技术 | 不能再忽视的机器学习!

机器学习作为对冲基金行业的明星,备受关注。今天这篇文章将和大家讨论:机器学习在对冲基金投资市场中的应用有多广泛,它已经产生了多大的影响?

低价买入,高价卖出。这是任何一种投资的基本目标,但在金融市场上的运作远比这复杂得多,而且涉及大量的波动。与对冲基金和数十亿美元投资组合打交道的大公司,在分析市场趋势和制定能为客户带来可靠回报的战略时,总是在寻找保持领先地位的新方法。

这正是机器学习在金融交易领域引起如此多关注和投资的原因。近年来,包括摩根大通(JPMorgan)和摩根士丹利(Morgan Stanley)在内的公司卷入了一场高科技军备竞赛,投入数十亿美元将机器学习平台纳入其基础设施,并将开发人员和研究人员招聘到专门的数据科学股票团队中。

机器学习在对冲基金投资市场中的应用有多广泛,它已经产生了多大的影响?

投资是数据金矿

机器学习建立在高质量、大容量数据的坚实基础上。 金融业已经全面利用了它,并看到了不同类型基金和专业交易员的演变。quant基金是一种投资基金,通过定量分析,通过专业交易员(通常称为“quant”)自己构建复杂的软件模型,选择特定证券。高频交易的应用通常是用C++编写的,而离线模型可以利用MATLAB和SAS编写。

Quant基金已经成为金融市场中重要的投资策略渠道,据一些估计,在2017年,Quant基金经理负责27%的美国股票交易。

大银行正在走的更远

机器学习和人工智能开发已经成为大型金融机构寻找更有效、更具前瞻性的数据流开发方式的下一个合乎逻辑的步骤。这些技术的目标是允许对冲基金经理根据历史数据寻找交易信号,尽可能减少人为干预。

这是一个很有吸引力的概念,对冲基金经理很快就采用了这项技术,以帮助自己的交易过程和投资组合多样化。巴克莱对冲(BarclayHedge)2018年的一项调查发现,超过三分之二的受访者表示,他们在某种程度上使用AI/ML来告知投资决策和优化投资组合,而超过四分之一的受访者使用这些技术实现了交易的自动化。

摩根大通和摩根士丹利一直是上述人工智能军备竞赛的行业领导者,但其他几家机构也在向竞技场投入资本。Bridgewater Associates就是这样一家对冲基金巨头,它正专注于自己的机器学习基础设施,以及东京的单一资产管理(Simplex Asset Management),这代表了亚洲市场对此也有着浓厚的兴趣。

该领域最新的发展是摩根大通投资于老牌和新兴机器学习统计套利对冲基金的策略。这不仅意味着一项确保自身机器学习基础设施安全的计划,也预示着金融市场这一新兴领域的探索和早期投资时机已经成熟。

起跑不稳

尽管对冲基金管理层对机器学习的采用相对热情,但它的后续推进并不是完全的一帆风顺。这些机器学习方法所制定的策略的总体回报率并不高,例如Man AHL Dimension基金在三年内的年化回报率为1.1%,而对冲基金的平均回报率几乎为5%。

机器学习融入对冲基金交易,就像融入任何行业一样,需要时间、金钱和高度专业化的专业知识。这种专业知识在各个行业都有很高的需求,这使得组建足够的团队来推动适当的机器学习开发的可靠性难以保证。 例如,Man Group的一个量化单位Man AHL需要三年的工作来获得对其机器学习技术的足够信任,以便最终将客户资金投入其中。

总是期待意外

机器学习和对冲基金投资的配对仍然让人感到很大的恐慌。为了成功地训练机器学习模型,开发人员必须掌握一定程度的信息,对数据流进行仔细审查,并将其缩减为最集中、最相关的形式。然而,金融市场可能会受到突发、不可预测的事件和披露的严重影响,因此,任何被纳入对冲基金的机器学习模型,不应该获得尽可能多的历史投资市场数据吗?

不幸的是,这样做为这些模型寻找模式打开了大门,这些模式对于那些需要更集中预测参数的对冲基金经理来说,最终毫无意义。当然,算法在处理随机恐怖袭击等爆炸性事件和英国脱欧等政治事件时仍然存在困难。

问责是关键

由于机器学习算法和人工智能程序的开发和功能的“黑箱”特性,它们经常因缺乏透明度而受到抨击。在金融交易的世界里,数十亿美元的资金的盈亏必须被计算在内,任何重大的失误和损失都需要一条直接且容易追踪的罪责之路。

伦敦正在审理首个有关人工智能平台在不良金融投资中的责任的法律案件。香港房地产巨头Samathur Li Kin-kan起诉Tyndaris投资公司的首席执行官兼创始人Raffaele Costa,后者使用了一台名为K1的超级计算机在机器人对冲基金中。李同意让电脑的人工智能管理25亿美元的投资,但它开始遭受重大损失,其中最糟糕的一天,2000万美元的投资组合被抹去。

如此引人注目的涉及人工智能责任的案件迟早会发生。有必要回顾一下机器学习与各个工业部门的融合,我们需要把它的发展看作是对现有技能的补充,而不是完全取代现有技能。对冲基金经理应该将机器学习工具视为一个强大的工具,而不是一个伟大投资的魔杖,它必须根据市场的限制来塑造。