用AlphaGo背後的人工智慧做金融投資

作者介紹

黃文堅，香港科技大學本科、研究生，墨寬投資CEO，人工智慧領域研究者，有多篇頂級學術論文發表。著有《TensorFlow實戰》，國內計算機類書籍月度銷量冠軍，該書獲李開復、Jeff Dean（谷歌大腦團隊負責人）推薦，並在日本、韓國等地翻譯出版。目前正帶領團隊研發新一代的人工智慧量化平台，旨在將人工智慧技術應用於價值投資領域。團隊成員包括北大、浙大、香港科技大學、中科院等多名專家、博士，並有ACM ICPC金牌獲獎者。

金融人工智慧的浪潮已來

近年來，伴隨著大數據和機器學習技術的興起，人工智慧技術被大規模地應用在許多工業領域，並在一些領域（搜索引擎、個性化推薦、智能客服等）取得了良好的效果。Google去年展示的圍棋AI AlphaGo，擊敗了目前人類最優秀的圍棋大師。這標誌著人工智慧技術日趨成熟，具備在一些高智力行業取代人類專家的能力。

在眾多行業中，金融投資領域無疑是最有價值又充滿挑戰性的人工智慧應用場景。然而兩個行業間存在著一定的技術壁壘——大多數金融從業者不熟悉人工智慧技術，正如大部分人工智慧專家們不了解金融市場。為了幫助人工智慧領域和金融行業更好的互通和合作，這篇文章將介紹我們在金融投資領域運用人工智慧方法的一些經驗和思考。

在海外發達國家（美國、英國），人工智慧與金融投資已經非常緊密地結合併取得了良好的成效。一些新興的人工智慧投資機構的崛起，證明了人工智慧方法在金融市場的巨大潛力。比如著名的大獎章基金在2008年金融危機時，通過成功的預測風險，避免了投資者的重大損失，並保持連續多年資產的穩定增長。2017年5月，摩根大通發布了一份題為《大數據與人工智慧戰略：機器學習和其它投資數據分析方法（Big Data and AI Strategies: Machine Learning and Alternative Data Approach to Investing）》的報告，對人工智慧和對金融領域的影響進行了全面的闡述。報告指出人工智慧量化技術將成為未來金融業的主流方法，幫助投資者處理、分析、理解數據，指導投資決策。一個優秀的金融投資機構，必須發展人工智慧投資系統，以適應金融數據化、智能化時代的到來。

金融投資如何應用人工智慧

下面我們將具體介紹人工智慧是如何在金融領域發揮作用，幫助投資者做出更好的投資決策。為了易於讀者理解，我們先介紹一些基本的機器學習概念，也就是人工智慧背後的演算法，並簡單說明他們如何與金融投資相聯繫。通過合理運用機器學習技術，投資者們有能力開發出與人類專家水平相當甚至更好的投資決策系統，稱之為人工智慧投資系統。

什麼是機器學習：機器學習是通過一系列演算法，挖掘出歷史數據中我們關心的規律的技術手段，並期望挖掘出的規律，能幫助我們對未來數據做出正確的預測。

金融領域的機器學習：在金融領域，從業者們其實也做著同樣的工作。以計劃長期持有某隻股票為例，分析師們一般會關注公司的基本面信息、財務狀況和發展規劃等因素，從而對公司的未來運營狀況做出預測，並決定是否投資。如果我們將公司的信息量化成各種數據因子，將預測目標改為公司的未來發展趨勢、風險情況，則整個問題可以通過機器學習方法解決，獲得可靠的預測，並指導投資行為。

因此，藉助機器學習的手段，打造一個人工智慧系統來分析金融市場是一個直接而自然的想法。隨之而來的問題是，機器學習能否與有經驗的分析師競爭呢？就歐美國家的市場經驗來看，機器學習方法在某些方面確實是比人工決策更為出色。例如上文提到的文藝復興基金和著名的DE Shaw基金，都是人工智慧在金融投資領域成功落地的案例，是近年來金融投資領域的領頭羊。下圖匯總了一些使用人工智慧技術的知名量化投資機構和平台，以及他們專註的具體方向。可以看到，金融AI技術被廣泛的應用在金融投資的各個環節之中，並帶來了一些新的機遇。對某個應用方向具體感興趣的讀者可以查找相關資料做進一步的了解。

具體來說，相比如傳統投資方式，基於人工智慧的量化投資理念有如下幾個方面的優勢：

1. 相比於傳統分析，機器學習方法可以處理更多的輸入信息，能夠考慮的信息面更全，信息量更大，可以達到的效果上限更高。從效率上說，人工智慧方法可以同時考慮整個市場，從中選出更多的優質股票，分散投資風險，提供穩定的投資回報，並容納更大量的資金。

2. 人工智慧演算法會量化整個投資過程中的變數，做出更精準高效的投資決策。例如對於一個上市公司，投資者關心公司每個信息因子和未來長期股價的相關性。哪些因子對長期受益更重要？未來上漲的概率是多少？最大投資回撤是多少？這些問題都可以通過演算法和回測獲得答案。

3. 近年來伴隨著深度學習演算法的快速發展，一些重要但之前不易獲取的非結構性信息可以被演算法分析得到，從而提高投資效率。其中文字類和圖像類信息是傳統金融信息的重要補充。藉助於深度學習和自然語言處理技術，新聞、輿論、圖像信息可以被加工成用於構建人工智慧的模型特徵，輕鬆使用於投資決策中。歐美的一些發達投資機構早已成立專門的部門對社交媒體進行分析，從而判斷一個企業的流行程度和受眾群體等信息，甚至通過這些信息對關注公司的未來財報進行預測，以佔得投資先機。

4. 從金融交易角度，人工智慧演算法帶來的一個巨大的優勢是在決策中可以迴避人性弱點，例如性格、情感、害怕失敗等因素，始終保持客觀的態度。對於普通投資者，市場的波動或多或少會影響人的情緒，進而影響之後的投資決策，使人做出一些不正確的決定。人工智慧方法則不會受到市場波動的影響，市場的波動只是客觀的數據，演算法會一致地貫徹自己的交易策略

5. 相對於傳統方法，人工智慧演算法有著維護成本低廉，維護效率高的特點。一個優秀的團隊一旦有了想法，就可以快速地寫出一個人工智慧交易策略，在歷史的數據上回測，並最終運用在市場上。策略的後期維護也只需要修改對應模型參數或者某個程序模塊，以適應市場的變化。成熟的團隊可以開發多樣的策略，以適應不同的市場，打破投資風格的局限，始終保持高水平的盈利。

人工智慧量化投資平台

基於上述原因，人工智慧在金融領域的發展前景是非常令人期待的，智能化的浪潮將席捲全球的金融市場。在這樣的背景下，僅靠少數的從業者進行探索是遠遠不夠的。因此，我們搭建了一個利用人工智慧的量化投資平台，打通傳統的金融投資行業和新興的人工智慧領域之間的壁壘，推動金融行業的蛻變。

這個平台的名稱是墨寬人工智慧量化投資平台，它使用AlphaGo背後的人工智慧技術，並期望找到Alpha（超額）收益。整個平台採用機器學習社區流行的競賽模式，旨在聚集全球優秀的人工智慧專家，一起解決有價值的金融問題。

平台的整體運營模式類似著名的機器學習競賽網站Kaggle，平台會不斷地發布最新的各種金融機器學習問題，將問題抽象後提供給數據科學家們，讓他們基於數據構建模型。對每個比賽，平台保留一部分未發布的數據集（private set）用於回測，參賽者們在有限的次數內提交基於他們模型獲得的關於未發布數據的預測結果。根據提交結果在未發布數據集的表現，評定每個參賽者的得分，最終決定比賽的排名。排名靠前的優秀參賽模型，將有機會被實際運用於金融投資中，分享最終的投資收益。

平台的賽題來源有兩方面，一方面是將平台自身在網上抓取新聞、報道、交易等數據，抽象成一個交易問題。另一方面是第三方的金融機構可以向平台提供舉辦比賽的申請，提出機構希望藉助人工智慧技術解決的問題。對於採納的賽題，平台會提供必要的支持，幫助金融機構進行問題抽象、數據脫敏、特徵提取，並在比賽結束後協助構建基於優秀模型的人工智慧交易系統。對人工智慧專家來說，只需要像參與傳統機器學習競賽那樣，在給定的數據集和目標上找到最優秀的模型。最後，平台會選取比賽中表現優秀的一個或多個模型作為基礎，融合他們的預測結果，用於實際的金融交易中，並拿出一部分投資收益回饋給模型開發者。

具體而言，整個平台的運作方式如下圖所示：

結合我們近年來的實際人工智慧投資經驗，平台還提供一些高效的特徵工程和自主研發的模型，用於搭建人工智慧投資系統。特徵工程包括無監督特種提取和基於深度網路的時間序列信號和自然語言處理特徵提取。無監督特徵提取中，除了常見的聚類，去噪自編碼機等，我們還引入了知識圖譜技術。藉助於知識圖譜技術，平台可以挖掘出多個特徵因子間的相互關係，由此抽取出大量的多維度特徵，為模型訓練提供更多的信息輸入。在有監督特徵提取方面，平台集成了最前沿的神經網路技術，可以處理新聞、輿論等信息，從中抽取出對投資決策有意義的信息供參賽選手使用。

在比賽結束後，平台會選取一部分優秀的模型，採用自主研發的集成方法，將模型融合，以實現不同的投資目標。例如在一定風險下最大化收益或是在目標收益下最小化風險等。另一方面，平台集成了構建AlphaGo的增強學習技術，旨在能夠在不同時間段，不同市場環境下，選取到對長期而言最優秀的投資策略和資產組合。通過一系列的投資操作，實現更高更穩定的長期投資收益。

金融領域的人工智慧浪潮已經到來，藉助於墨寬人工智慧量化投資平台，我們希望能夠構建更多優秀的人工智慧投資模型，為金融市場注入新的活力，進行更高效的優質資產配置。在未來的一段時間內，平台將會致力於運用人工智慧技術綜合分析宏觀經濟局勢、社會需求和一些公司的經營狀況，幫助投資者和機構構建優秀的投資系統，降低投資風險，以在各種市場環境下獲得長期、穩定、可觀的投資回報。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！