“这是一场人类在情感上有待适应的围棋比赛。”
AlphaGo四比一战胜了33岁的围棋大师李世石。同样是围棋大师的金成龙（Kim Sung-ryong）会觉得幸运，他做了李世石（Lee Se-dol’s）对弈AlphaGo的首局解说。AlphaGo是去年被谷歌（Google）花费4亿美元收购的DeepMind公司开发的一款人工智能（AI）程序。
AlphaGo没有在所有比赛中击败金（Kim），也没有与中国头号棋手的柯洁对弈过， 然而，AlphaGo却显示出它至少与最好的围棋棋手处于同一水平，甚至可能超过他们。
从某种意义上来讲，这并不令人惊讶。从车轮的杠杆原理到算盘再到电脑，人类不断发明出在执行具体任务方面优于人类自身的工具。
然而，如果是股票投资，会怎么样？电脑不久就会优于人类了吗？
以电脑为基础的股票投资在亚洲来说是新事物，但在西方已经实践多年。其结果并不单纯：研究公司Prequin注意到，9%的对冲基金采用量化投资策略，然而，平均而言，量化基金的业绩稍逊于人类管理的基金。（这些只是平均业绩；部分“宽客”基金的业绩特别出色。）
以思考取胜 而非以工作量取胜
然而，AlphaGo的人工智能（AI）程序似乎不一样。当IBM的超级电脑深蓝（Deep Blue）于1997年战胜了棋手加里·卡斯帕罗夫（Garry Kasparov）时，深蓝（Deep Blue）使用了计算力以提前分析每个排列组合变化。目前，这在围棋上是不可能实现的。AlphaGo的设计师Demis Hassabi注意到，围棋具有比宇宙中的原子数量更多的排列组合变化。
AlphaGo无法通过粗暴的计算力来取胜，因此，它研究成功的人类围棋棋手，直到在超过60%的时间里能够对这些棋手的出招进行预测，接着，它会与自己进行改进版的对弈，从而使自己变得更强。这在股票市场上也可行吗？
可能吧。
让我们先退一步，来看量化投资这一神秘世界。
在最简单的层面上，量化模型在设法做人类投资头脑必须做的相同的事：应用过滤方法把成千上万的可获得的投资对象减少至实际购买的小量目标。量化模型仅根据量化标准就可完成此事。我们列出了一些通用的策略，如下：
基于规则的策略：基本要素
机械化投资就像量化投资的单纯的弟弟一样。机械化投资在投资时喜欢遵循数值规则。例如，在一个机械化策略中，可能会持有与这些条件形成最佳匹配的20只股票：市盈率 < 20，股本回报率 > 10%，去年销售增长率 > 5%等等，可能每月能够再平衡。目标是通过购买股票筛选器显示出来的股票而防止受人类情绪的影响。
指数基金和交易所交易基金（ETFs）也是基于规则的策略的变化；它们可持有一国或一个行业的最大的100家公司、最高的股息支付公司或其他一些容易设定标准的公司的股票。
套利、均值回归以及因子模型
当若干年前我在对冲基金行业工作时，通常的惯例是利用国际共同基金及其持有股票（在不同的时区交易）之间的时间和定价差异来操作。这从理论上为那些了解适当渠道的投资者获得无风险利润提供了进行这些交易的机会（”套利“）。我不想深入谈更多细节，因为交易渠道不再可用，然而，套利投资者仍积极寻找可利用的短期定价的”无效率“来操作。
有个更广范畴的概念，称为统计套利，或“stat arb”，可能会像这样起作用：一名投资者可卖空在前一天涨幅最高的10只股，用卖得的钱购买入跌幅最大的10只股。投资者每日进行调整。该策略以均值回归为基础 ，即 市场过度向上或向下的想法。顺便说一句，该策略被认为是“市场中性”的想法，是指无论整个股票市场处于上涨还是下跌状态，该策略均能成功执行。
如果您曾经遵循诀窍进行操作，就一定会了解因子模型。因子模型确定了若干因子 —- 可能是与市盈率或市值一样简单的可度量的变量 —- 模型设计者认为在与其他因素（基于对每个因子赋予不同权重的秘密公式）结合在一起的情况下有利可图的。
所有宽客投资均高度保密。宽客策略需花费时间来寻找和测试，经常仅对一名参与者有充分的交易流动性。宽客投资者很少给出他/她的策略详情。在很多大型基金中，开发策略的博士从来没有被告知其策略是否成功。
人工智能（AI）
无法得知所有人工智能（AI）基金策略的行动，但很多人工智能（AI）基金当前都围绕着“机器学习”：使用社交媒体和新闻稿中发现的词汇，以迅速形成对重要经济事件的看法。例如，人人都知道专业评论家和普通常看电影的人很早就在网上对电影做出评论，远早于该电影的财务影响被记入电影公司的利润。然而，人工智能（AI）宽客模型可设法教会自己如何基于对所有互联网信息的即刻扫描而形成看法，这样，该基金就能在人类管理的基金经理读到新闻并进行其交易之前做交易。在这个例子中，人类经理设法通过跑赢经济报告而获得利润，而人工智能（AI）基金则设法通过跑赢人类基金经理来获得利润。
AlphaGo的开发者很可能享受高薪，科学进步也给其带来兴奋的激励。但如果宽客基金向这些开发者提供多达谷歌（Google）10倍、20倍、甚至50倍的薪水，将会发生什么？如果他们，或者类似他们的其他人工智能（AI）研究者也转向金融行业，他们能通过摹拟成功的投资者做出击败市场平均水平的人工智能（AI）投资模型吗？或者做得简直出色极了？
我不知道。人工智能（AI）可有助于获得小额的短期利润 —- 这要求最优化较小范围内明确的参数 —- 然而，预测长期经济状况要困难得多，这要求像分析公司管理团队这样的软技能。至少现在，这比赢得围棋比赛微妙得多。
量化投资的主要好处
在我看来，在最好的情况下，只有当人类因为认知或情绪弱点而未能遵循自身的策略时，当前的宽客模型才会有助于人类投资。这实际上有很大的好处：根据学术研究，因情绪问题而产生错误以及冲动交易是投资者在股票投资方面表现糟糕的主要原因。
长期股票收益与公司的长期经济基本面相联系。对于围棋比赛中的人工智能（AI）占优势的情况，它需要以不可预测的方式来学习预测基本面。原因很清楚：一旦一名成功的宽客策略变得可被其他市场参与者预测了，其模式将使设计产生逆转并被击败。您如何能够设计一个可预计击败市场、但自身却无法被预测的模型？到目前为止，甚至人工智能（AI）都无法足够机智来回答这样的问题。
来自：腾讯证券研究院
更多阅读：
