search
尋找貓咪~QQ 地點 桃園市桃園區 Taoyuan , Taoyuan

人工智慧不會接管華爾街 它做投資仍存三大問題

7月20日消息,華爾街 日報撰文指出,人工智慧不會接管華爾街。雖然AI投資日益紅火,但將AI技術應用於投資還存在三個嚴峻的問題。

10年前,在所使用的演算法胡作非為,導致數十億美元的虧損以及高盛旗艦級量化基金的關閉后,計算機驅動的交易員停止使用演算法。

10年後,人工智慧和機器學習成了自動化投資的兩大熱詞。然而,儘管這些新技術日益紅火,但將AI應用於投資還存在三個嚴峻的問題:它運行得太好,它往往無法理解,它只知道最近的歷史。更糟糕的是,一旦它流行起來,演算法們在市場上相互交鋒,那就會弄巧成拙。

機器學習系統如如今的確非常善於發現模式。但不幸的是,計算機實在太出色了,以至於它們常常會發現那些並不存在的模式。

「過度擬合」問題

Axa IM Rosenberg Equities首席戰略家邁克爾.科洛(Michael Kollo)談到了華盛頓大學研究人員開發的神經網路(以大腦為基本模型的一種AI),該神經網路可通過關聯狼與雪來區分狼的圖片和狗的圖片。

「它能夠輕鬆地鑒別某種頑固的現象,並從中學到一條規律。」他說。用過去35年的市場數據來訓練AI,它可能會形成一條簡單的規律:購買債券。鑒於十年期國債收益率已經從1982年7月的13.7%大幅下降至周一的2.31%,事後來看那是很好的策略——但未來35年,國債收益率不可能再下降那麼多。

在業界中,識別不重複的模式被稱作「過度擬合」——注意到狼的照片中與狼不相關的雪,或者注意到過往股價與未來走勢無關的偶然模式。

對沖基金Winton Group創始人大衛.哈丁(David Harding)表示,尋找方法避免這類假規律是計算機驅動的投資的核心所在。「避免過度擬合是一種心態。」他指出,「它跟避免一廂情願是一樣的道理。」

量化基金Man AHL首席科學家安東尼.萊福德(Anthony Ledford)表示,更先進的機器學習系統有時候也意味著它用處變小。「你的模型越複雜,它就越善於解釋你用於訓練的數據,同時越不善於解釋未來的數據。」他說。模型需要認識到市場的很多走勢是毫無意義的噪音,它需要嘗試辨認出重要的信號,即便它無法解釋過往數據中的一些走勢。

許多的量化投資者都在試圖避免過度擬合,他們堅持認為他們所使用的規則應當有經濟或者行為方面的邏輯依據。如果計算機發現每隔三周堪薩斯州下雨時,在巴黎上市的石油公司股票就出現上漲,那麼押注這在未來會再次發生無異於瞎賭。

難以解釋決策原因

很遺憾,解釋經過了數千次信息輸入的系統作出決策背後的原因,可以說是幾乎不可能的事情——這是一個很重要的問題,美國的國防研究部門甚至在投資展開一個項目來嘗試打造出可自行解釋自己的決定的AI。

該類系統缺乏透明度,意味著再先進的系統,往往也只是試驗品,只能夠投入較少的資金,又或者要安排人手監督系統生成的建議。

查爾斯.艾利斯(Charles Ellis)是典型的例子。去年11月,他加盟都柏林的Mediolanum Asset Management資產管理公司,負責開發機器學習系統。最早投入使用的系統用於提供各個行業的投資建議。艾利斯說,憑藉20年與美國股票相關的1500個變數數據,公司使用名為隨機森林回歸模型的機器學習系統來嘗試避免過度擬合,早期的使用結果頗為理想。該系統僅被用於200億美元投資組合中的一小部分投資,而且最終的投資決策仍然由基金經理來作出。另一個旨在嘗試預測經濟周期的系統目前也頗被看好。

隨機森林法的不足之處在於,難以理解計算機作出特定決策背後的原因。「它有點像是黑盒子,因為你不知道那些信息輸入為什麼會產生那樣的結果。」艾利斯稱。

科洛指出,當這種系統導致虧損的時候,要是沒能搞清楚虧損的原因,那麼它最終難免會被關閉。「所有東西最終都會出錯,每一個演算法都有倒霉的時候。」他說,「那些存活下來的演算法與沒有存活下來的演算法的區別在於,它們所做的事情是能夠解釋清楚的。」

部分投資者並不在乎演算法缺乏透明度的問題。對沖基金投資者ProtégéPartners的傑弗里.塔倫特(Jeffrey Tarrant)表示,該問題「完全沒有困擾到我。」他投資了六支使用AI技術的基金(通常都結合使用不平常的數據來源),這些基金的投資經理都來自不尋常的背景。他估計有75支基金聲稱使用AI技術,但他認為實際上使用AI的只有25支。

僅知道近期歷史

長期利用計算機管理資金的投資者對於當下最新的AI投資熱潮嗤之以鼻。Winton的哈丁嘲諷道,「30年來我們一直在說可以利用計算機管理資金,但卻被人當傻瓜來看。而現在,他們冒出來說你可以利用計算機管理資金。」

他將一種機器學習技術應用於期貨市場價格的移動平均線,這幫助他成為了億萬富翁。他的團隊只是將機器學習視作又一種用於發現市場異常現象的統計技術。

20年前,蘇希爾.瓦德瓦尼(Sushil Wadhwani)在對沖基金Tudor擔任交易系統主管的時候曾使用過機器學習技術。如今,他在藉助機器學習運營自己的自動化基金——但有時候他會忽略那些系統的指示。2008年,他關閉了系統對歐洲債券的分析,因為經過多年的驗證后,他認識到歐元區最好的債券和最差的債券之間的價差並不取決於經濟基本面。隨著銀行系統出現奔潰,他知道這已經不再適用了。

他指出,「機器會很難認識到那一點,除非它知道它應該看看1930年代經濟危機時的情況。」

高頻交易系統在改變交易機制來自行運作上或許有足夠多的案例,但它們不能夠動用過多的資金。如果所部署的新數據集很多都只能夠追溯一二十年,那將機器學習應用於長期投資會很棘手。不知道歷史的計算機註定會重蹈覆轍。



熱門推薦

本文由 yidianzixun 提供 原文連結

寵物協尋 相信 終究能找到回家的路
寫了7763篇文章,獲得2次喜歡
留言回覆
回覆
精彩推薦