人工智慧對資產管理的顛覆——人工智慧夯實資產管理基礎

最新 06-27

全球EMBA俱樂

線上分享，線下圈子！

關注

3446 字 | 5 分鐘閱讀

金融機構實現價值的基礎在於資產管理

對金融機構的客戶而言，金融機構的價值在於金融機構可以為客戶提供一系列的金融產品，以幫助客戶借貸資產或為已有資產進行保值或增值。因此，金融機構的價值鏈中最重要的是資產（包括貨幣、固定資產、經營性資產等），金融機構能否實現其價值的基礎便在於管理這些資產。

中國的資產管理市場規模是巨大的。根據BCG預測，到2020年，中國泛資產管理市場管理資產總額預計達到174萬億元人民幣，2015至2020年均複合增長率可達13%。但傳統的資產管理方法和技術還存在一定的缺陷，導致資產管理的效率還有較大的提升空間，並且隨著資產管理市場規模的不斷擴大，資產管理的方法和技術也亟待改善。

而人工智慧作為這一時代的顛覆性技術，便是改善資產管理方法和技術、提升資產管理效率的一大利器，尤其對量化交易和證券研究兩方面有深刻影響。

人工智慧完善量化交易體系

量化交易從很早開始就運用機器進行輔助工作，但分析師僅僅把機器當作一個運算器來使用。量化交易分析師們對財務、交易數據進行建模，分析其中顯著特徵，利用回歸分析等傳統機器學習演算法預測交易策略。

這種方式有兩個主要弊端：一是數據不夠豐富，僅限於交易數據；更重要的是它受限於特徵的選取與組合（FeatureEngineering），模型的好壞取決於分析員對數據的敏感程度。直到近些年機器學習的崛起，數據可以快速海量地進行分析、擬合、預測，人們逐漸把人工智慧與量化交易聯繫得愈發緊密，甚至可以說人工智慧的三個核心領域（機器學習，自然語言處理，知識圖譜）貫穿量化交易的始終。

1.解決海量數據計算瓶頸

用機器學習解決海量組合空間與計算機處理能力之間的瓶頸。

以A股的證券標的數量3000左右為例，理論上可以構建的投資組合數量大約是10^500（將所有可能的股票種類排列組合）左右，這超出了目前計算機的處理能力。區別於傳統的人工選擇方式，機器學習是將全部可能的投資組合都進行逐一計算，每天全部可能的投資組合的數量級一般在10^33（每一個組合股票數限制在5-50之間），證券投資人工智慧系統就從這10^33的投資組合中，按照一定的演算法進行篩選，最終選出滿足一定收益和風險指標的投資組合呈現給客戶。

對於機器學習系統來說，10^33的投資組合仍然是一個天文數字，不可能依靠遍曆法來學習和比較每一個投資組合以從中選擇。近日受到廣泛關注的人工智慧圍棋系統AlphaGo是從大約10^180個可能局面中尋找走棋方案的，其使用了蒙特卡羅搜索樹技術來顯著減少了系統的計算量，在不大幅度犧牲解的質量的前提下，提高了搜索效率。基於機器學習的投資策略使用的也是類似蒙特卡洛搜索樹來減少搜索空間，選擇優質的投資組合。使用了深度卷積網路訓練出來的價值網路極大地提高了之前單純依靠蒙特卡洛搜索樹來做判斷的精度，因此可以在較短時間內為用戶提供大量優質投資組合。

圖：人工智慧系統模型

（來源：《證券投資人工智慧》）

2.實現數據實時更新

人工智慧投資系統能夠接近實時動態更新市場信息。

在擇時交易方面，不同於AlphaGo的離線人工學習系統，證券投資人工智慧系統使用的是在線的機器學習系統，其知識庫每十分鐘更新一次，因此該系統所提供的交易策略與投資組合方案都是根據上個十分鐘內市場行為及證券價格信息所產生的。

智能交易系統的用戶無論在任何時間從移動終端設備接入其機器人投資顧問，所獲得的都是最新產生的投資策略，用戶在確認之後，將由系統的交易執行模塊即時下單，以確保交易的時效性。

3.突破分析員主觀局限

人工智慧對於證券投資而言，是投資方法論的變革。人工智慧系統採集金融市場以及宏觀、微觀經濟數據等作為系統輸入，同時採集的數據還有證券投資市場中流通交易的所有證券的歷史價格，在機器學習系統中採用基於深度神經網路的深度學習以及蒙特卡洛搜索樹以理解市場運行的規律，在決策系統中形成有效投資組合，由交易執行系統完成交易，然後轉向風險監測系統進行監測，並在獲得收益/損失後對交易進行業績評估並反饋機器學習系統。

圖：「人工智慧+證券投資」模型

（來源：《證券投資人工智慧》）

RebellionResearch是一家運用機器學習進行全球權益投資的量化資產管理公司。Rebellion Research在2007年推出了第一個純人工智慧投資基金。該公司的交易系統是基於貝葉斯機器學習，結合預測演算法，響應新的信息和歷史經驗從而不斷演化，利用人工智慧預測股票的波動及其相互關係來創建一個平衡的投資組合風險和預期回報，利用機器的嚴謹超越人類情感的陷阱，有效地通過自學習完成全球44個國家在股票、債券、大宗商品和外匯上的交易。

圖：Rebellion Research官網

人工智慧可提升證券研究準確率

1.突破數字局限

當量化交易分析師發現數字推測模型的局限性後，開始考慮引入新聞，政策，社交網路中的豐富文本並運用自然語言處理技術分析，將非結構化數據結構化處理，並從中探尋影響市場變動的線索。通過爬取個人及企業在其主頁、社交媒體等地方的數據，一來可以判斷企業或其產品在社會中的影響力，比如：觀測App下載量，微博中提及產品的次數，在知乎上對其產品的評價。

率先使用自然語言處理技術的人工智慧對沖基金是今年6月份在倫敦新設的對沖基金CommEq。CommEq的投資方法結合了定量模型與自然語言處理（NLP），使計算機能夠如人類一樣通過推斷和邏輯演繹理解不完整和非結構化的信息。除此之外，也有採用自然語言處理技術的金融科技公司，如由李嘉誠與塔塔通訊投資的Sentient Technologies運用自然語言處理，深度學習(DeepLearning)等多種AI技術，進行量化交易模型的建立。

2.減少預測干擾

機器學習與自然語言處理的技術經常會在一些意外發生的時候預測失敗，例如：911、熔斷機制和賣空禁令等等。

人工智慧系統沒有遇到過這些情況，無法從歷史數據中學習到相關模式，這時候如果讓人工智慧管理資產，就會有很大的風險。此外，機器學習擅長發現數據間的相關性而非因果性，這時候就需要專家設置的知識庫（規則）建立知識圖譜來避免這種虛假相關性的發生。

知識圖譜本質上是語義網路，是一種基於圖的數據結構。根據專家設計的規則與不同種類的實體連接所組成的關係網路。知識圖譜提供了從「關係」的角度去分析問題的能力。就金融領域來說，規則可以是專家對行業的理解，投資的邏輯，風控的把握，關係可以是企業的上下游、合作、競爭對手、子母公司、投資、對標等關係，可以是高管與企業間的任職等關係，也可以是行業間的邏輯關係，實體則是投資機構、投資人、企業等等，把他們知識圖譜表示出來，從而進行更深入的知識推理。以投資關係為例，知識圖譜可以將整個股權沿革串起來，方便地展示出哪些PE 機構在哪一年進入，進入的價格是多少，是否有對賭條款，這些信息不僅可以判斷該機構進入當時的估值，公司未來的發展情況，還可以看清PE 機構的投資偏好，投資邏輯是如何變更發展的。

不過，知識圖譜在工業界還沒有形成大規模的應用。即便有部分企業試圖往這個方向發展，但很多仍處於調研階段。這其中的難點在於如何與特定領域機構建立起一套合作方式，如何將合作變成一種可輕易編程的界面，讓該領域專家可以通過系統以一種非常簡單的方式進行行業邏輯的建模，而他的邏輯可以通過系統實時得到驗證，使其進一步更新，只有通過專家與機器反反覆復的迭代，形成閉環，才會服務好用戶。

1.Kensho

Kensho是一家致力於量化投資大眾化的人工智慧公司。旗下有一款產品Warren被稱之為金融投資領域的「問答助手Siri」。Kensho結合自然語言搜索，圖形化用戶界面和雲計算，將發生事件關聯金融市場，提供研究輔助，智能回答覆雜金融投資問題，從而加速交易時間，減少成本，用動態數據與實時信息，及時反映市場動態。

圖：Kensho官網

2.Garlik

公司2005年成立於英國，核心成員來自南安普頓大學（University of Southampton，是語義網的核心研究機構之一），主要業務是在線個人信息監控。Garlik收集網路和社交媒體上的個人信息，當發生個人信息盜竊時會及時報警。Garlik總計融資2469千萬美金後被美國的三大個人信用記錄公司之一Experian收購，其技術被用於個人信用記錄、信用盜竊的分析。Garlik的核心技術之一是大規模語義資料庫，前後開源發布了3store,4store,5store等高性能資料庫。

3.Dataminr

Dataminr是家基於Twitter及其他公開信息的實時風險情報分析公司，致力於從數據爆炸的社交網路提取精簡且價值的風險情報與挖掘關鍵信息，如輿情熱點、金融相關的非交易信息、公共機構安全預警、企業安全等，並直接向客戶推送。除此之外，Dataminr還加入早期預警系統，並實時推送警報。