機器廢渣！AI離佔領華爾街還早著呢

再怎麼炒，把AI用到投資上問題依然很大。

十年前，在自動投資演算法突然失控，導致數十億美金損失和高盛旗艦量化基金的最終關閉後，人們一度拔掉了計算機的插頭。

如今，十年過去，人工智慧和機器學習成了自動化投資領域最熱門的辭彙。但在那些鋪天蓋地的宣傳之下，將AI用在投資上依然存在著三個嚴重的問題：運行得太「好」，難以理解，以及只知道最近的歷史。更糟糕的是，隨著各種不同的演算法在市場上剛正面，這類工具的流行其實是在自掘墳墓。

現在的機器學習系統非常擅長發現模式。但過猶不及，計算機常常運轉過度，以至於發現一些並不存在的模式。

安盛羅森堡股票的首席策略師Michael Kollo指出，一個由三名華盛頓大學研究者開發的神經網路，在分辨狼和狗的圖片時其實是將狼和雪聯繫在一起。

「它能輕易地辨認出某些『不妥協』的性質，並將其作為一條規則來學習。」Kollo說。如果用過去35年的市場狀況對一個AI進行訓練，它可能只會得出一條簡單的規則：買債券。

1982年7月，當時國債的債息是13.7%；而本周一，這個數字是2.31%——從事後諸葛亮的角度看，AI的想法非常不錯。然而，未來35年里債息絕不可能再下降這麼多了。

在業內，識別出某些不會重複的模式被稱作「過度擬合」，比如在圖片中的雪與狼之間建立相關性，或者用在過去股市中發現的模式去冒未來的險。

溫頓集團對沖基金的創始人David Harding說，尋求某些方式，來避免用上這些假模式是計算機驅動投資的核心。

「避免過度擬合是一種心態。」他說，「這跟避免那些一廂情願的事情是一回事。」

△ 在度過了經濟危機後，計算機驅動的對沖基金表現非常好，並且正在吸引越來越多新的投資。

Man AHL量化基金的首席科學家Anthony Ledford說，更高級的機器學習系統有時會更沒用。「你用的模型越複雜，它對你用於訓練的那些數據解釋得就越好，但它解釋未來數據的能力就不那麼好。「他說。一個模型需要接受這樣的事實，即市場上大部分的東西都是無意義的，同時模型需要去收納更廣闊的信號，即便它會落下某些過去數據的波動。

許多量化投資者堅持，他們所採納的任何規則，其背後必須存在一條經濟或行為學上的一條基本原理，以此來避免過度擬合。如果計算機發現每月的第三個周三堪薩斯下雨時，在巴黎登記的石油公司股價都會上漲，在未來以此為依據進行投資無異於「信仰之躍」。

不幸的是，要解釋系統做出某種決定的原因是不可能的。美國的國防研究機構正在資助團隊試圖解決的，也正是這一問題。

透明度的缺失意味著絕大部分先進的系統只能處於試運行的狀態，投入的資金很少，同時需要人類的意見進行輔助。

Charles Ellis就是典型的案例。他在11月加入都柏林的Mediolanum資產管理公司，負責開發機器學習系統，為各個部門提供建議。這套系統用了與美國股市相關的1500個變數上20年的數據進行訓練，並用隨機森林回歸模型來避免過度擬合。

據Ellis的說法，初期的結果不錯。但它只被用於200億美元資金投資組合中的一小部分，而且最終的決定依然由基金經理完成。另一種為預測經濟周期而設計的系統目前也被看好。

隨機森林方法的弊端是很難理解計算機為何會做出特定決策。

「這是個黑箱。你不知道它為何會產生這種效果。」他說。

Kollo說，如果難以被理解，那麼在賠錢的情況下，恐怕只能將那個系統關閉。

「所有東西走到最後都不對，每個演算法都有倒霉的那天。」他說，「存活與否，其實就在於它們能否解釋自己乾的那些事情。」

一些投資者不在乎透明度的缺失。Jeffrey Tarrant的Protégé Partners公司投資對沖基金，他說「這對我來講根本沒什麼」。他投資了六支使用AI方法的基金，都是典型地使用了不尋常的數據來源，同時有著非標準背景的基金經理。他估計至少有75家基金聲稱自己用了AI，但他覺得也就25家是真的。

長期使用計算機管理資產的投資者對最近的AI風潮不以為意。

「因為告訴別人你可以用電腦來管錢，自己已經像被對待白痴一樣對待了三十年，然後現在那些人走過來又告訴我說，你可以用電腦來管錢。」Harding說。

他用於期貨價格移動平均值的機器學習應用已經幫他成為了一名億萬富翁。他的團隊只是把機器學習當作另外一種用來發現市場異常現象的統計學技術而已。

二十年前，當負責系統的帶頭大哥投資對沖基金Tudor時，Sushil Wadhwani曾經使用過機器學習。而如今，他正運營著自己的機器學習自動化基金——只不過時不時要把系統重寫一遍。2008年，在幾年的經驗證明歐元區最好和最爛債券之間的價差不依賴於基本經濟要素後，他不再做歐洲的債券分析。隨著銀行系統的內爆，他知道這種東西已經沒用了。

「對於機器而言要學會那些東西非常困難，除非它知道自己應該去看上世紀30年代的東西。」他說。

高頻系統可能已經吃下了足夠多交易制度變化的案例，但仍然不能部署太多的資本。當使用的新數據集只回溯到過去十年、二十年時，要把機器學慣用在長期投資上其實非常難搞。沒有歷史知識的計算機註定要重蹈覆轍。

【完】

交流溝通

想要更深一步的交流？

量子位還有大咖雲集的自動駕駛技術群和NLP群，僅接納相應領域的在校學生或一線工程師。申請方式：加qbitbot2為好友，備註「自動駕駛」或「NLP」申請加入~

（審核較嚴，敬請諒解）

誠摯招聘

△ 掃碼強行關注『量子位』

追蹤人工智慧領域最勁內容

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！