技术 | 机器学习对资产管理者意味着什么?

大家好,我是Lucy@FinTech 社区,欢迎大家添加微信janelj78加入社区。

 

一些业内专家认为,机器学习(ML)将扭转被动投资基金日益增多的趋势。不过,尽管ML提供了新的工具,可以帮助活跃投资者超越一些重要金融指数,如S&P500等,但目前尚不清楚它是否会为活跃资产管理公司提供一个可持续的商业模式。今天让我们一起从积极的方面探讨这个问题。

 

ML是人工智能的一种形式,它使强大的算法能够分析大型数据集,以便根据定义的目标进行预测。这些算法并没有精确地遵循人类编码的指令,而是通过反复试验的过程进行自我调整,随着更多数据的输入,产生越来越精确的处理方式。
 

ML特别适用于证券投资,因为它所获得的洞察力可以迅速有效地付诸实施。相比之下,当ML在其他领域产生新的解决方式时,企业必须在将这些见解付诸行动之前克服实质性的限制。例如,当Google开发一款由ML驱动的自动驾驶汽车时,它必须获得一系列利益相关者的批准,然后汽车才能上路。这些利益相关者包括联邦监管机构、汽车保险公司和这些自动驾驶汽车运营的地方政府。投资组合经理不需要获得监管部门的批准,就可以将ML洞察转化为投资决策。

 

在投资管理方面,ML以三种方式增加了安全分析师已经完成的定量工作:

 

ML可以通过发现现有数据集中的新模式来识别潜在性能优越的股票。

 

例如,在过去20年中,标准普尔500指数公司的季度业绩报告中,ML可以对CEO的所有反应的内容和风格进行筛选。通过分析这些与股票表现好坏相关的回忆记录,ML可能会产生适用于当前CEO陈述的见解。这些见解包括估计来自特定公司领导的预测的可信度,以及同一部门或在类似地区运营的公司业绩的相关性。
 

其中一些新技术比传统技术有了重大改进。例如,在估计债券违约的可能性时,分析师通常采用爱德华·奥尔特曼(Edward Altman)和詹姆斯·奥尔森(James Ohlson)教授分别在20世纪60年代和80年代开发的复杂统计模型(特别是Z和O分值)。研究人员发现,ML技术比预测债券违约的模型更准确10%。

 


 

ML可以使新形式的数据可分析。

 

过去,图像和声音等信息的许多格式只有人类才能理解;这些格式本来就很难用作投资经理的计算机输入。经过训练的ML算法现在可以比人类更快更好地识别图像中的元素。例如,通过几乎实时地查看数百万张卫星照片,ML算法可以预测中国农业作物的产量,同时还能预测美国商场的停车场在假日周末的汽车数量。

 

这些另类数据集的新形式已经出现了一个繁荣的市场。分析师可以使用手机上的GPS位置来了解特定零售店的客流量,或者使用销售点数据来预测同一商店的收入与前一时期相比。计算机程序可以收集作为各种应用程序的副产品发送给客户的销售收据,这些应用程序被消费者用作电子邮件系统的附加组件。当分析员大规模地查询这些数据集时,他们可以发现预测公司业绩的有用趋势。


 

ML可以减少人类偏见对投资决策的负面影响。

 

近年来,行为经济学家和认知心理学家对大多数人做出的广泛的非理性决策进行了研究。投资者表现出许多这样的偏见,如损失厌恶(避免损失相对于产生等价收益的偏好)或确认偏差(解释新证据的倾向,以确认预先存在的信念)。

 

ML可用于查询投资组合经理和分析师团队的历史交易记录,以搜索显示这些偏差的模式。然后,个人可以重新检查符合这些无帮助模式的投资决策。为了达到最有效的效果,个人应该使用ML检查投资过程各个层面的偏差,包括证券选择、投资组合构建和交易执行。

 

然而,尽管投资决策有了这些实质性的改进,ML仍有其非常显著的局限性,这严重削弱了它的表面承诺。
 

首先,ML算法本身可能表现出明显的偏差,这些偏差来自于训练过程中使用的数据源或算法的缺陷。虽然ML将减少投资中的人为偏见,但企业将需要数据科学家选择另类数据的正确来源,操纵数据,并将其与公司内部现有的知识相结合,以防止新的偏见从中蔓延。这是一个持续的过程,需要许多传统资产管理公司目前没有的能力。

 

其次,尽管ML可以非常有效地检查来自某个特定领域的大量过去数据,并找到与明确目标相关的新模式,但它并不很好地适应政治政变或自然灾害等罕见情况。如果未来的事件与过去的趋势(如2008年的金融危机)没有密切的联系,ML也无法预测未来的事件。在这种情况下,投资专业人士必须根据自己的直觉和常识,对未来趋势做出判断。

 

最后,ML在大型数据集中识别的许多模式通常只是相关性,无法揭示它们的潜在驱动力,这意味着投资公司仍需要雇用熟练的专业人员来决定这些相关性是信号还是噪声。根据一位大型美国投资经理的ML专家的说法,他的团队花了几天时间评估ML检测到的任何模式是否满足所有四种测试:敏感、预测、一致和加性。

 

即使当ML找到满足所有四个测试的模式时,这些模式并不总是容易转换成盈利的投资决策,这仍然需要专业人士的判断。例如,通过筛选大量的社交媒体,ML或许能够预测——与大多数民调相反——唐纳德·特朗普将在2016年当选总统。然而,根据这一预测作出投资决定将是一个困难的问题。特朗普的当选会导致股市上涨、下跌还是横盘?

 

归根结底,尽管ML可以极大地提高数据分析的质量,但它不能取代人类的判断。为了有效地利用这些新工具,资产管理公司将需要计算机和人类发挥互补作用。因此,企业将不得不在技术和人力方面进行大量投资,尽管其中一些成本将通过削减传统分析师的数量来抵消。


 

不幸的是,大多数其他资产管理公司并没有走上实施ML的道路。根据CFA Institute 2019年的一项调查,目前很少有投资专业人士使用与ML相关的计算机程序。相反,大多数投资组合经理继续依赖Excel电子表格和桌面数据工具。此外,在接受CFA调查的投资组合经理中,只有10%在过去的12个月内使用过ML技术。


 

或许可以预见的是,正是贝莱德(BlackRock)和富达(Fidelity)等最大的资产管理公司引领了这一潮流,培育了与信息供应商、技术提供商和学术专家的关系。但它们不太可能打开与竞争对手之间的巨大差距,因为规模不一定是积极投资的优势。例如,大量交易可能会带来巨大的成本,而公司可能会受到限制,限制其在特定股票中的整体风险敞口。


 

中型资产管理公司也应该能够从中受益,因为它们很可能吸引并留住高质量的数据科学家,他们可能比大型公司看到更多的发展机会。此外,中型企业将能够通过第三方供应商、开放源代码库中的高质量算法以及已经为许多行业提供基于云的服务的技术公司(如亚马逊和谷歌)的先进工具,获得替代数据。


 


 

输家可能是小公司(管理资产不到10亿美元)。他们很可能难以吸引足够的人才,也很难消化开发这项技术的成本,因为主动管理者的费用面临着巨大的下行压力。2018年,主动型股票管理公司的管理费比2008年低了大约20%,部分原因是被动型基金变得很便宜。资产管理公司也面临着监管压力,他们需要自己支付现金用于外部证券研究,而不是通过向优秀的研究公司分配经纪佣金来支付“隐性价格”。因此,对资产管理行业来说,ML所需的投资通常是在一个困难的时期,而这对小公司来说尤其具有挑战性。

 

更重要的是,目前还不清楚对ML的大量投资是否真的会为活跃的资产管理公司带来一个长期可持续的商业模式。如果ML为一家投资公司产生了独特的alpha,那么该公司就不能长期坐视不理,因为其他公司可能会模仿其投资方法。如果其他资产管理公司从类似的ML技术中获得类似的见解,他们将同时买入或卖出相同的证券,这可能会抵消这些见解可能产生的任何收益。这种情况已经发生过很多次了。例如,在2007年的三天多时间里,几家大型对冲基金利用基于相同因素的量化模型,同时平仓,因此蒙受了巨大损失。

 

综上所述,ML最初可能被视为积极投资的救星。它肯定有潜力让早期采用者找到新的alpha来源,并超越指数。然而,如果其他管理者在开发ML功能时复制了ML的结果,那么要找到表现优于基准的上市股票和债券可能会变得更加困难。随着时间的推移,主动投资是否会随着ML的增加而提高证券定价的效率,从而加强目前向被动投资的转变?如果是这样,实施ML的成本将由活跃的管理者承担,但大部分收益将以搭便车的形式流向指数基金。但是这些问题不该是阻止ML在金融领域实践的枷锁,我们不能因为一个新事物的部分优点或缺点就全盘接受或摒弃,相反的,我们在充分利用其所带来的益处的同时通过不断提出新的问题并解决的方式来消除其可能带来的消极因素。ML在资产管理的应用还在探索阶段还有很广阔的前景,他所带来的新的问题需要更多的探索,也正是这种探索才造就的金融产业的生生不息。
 

Fintech 社区组建了“机器学习”交流群

欢迎机器学习相关小伙们加入! 

那么如何加入呢? 

请转发文章后,扫描下方二维码,

发送转发截图,备注: “机器学习”即可进群!