人工智慧如何應用到量化投資？

隨著科技的發展，人工智慧已經逐步的應用到我們生活的各個方面。大家應該還記得AlphaGo打敗韓國圍棋選手李世石的新聞。在2017年AlphaGoZero更是在無人工輸入指令，僅通過自我學習的方式打敗了曾經名聲大噪的AlphaGo,不難看出人工智慧的發展速度是相當快的。那麼人工智慧對於量化投資來說又能帶來哪些影響呢？

目前人工智慧雖然與量化投資的結合尚在初期階段，但是二者正在逐步緊密聯繫。人工智慧在量化投資領域可以有很多應用的地方。例如，近期的研究者發現A股市場中的反轉因子在最近的十幾年內表現出單調性，因此以現行模型為主的量化多因子體系的有效性會相對較高。但是盈利因子中體現出的非單調性按照傳統框架就很難被納入。人工智慧機器學習沒有線性約束，所以可以幫助投資者很好的解決這方面的問題。

我們都知道量化投資一般是研究歷史數據中的某個因子的表現。雖然我們會採用多因子來多統計指標，但是在時間序列層面上來說，歷史數據只會展開一次。這迫使模型不得不表現相對固化和靜態化，簡單而言就是沒有延展性。

在2016年反轉因子非常有效，但是由於持續回撤的出現2016年6月左右開始出現反轉因子失效的狀況，並且反轉因子模型很難對這種情況做出適應。這個例子體現出了傳統量化投資方式的靜態局限性。

人工智慧在這方便就表現的非常有優勢。人工智慧可以通過機器學習打破模型的靜態化和固化。並可以通過市場的信息和不斷學習實現參數和因子的調整。這樣就可以適應投資者結構改變或者監管環境發生變化而引發的市場結構的變化。

紀律性是量化投資區別於傳統投資的最明顯特點，量化投資的紀律性能夠降低投資者主觀判斷對投資造成的影響。量化投資理念的基礎就是相信市場歷史規律的可持續性，所以就本身量化模型因子的選擇和歷史回溯判斷而言就是帶有一定程度的主觀特性。但是我們也知道，當市場特徵發生改變，這種摻有主觀判斷的投資方式往往會因為其嚴謹的紀律性而失敗。

人工智慧有著超級強的學習能力，可以根據市場形勢快速的對行情做出反應，且能夠較快的適應市場。這樣就可以幫助量化投資解決只有在遇到大幅度回撤之後，才開始調整和完善模型的尷尬。

但事物均有兩面性，雖然人工智慧可以在各個方面幫助我們進行投資。但是相對於傳統的量化模型來說，人工智慧模型的投資邏輯性更弱。一旦人工智慧機器學習模型進入實際操作，那麼如果沒有投資邏輯的人工智慧模型遇到了問題，那麼模型的開發者又該如何去處理呢？這些問題都有待專業的開發人員去解決。

GIF

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！