的機器學習能否真正刻畫并掌握投資市場運行的“奧秘”，依然是未知數。尤其是，或許市場運行根本就沒有長期有效的規律和方法存在。
分步走——AI投資的現實選擇
那么，在AI投資進入實戰仍有距離時，AI投資技術的應用就毫無機會了么？
部分機構認為，AI投資可以嘗試分步驟地應用于投資領域。
壘土投資的沈天瑞認為，人工智能要完全勝任投資，目前最需要克服的問題，是人工智能在深度學習市場數據時陷入所謂的“黑箱”問題。比如，海量數據訓練時可能產生超多的特征維度；模型預測結果不正確時很難進行診斷；可能存在過度擬合的傾向；金融數據中含有大量噪音，若將機器算法簡單應用于不規律、非客觀的數據效果堪憂等等。
他認為，把AI技術分步驟的應用于投資領域，目前較具現實性。
比如，首先從投資中重復性的工作環節入手幫助提高效率，著重在采集清洗數據、分析處理非結構化擴展數據（例如社交、電商信息等）、處理提煉公司和行業數據、調研數據、輿情監控等領域。這些環節中運用的技術是目前比較成熟的諸如知識圖譜、自然語言處理、聚類等標準化工具。
再往后，在具備足夠數據的基礎上，可以嘗試進行研究端的簡單判斷，比如通過對海量衛星照片的掃描，分析某些產業的繁榮狀況、儲備情況等，嘗試進行信息挖掘。這中間可能涉及利用貝葉斯網絡技術進行事件推測、用神經網絡技術處理時間序列數據、用聚類技術進行模式識別等。
而在交易執行端，通過執行一些算法也能達到部分人工智能技術的應用。這樣在數據端、研究端、執行端分別執行局部的人工智能技術，仍然能夠為投資提供很好的支持。而這也是不少海內外資管機構正在著力突破的環節。
德克薩斯大學教授尼爾遜曾總結，人工智能是關于怎樣表示知識、怎樣獲得知識并使用知識的科學。在深不可測的市場知識面前，人類如果加上了同樣深不可測的人工智能做工具，前景究竟如何，尚需時間給出答案。
責任編輯：吳昊
