人工智能应用投资仍面临不少难题

当前，人工智能和深度学习成为投资界的热词，但不少应用人工智能的量化投资者发现，在实战中应用人工智能还面临不少难题。

罗森伯格投资AI首席策略师迈克·克罗认为，机器很容易识别模型中的特例并从中学习规则，但有些特例非常罕见，难以在短期内复现，机器无从学习。在机器学习领域，这种模式被叫做“过度拟合”。私募巨头元盛集团的创始人大卫·哈丁也表示，找到有效方法来避免过度拟合是机器学习的关键。

英仕曼量化首席投资总监安东尼·莱福德指出，在实践中，一些高级的机器学习系统被证明无效。一个复杂的模型，往往只能用以解释过去的历史交易数据，而不是预测未来。一个有效的模型需要辨别市场上哪些数据是重要的信号，哪些是无用的噪音。研究显示，人工智能目前面临的问题主要在于，一些模型预测过于精确(过度拟合)，以至于短期内难以实现；另外，人工智能的决策并不透明，普通人难以理解机器的操作逻辑。

对于上述问题，一些量化投资者尝试通过对每个量化措施后面的经济或投资行为做出理性解释，希望避免过度拟合。然而，普通人几乎不可能解释一个有着上千变量的系统为何做出该种决策，这也导致了人工智能的决策异常的难以捉摸，人工智能的尚带有一定的实验性质，使得很多资管机构不敢投入大笔资金。

据了解，现有的人工智能仍然离不开人的监管。意大利资产管理机构梅迪奥兰近期部署了一个机器学习系统，利用过去20年所有股票的1500个数据来研究美国股市。项目负责人查理·艾丽斯推出了一个“随机森林回归模型”来避免过度拟合，初期的投资资金高达200亿美元，资金规模不小因而仍然需要有人来监管。

“随机森林系统”的难点在于，投资者不能理解机器做出的某些特定决策。对于投资者来说，一旦系统开始亏钱，就会很快关闭系统，尽管有时系统亏钱只是市场正常波动导致的短期表现。艾丽斯表示，所有的策略或算法最后都会失效，区别在于能被外界理解的策略可以存活较长时间。

也有一些投资者并不在乎人工智能的不透明。杰弗里·塔兰特的门徒基金主要投资对冲基金，旗下有6只基金应用了人工智能策略。不过，门徒基金毕竟属于少数，目前市场中号称应用了人工智能的产品有75只，其中只有25只是真正意义上的应用。

人工智能往往过分着眼于近期的数据。目前人工智能的弊端主要体现在仅仅基于十几年的数据做出决策。高频交易或许可以不需要太多历史数据，但是希望通过人工智能做长期投资的投资者就不免担心：1930年代美国市场大萧条若不能很好被人工智能理解，就可能导致它会犯下同样的错误。

实际上，将人工智能应用的投资并非新鲜事。早在10年前，电脑产生的交易清单就导致了高盛的旗舰量化基金破产。一些青睐主动投资的基金经理对目前时兴的人工智能潮流并不感兴趣。元盛的大卫·哈丁在应用了机器学习在其期货投资中，他成功利用其寻找趋势成为了亿万富翁。但是哈丁认为，机器学习不过是众多观察市场异动统计方法中的一种，所谓的人工智能并不稀奇。而最为致命的是，一个模型如果被证实有效而又流行起来的话，会快就会导致这一模型失效。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。