AI投资探索之路
作者:浙商基金 查晓磊 2018-09-21
AI已经成为资本市场中被讨论的最为热烈的话题之一。而AI尚不能代替人类,在投资领域,需要人类将投资问题细微拆解,将各类成熟且被验证过的投资逻辑和策略输入到AI中,在此基础上针对细分问题训练AI模型。

浙商基金智能投资部总经理、基金经理

alpha go首次战胜人类棋手,预示着一个新的时代来临。继机器在工业革命后逐步代替各种人的体力劳动,人的脑力劳动被AI逐步替代变得更加可能。毫无疑问,AI已经成为资本市场中被讨论的最为热烈的话题之一。


图像识别、语音识别、无人驾驶、辅助医疗等等,当我们看到AI在各个领域应用的案例越来越多、越来越成功的时候,回顾资产管理行业本身,相比前面提到的那些行业,似乎我们离AI仍然比较遥远。但有意思的是,金融市场天然就是一个大数据系统,分析师和研究员们每天打交道最多的就是数据,这里有着AI最好的学习资源和实验条件。AI在各个领域发挥其本领的时候,也理所当然在资产管理领域中有其用武之地。alpha go名字中的“alpha”更激发起大家对AI在投资领域中的美好向往。


浙商基金自2015年起在大数据和AI方面做了很多的思考、探索、实践和积累。如果说传统投资和AI投资之间有一个“交锋面”的话,我们可能恰是真真切切处在那个面上的,深刻体会着其中的“道道沟沟坎坎”。


AI当下的发展水平及投资领域的具体实际,让我们尚不能完全指望AI能包办一切。这本身也符合事物发展的一般规律。回想机器代替体力劳动的历史进程,大规模的无人化机器人流水线从来就不是一蹴而就的。起初,冲、刨、铣、车,每台机器都在重复的做着人的某个特定动作,并做到极致。AI应用的起步也一样,有的精于算,有的精于存,有的精于听,有的精于看,重复执行人的某一项大脑功能,同样,再做到极致。对于投资领域也不例外,我们首要做的就是将投资问题的方方面面拆解,拆解的越细、越具体,在特定领域AI做到极致乃至超越人类大脑的可能性也越大。


其次是投资中的问题定义。围棋中的问题是靠19×19的棋盘来定义的,而传统上,即使人在面对资本市场中问题时,相对通用的问题定义方式其实也并不统一和明确,甚至每个人看市场、聊市场、参与市场的体系、维度、框架都是千人千面。但问题的定义对AI却很重要。定义不清楚的问题,让AI去解决,结果可能反而会令我们大失所望。这其实也是上述我们强调问题拆解的另一面。只有问题拆解的足够细微,问题的定义才有可能更加明确。


另一个重要的问题是AI到底学什么?alpha go是从学习人类历史上的棋谱开始的。类比到投资上,AI学习的则应是人类投资历史上的各种棋谱——各类成熟且被验证过的投资逻辑和策略。因此,讲到AI投资,并非数据的暴力破解,而依然是逻辑驱动的。如果一个AI仅仅是从数据到数据,最可能的结果就是面对稍加修改的问题,AI反而会犯简单的错误。AI的训练是学习已有的成功经验,在此基础上,针对每一个具体细分问题而训练的AI模型,实际上都是一个解决特定问题的小机器人,即使问题的表象千差万别。


逻辑先行,而数据也需紧密跟上。所有模型都是在逻辑的基础上,基于大量甚至海量数据训练的结果。更为重要的是,数据并非数字的简单堆砌,数据是富有逻辑的数字集合,是含有价值的数字集合。有的数据用于前瞻预测,有的数据用于实时验证,而有的数据则用来相互对比。只有将数据本身的定义和定位确定清楚,AI训练的针对性和鲁棒性才有可能更强。


过往三年多,浙商基金已基本积累起一个基于基本面和交易型逻辑的大数据体系,并且在这个大数据体系上逐步训练出各类AI机器人,专门负责解决某一个或某一类特定问题。与此同时,更为重要的是浙商基金整个投研体系也形成了人类与AI投资相互协调促进的良好氛围和机制。在某些特定问题上,AI成为了人类进行投资决策的得力助手。而在AI犯错犯傻的时候,人类的经验和小数据逻辑分析能力,也成为了AI最为宝贵的学习资源,这个过程往往也是AI能力提升最快的阶段。


我们不指望目前的AI投资机器人是万能的,但我们期望每个AI机器人每天都能进步。