對于量化投資者來說，自由決策性投資是*主觀的——充滿了確認偏差、可得性偏差，基本比率謬誤等等。另一方面，對于這類投資者而言，量化投資太過“天真”——看一個公司不能只看市凈率和投資回報率。
這兩類投資者所在的世界截然不同，讓人覺得永遠不會有交集。
但人工智能在投資領(lǐng)域表現(xiàn)出的潛力卻恰恰有關(guān)兩個世界的相遇。
機器學習的*進展已經(jīng)為兩種投資理念的結(jié)合創(chuàng)造了令人興奮的可能性。如今，量化投資者在影響投資收益的基本面因子之間找到了更復(fù)雜和非線性的關(guān)系，越來越可能在處理復(fù)雜財務(wù)報表的過程中找到比價值、動量和增長等傳統(tǒng)因子更“精細”的因子。例如，一個人工智能系統(tǒng)可能會發(fā)現(xiàn)財務(wù)杠桿、利率、營業(yè)利潤率和破產(chǎn)概率之間復(fù)雜但可預(yù)測的關(guān)系。
另一方面，得益于人工智能的發(fā)展，自由決策性投資者現(xiàn)在可以找到并量化以前被*其主觀評估的一些因子。通過社交媒體監(jiān)測，他們可以衡量公眾對品牌的看法。他們可以使用停車場的每日航拍照片來計算訪問零售店的實際客戶數(shù)量。他們還可以通過職場點評網(wǎng)站上的評論了解員工士氣——將以上這些因素納入他們的投資過程中，可以帶來顯著的alpha收益。
然而，有一個被完全忽視的方面可能更令人興奮。我們現(xiàn)在有可能制造出一個真人投資經(jīng)理的復(fù)制品，一個會通過實例學習并建立自己投資風格的機器：可以追蹤市場動量，堅持傳統(tǒng)價值觀念，或以合理的價格買漲。
那么，我們如何去搭建這樣一個系統(tǒng)？
大多數(shù)系統(tǒng)投資策略是以于均值—方差模型為基礎(chǔ)的。而我們想要的是一個可以預(yù)測投資經(jīng)理在給定一組特定數(shù)據(jù)時會做什么的系統(tǒng)，并且這樣的特定數(shù)據(jù)對于做出*的收益預(yù)測來說幾乎是永遠不充足的——這個區(qū)別*不起眼，但至關(guān)重要。此外，這樣的系統(tǒng)存在一個重要的“副作用”是，要允許它說“我不知道現(xiàn)在該怎么做”。一旦停止嘗試預(yù)測收益而改為預(yù)測投資決策，我們就可以使用任意有限的信息了。
影響投資決策的因素有兩大類。 *類是從財務(wù)報表、市場數(shù)據(jù)等來源中得出的量化因子。第二類則包括關(guān)于公司治理的主觀判斷、潛在的市場規(guī)模、選股等場景中的可干擾性，等等。投資經(jīng)理可以根據(jù)風格選取這兩個類別中的各種因素，設(shè)置不同的權(quán)重。他們有時甚至不清楚自己下意識地給每個因素分配了多少權(quán)重。實際上，這些權(quán)重可能根本不是線性的，而是一個由“是或否”的決策點組成的矩陣。
在現(xiàn)代人工智能系統(tǒng)的輪廓中，我們可以將所有這些因素納入決策過程。這樣一個系統(tǒng)的架構(gòu)如下：
由此可以得出兩個關(guān)鍵的觀察結(jié)果。首先，我們嘗試對投資決策建模，而不是針對風險或收益。其次，我們將主觀輸入與量化輸入設(shè)置為具有明確差別的因素。然而，這些主觀輸入本質(zhì)上仍然是定量的。例如，我們可以將公司治理的評級設(shè)定為1到5。類似這樣的衡量標準還是由人為判斷來決定的。
這種模型架構(gòu)有助于機構(gòu)更快地開始建立一個系統(tǒng)，而不是加快收益建模的速度，雖然后者需要的也只有定量輸入。更重要的是，隨著時間的推移，如此建立的系統(tǒng)可以反映出投資經(jīng)理的風格。
這種架構(gòu)中存在無限的參數(shù)，或者說底層模型使用的輸入信息中包含的因子。投資團隊要具備能提供強有力的主觀評估的能力。
世界上沒有兩個相同的投資經(jīng)理，也不可能出現(xiàn)兩個完全相同的由AI驅(qū)動的系統(tǒng)。 通過預(yù)測投資決策而非預(yù)測收益率，同時將團隊的主觀評估納入決策過程，我們確保能獲得不同的、獨特的投資“機器”——這是各地金融市場保持活力和穩(wěn)健發(fā)展的先決條件。
