股市超级算法

    英国《金融时报》网站日前刊登由罗宾？威格尔斯沃思撰写的文章称，伴随着人类在计算机科学领域的不断进步，未来具备超强运算能力以及人工智能的计算机或将成为全球资本圈的“新宠”，从目前一些金融企业已开始押注人工智能的趋势来看，或许下一任的“股神”就不再是什么巴菲特的接班人，而会是某种超级算法。

　　近30年前，在给崇拜他的投资者的年度致信中，沃伦？巴菲特（Warren Buffett）嘲弄了一种开始在资产管理业崭露头角但不易察觉的新趋势：电脑时代。

　　1987年，巴菲特在年度致股东的信中笑称：“在我看来，晦涩难懂的公式、电脑程序或者显示股票和市场价格变化的闪烁信号都不会带来投资的成功。”但这位以长远战略思维著称的伯克希尔哈撒韦公司（Berkshire Hathaway）董事长，也许低估了重塑投资的一股巨大力量。

　　计算机运算能力的巨大进步彻底改变了现代生活的方方面面，金融市场也不例外。全球最成功的对冲基金如今都在招募计算机科学家，而非经济学家和拥有MBA学位的投资银行家。甚至连古板的、管理着大量婴儿潮一代和石油国家储蓄的共同基金，现在都在急切地利用现代计算机技术和复杂的数学模型带来的“量化”技术。

　　此轮金融科技“军备竞赛”的下一个前沿是人工智能（AI）。人工智能研究取得的进步已经引起了金融业的巨大兴趣，有金融人士认为，一台能思考、学习、从事交易的电脑甚至将使当前的超高速、超复杂的投资算法看起来过时――而且有可能使人类基金经理成为多余。下一代的巴菲特会是一种超级算法吗？

　　世界最大的一些资产管理公司都在押注人工智能。人工智能从事投资或许听起来有些异想天开，但正如科幻作家威廉？吉布森（William Gibson）所言：“未来已经到来，只是分布不均。”2012年，世界最大的对冲基金集团――桥水公司（Bridgewater）挖走了IBM人工智能部门沃森（Watson）的负责人;去年，贝莱德（BlackRock）与另一家使用量化模型的快速成长的对冲基金Two Sigma延揽了两名前任谷歌（Google）顶级工程师。猎头表示，计算机科学家如今已成为金融业最炙手可热的财富。

　　量化投资界人士在谈及机器取代人类基金经理的前景时很淡然，指出完全的人工智能仍很遥远，而人类智慧仍发挥着关键作用。但这些资产管理电脑狂人的自信是确定无疑的。在金融市场，早已经有准人工智能交易策略发挥了奇效，而他们预测，未来是属于这类策略的。

　　“投资界面临的挑战是，人的智力比100年前没有什么长进，人们很难用传统方式在大脑中处理全球经济的所有信息，”Two Sigma联合创始人戴维？西格尔（David Siegel）去年在一次会议上说，“人类投资经理无法打败计算机的时刻最终将会到来。”或者，正如探员史密斯（Smith）在《黑客帝国》（The Matrix）中更简洁地表达的：“绝对不要让人类去干机器的工作。” Two Sigma是一家使用计算机技术的领先对冲基金。

　　机器学习曲线

　　罗殷（音）第一次学习编码是在11岁，是在他父亲1985年去西德出差带回一台二手苹果II型（Apple II）电脑之后。但在他的家乡――黑龙江省伊春市――买不到任何游戏。于是，他自学编程，并制作了一款简单的“坦克世界”游戏。在游戏中，玩家可以击落随机生成的飞机。

　　这是一项艰苦的工作。由于电脑内存不足，每当程序编码变得过于复杂时，电脑就会崩溃。没有软盘，于是他就学会了如何在磁带上存储数据。“我真的只是想捣鼓点什么玩玩，”罗殷回忆说。

　　但这方面的经验带来了回报。如今，他已是华尔街不断增多的、探索计算机科学尖端技术的高智商人士中的一员。罗殷在德意志银行（Deutsche Bank）担任首席“量化分析师”（quantitative analyst，简称quant），他的团队为德银开发了一套人工智能算法，可以自主搜索金融系统寻找投资机会，分析大到不可思议的数据集以发掘可盈利模式并提供给客户。

　　运行这个超级智能的“线性自适应式循环”模型需要一个由20台Linux服务器组成的网络，该模型基于一种被称为AdaBoost的“机器学习”算法。

　　机器学习是人工智能的一个分支，而人工智能本身就是一个经常被误用或误解的发散性术语。虽然很多人认为，人工智能等同于有感知能力的电脑，就像《终结者》（Terminator）系列电影中的大反派“天网”（SkyNet）或者《2001太空漫游》（2001： A Space Odyssey）中的智能电脑哈尔（HAL 9000），但在实践中，谷歌（Google）的语言翻译服务、Netflix的电影推荐引擎或者苹果的Siri虚拟助手等日常工具都使用了基本的人工智能形式。

　　量化分析师一直在利用日益强大的计算机彻底解构数据并发掘出获利机会的统计信号，但机器学习走得更远。从本质上讲，机器学习算法是一个充满活力的“生命体”，它可以扫描大型数据集――如股价、气象模式、盈利电话会议记录、Facebook帖子或者谷歌搜索记录――并在嘈杂中分辨出预测性的信号。

　　伊利诺伊理工学院（Illinois Institute of Technology）金融学助理教授马修？迪克森（Matthew Dixon）将机器学习称为“使混乱最小化的优化机器”。它可以区分香蕉与苹果之间的不同并将它们分类，甚至可以教一台计算机从零开始、迅速掌握如何玩一款《超级马里奥》（Super Mario）之类的游戏。机器学习还可以用于分析“非结构化数据”，如乱七八糟的数字以及计算机通常难以理解的图像和视频。

　　这项技术并不是全新的，但更强大的计算机意味着如今它可以被应用到金融市场。“这是一个非常有前景的领域，”罗殷说，“人工智能可以帮助你找到人类永远发现不了的模式。这可以为你带来巨大优势。”

　　但这不是机器学习的唯一优势。当市场经历业内人士所称的“体制变革”、而之前信赖的策略不再适用时，量化分析师遭遇的经典挑战之一是，他们的模型往往被证明是无用的――或者更糟。今天还赚钱如流水的算法交易策略或许明天就会失灵。

　　交易优势

　　机器学习算法可以自主进化并搜寻新模式，根据当天、当周或当年奏效的市场策略做出调整。

　　这意味着资产经理可以利用它们作为工具（比如筛查人工无法察觉的模式）来改善自己的投资流程，或者甚至让它们自动开发策略和进行交易。

　　对于量化对冲基金Man AHL的基金经理尼克？格兰杰（Nick Granger）而言，这是至关重要的优势。“你会看见它自下而上地创建直觉般的交易策略，并根据有效策略切换风格，”他说，“过去几年，我们一直在成功地利用机器学习，而且有兴趣对其加大投资。”

　　尽管如此，机器学习也存在缺陷。量化分析师的最大挑战之一是一种被称为“过度拟合”（overfitting）的现象：一个过于复杂或编码错误的算法可能在庞杂的数据中发现貌似合理的相关性或错误信号。例如，一篇名为“伪相关性”的博客说，在缅因州，人造黄油的消费量与离婚率密切相关，而尼克？凯奇 （Nick Cage）的电影与泳池溺亡事件的数量相关。

　　即便一个模型在测试中表现很好，在面对真正的市场时也可能崩溃。此外，新数据自身也会受到交易算法的影响，高盛（Goldman Sachs）资产管理部门的量化分析师奥斯曼？阿里（Osman Ali）说，“解构气象数据，不会影响到天气，但进行市场交易时，你会影响到市场。”

　　即便最先进的人工智能交易算法系统也无法像人类一样进行创造性思维，尤其是在危机时刻。美国国家航空航天局（NASA）前计算机科学家、现在供职于贝莱德“科学主动股票投资”部门的布拉德？贝茨 （Brad Betts），将2009年切斯利？萨伦博格（Chesley Sullenberger）驾驶飞机紧急迫降于哈德逊河视为人胜过机器的范例。

　　事实上，一些量化分析师对于机器学习（或者更广泛的人工智能）是否是投资人的“圣杯”仍持怀疑态度。许多人认为它只是一种新的、先进的小玩意儿，可以对他们现有的工具组合起到补充作用;有些人则认为它多半只是一种聪明的营销方式，而非真正革命性的发明。

　　“人们总是渴望在金融市场找到赚钱的新方式，但这些方式并非总是奏效。空话易说，时髦的概念一文不值，”量化对冲基金温顿资本（Winton Capital）负责人戴维？哈丁（David Harding）说。他指出，人的大脑尤其擅长模式识别，“无论是人脸、三角形物体还是爱情。投资管理非常适合借助旨在发现模式的电脑，但我不会急于使用最新的热门算法去做。”

　　未来结合？

　　那么，人类基金经理会像渡渡鸟一样消失吗？那也未必，但未来看起来将更具挑战性。

　　Two Sigma的戴维？西格尔说，由于市场和经济变得更加复杂，资产管理变得更为不易。“50年前，一名基金经理或许能够通晓做好投资所需要的所有知识。以后再也不可能这样了，”他说。

　　他将这看作好事，而非危险。“将来某一天（全球经济）可能变得过于复杂而难以控制，没人能保证其平稳运行。但算法可以帮助我们更好地理解它。人们喜欢谈论机器人将如何毁灭世界，但是我认为机器人将拯救世界。”

　　未来的方向很明确。投资事关信息管理、理性分析和速度。这是机器的强项。但是资产经理将会适应新情况，而非消亡。最有可能的是，未来的投资管理将是人类与人工智能的结合，两种力量同时利用。

　　例如，虽然一台超级计算机如今可以击败国际象棋大师，但二者都可能输给一位拥有一台普通笔记本电脑以及象棋模拟程序的人类棋手。有史以来全球最成功的对冲基金集团之一――文艺复兴科技（Renaissance Technologies）前执行董事罗伯特？弗雷（Robert Frey）认为，类似的组合将成为资产管理的未来。弗雷目前经营着自己的“基金的基金”（FOF），并且在纽约州立大学石溪分校（State University of New York at Stony Brook）教授计量金融学。

　　“我们应该让人脑和电脑分别做各自擅长的事情，”他说，“二者的结合将十分强大。”