艾亿新融资本张家林｜人工智能在证券市场的两种基本视角

摘要

构建在 “有界最优化”理论 基础上的 人工智能 （AI）技术发展十分迅速，我们可以预见在人类的经济活动中，将会有越来越多的人工智能辅助人类、甚至替代人类对 生产、消费和投资 进行决策。

“ 经济人”是现代经济学的基本假设之一，它是对人“理性”的高度抽象简化。 尽管这种抽象简化使它不断受到反对或批评，但它仍然是现代经济学最广泛接受的、进行经济分析的逻辑起点。

运用现代经济学理论分析框架来分析人工智能机器（机器人）的经济行为和现象，构建一个“机器经济人”的分析视角也就非常必要和自然，很多学者已经开始研究人工智能经济学。实际上， 证券市场中已经有大量的”机器经济人”参与或制定决策， 相比其他领域，研究这方面的问题就显得非常紧迫和必要。

本文通过考察 经济人 和 机器经济人 在证券市场微观结构中的学习理论、机制和模型，分析造成机器经济人与经济人行为差异的逻辑和根源。目的是建立一个初步的分析框架，让人们更好的从经济学视角初步理解人工智能，促进证券市场人工智能行业的健康发展。

经济人（Homo Economicus）与机器经济人（Machina Economicus）

现代经济学在分析人类经济行为和现象时，构建了一个理论分析框架，它主要由三个部分组成： 视角 、 参照系 和 分析工具 。经济学研究问题一般都有个从实际出发看问题的角度或“视角”，用于指导研究者避开细枝末节，把注意力引向关键的、核心的问题。

“经济人”就是现代经济学的一个基本视角 ： 以经济人偏好作为基本假设，而把经济学的分析聚焦在各种机制（价格、机理、制度等）对经济人行为的影响，并以均衡、效率等测度作为分析的着眼点，输出对各种机制进行调整和改变的评估比较或制度安排。 以这种视角分析问题不仅具有方法的一致性，且常常表面上会得出出人意料，实际上却合乎情理逻辑的结论。因此，尽管“经济人”假设自亚当·斯密提出以来，一直不断的遭到反对和质疑，但直到今天，它依然是现代经济学的基本假设之一，也是很多经济分析的逻辑起点和入口。

“机器经济人”是运用现代经济学理论分析框架，研究人工智能机器的经济行为和现象，而构建的一个新的分析视角。 它与“经济人”相对应，是对人工智能机器的抽象。由于目前人工智能运行的载体主要是在人造的机器上，因此，用“机器经济人”来代替人工智能机器经济人这个比较冗长的名字就比较简便。

由于人工智能机器开发者的不同设计思想、使用的算法、体系等迥异，就如同人与人之间存在的诸多差异一样，人工智能机器之间也会存在非常的不同，但它们的 共同点 都是 按照“有界最优化”理论构造的“有限理性” 。在经济学中，“经济人”是一种“完全理性”：基于可获取的信息，具备始终最大化其期望效用的能力。相比“经济人”假设，“机器经济人”是一种“有界最优化”理性： 基于可获得信息和已知计算资源，具备最大化其期望效用的能力。

笔者认为构建“机器经济人”的研究视角是非常必要的，特 别是进行经济金融方面的分析 ，需要抛开人工智能技术方面的很多细节、算法，而 将关注点转移到其对制度、均衡、效率、福利等经济金融领域关心的问题上来 ，这样评估的结论才是拟定经济金融政策的基础。

“经济人”的研究已经有相当长的时间，积累了丰富的研究成果和应用实例。“机器经济人”，或更一般的，人工智能经济学的研究还处于早期探索阶段。但笔者认为 可以先“套用”已经非常成熟的“经济人”研究分析框架来研究“机器经济人”，并以此为基准再拓展这方面的深入研究。

相比科技和实业领域对人工智能技术研究的巨大热情和巨额投资，经济金融领域对人工智能的研究就显得非常冷清。笔者认为， 一方面人工智能技术应用还没有广泛的普及和深入到经济活动中，还没有对经济引起足够的影响，也还没有产生需要足够重视的新的经济现象 。因此，还没有引起经济学家们的广泛关注。

另一方面， 人工智能技术在许多细分行业都有了实际的应用，特别是在证券市场，越来越多的交易都是由机器直接或间接决策完成的 。考虑到证券市场对整个经济金融的重要性，无论是行业参与者、还是监管层，也迫切需要研究分析这些“机器经济人”的行为对证券市场的影响，以便拟定相应的发展规划、监管政策。因此，对于“机器经济人”的研究，就存在两个极端的观点：一些人认为“为时尚早”，一些人认为“迫在眉睫”。

证券市场中的“机器经济人”研究为什么“迫在眉睫”

证券市场的逐利特性，驱使人们利用最先进的科技进行投资分析与交易 。人工智能的巨大潜力，使其应用到证券市场的速度、规模大大超过其他行业（仅次于军工、国防行业）。证券市场对于整个经济的影响是非常巨大的。

相比无人驾驶汽车、医疗人工智能等相对比较“硬”的应用，人工智能在证券市场能很快的部署并发挥作用。在 程序化交易 、 量化交易 等自动化交易技术早已普及的证券投资领域，向人工智能的升级有很好的基础。事实上， 目前在美国的交易所交易量的大约70%左右都是由机器直接或间接决策完成的 。这些机器的智能，可以预见将会很快得到升级。

目前，所有的大型投资机构都在投资人工智能技术，以期打造证券投资领域的Alphago，使自己在日益激烈的市场中获得更稳定、更好的回报。同时，以机器人投顾为代表的新一代数字投资顾问工具，使得普通的中小投资者也能使用人工智能技术来辅助或帮助自己进行证券投资。可以预见， 今后证券市场的二级市场交易将大部分由“机器人”来完成，只有很少的交易仍然需要人工方式进行，比如收购兼并、重组等 。

证券市场很快将呈现这样的一副景象 ：大量中小投资人都拥有专属自己的机器人投顾或投资助理，打理自己全部或部分证券投资；同时，还是有一部分人依然延续现在的模式，完全以人工的方式进行证券投资。证券市场将同时出现“经济人”和“机器经济人”。这样的证券市场结构无疑对参与者、监管机构都提出了新的课题。

研究证券市场中的“经济人”的分析框架主要是从市场微观结构和信息出发，通过考察“经济人”的学习机制来研究其行为对证券价格、交易制度、市场结构、危机事件等的影响。笔者“套用”这个分析框架来研究“机器经济人”。笔者发现，由于对不同市场微观结构和信息学习的理论、机制和模型存在相当大的差异，这种差异是导致“机器经济人”与“经济人”行为差异的根源。这将有利于我们理解“机器经济人”的行为，并拟定适应的行业发展政策和监管法规。

一、单只证券的市场微观结构：机制与信息

我们将证券市场看为二元结构：一个是所有证券交易的整体市场；一个是单只证券交易的局部市场。我们首先考察单只证券的市场微观结构。

评价市场机制的一个核心准则是： 它是否能够将市场中各类参与者的不同信息集聚起来 。以此准则，现实中的真实市场机制往往处在两个极端情形之间：一端是EMH有效市场，它的信息汇总能力最强；另一端是“单次”拍卖或数量（古诺）和价格（伯特兰德）市场（以下合称为“简单市场机制”），信息汇总能力最弱。

EMH有效市场理论 认为当前市场汇总了所有信息，信息已经及时、准确、充分地反映在股价当中。

而古诺和单次拍卖这样的简单市场机制的一个 共同特性 是 参与者只能根据自己的的私有信息进行交易决策，市场的价格反映的是均衡而非真实供求关系 。比如在证券首次发行阶段的密封投标中，竞拍者只能根据自己对该证券的知识来投标，无法观察到别的竞拍者的出价；在古诺市场中，厂商的产量只能根据厂商自有的私有信息对不确定的需求做出一个估计，但是不能观察到市场的出清价格或其他厂家的产出。

事实上，一只证券在其生命周期中，往往遍历这些市场机制 。比如在Pre-IPO阶段、IPO阶段、增发或配股、大股东减持、并购重组阶段，其当时的市场机制往往不同，通常可以采用投资者数量、市值规模、交易量、换手率等指标来测度其所处的市场机制。实证分析表明，在一个证券市场中，不同的证券往往处于不同的市场微观机制中，并在简单市场机制与EMH有效市场机制之间动态转换（示意图如下）。例如，当一只股票连续5个涨停或跌停时，此时该只证券的市场机制就发生了转换：由靠近EMH市场一侧向简单市场一侧移动。市场机制坐标被用于度量市场信息汇总能力的程度。理论和实证表明，证券衍生工具（期货、个股期权等）可以对整个市场或单一证券的市场机制进行程度不一的“修补”。

Garman，Brunnermeier等研究表明，对于不同的市场机制，具有不同的信息结构，从而构成市场的微观结构。“经济人”在不同的市场微观结构下，会采取不同的“学习”来进行决策。

二、“经济人”基于市场微观结构的学习

在简单市场机制下， “经济人”只能获得市场公共统计量以及私人信息，这个时候“经济人”通常只能被动的价格接受，市场处于贝叶斯价格接受均衡状态 。在EMH有效市场机制下，“经济人”基于理性预期模型，通过反映市场全部信息的价格信号、市场公共统计量以及私人偏好，对未知的参数做出最优估计。

在2010年以前，证券投资理论主要可以分为 价值投资理论 、 现代投资组合理论 、 行为投资组合理论 。市场微观结构无法解释和提供价值投资理论所需要的市场机制和信息结构，因此，从理论上无法构建合适的模型进行分析。现代投资组合理论和行为投资组合理论本质的区别在于是否假设投资者“完全理性”。 现代投资组合理论以投资者是理性的、风险回避、预期效用最大化 ，以及在此基础上形成的相机抉择为前提，承认市场是有效的； 而行为组合理论认为,投资者是有限理性的 ，在进行风险决策时并不完全按照贝叶斯法则进行，而是采用简单而有效的直观推断。Das、H.Markowitz、M.Statman等认为Markowitz的均值－方差理论（MVT)与Shefrin和Statman的行为投资组合(BPT)是殊途同归的，他们用数学方法将MVT和BPT整合到一个心里帐户（MentalAccount）中，证明了MVT、MA和VaR的风险管理模型在数学上是等价的。

市场微观结构理论的研究成果，也表明， “经济人”采用贝叶斯理性模型，能够得出很好的结果，并对人类的行为解释非常有效 。由此，我们可以看出，证券投资理论与市场微观结构理论从不同的角度出发，但得出的结论却非常一致：假设所有投资人都是“理性的”的经济人，基于贝叶斯法则进行学习，从而在一定的市场微观结构下，实现各种形式的贝叶斯型均衡。模型示意图简化如下图所示：

在 市场微观结构理论 中， 市场机制与信息结构是核心的概念 。市场机制决定了信息汇总的能力，而信息结构决定了“经济人”的学习特征（学习速度、均衡时间等），并最终决定了市场深度、交易量、波动性、定价效率等指标。为了和“机器经济人”比较，我们简要的概述一下证券市场中的“经济人”的一般性的学习机理：

除了从市场信息结构学习外，“ 经济人”的社会学习（社交网络、亲朋好友、讨论会、网吧、以及互联网等）越来越成为其汇总信息的渠道 。但就如同市场信息存在噪声一样，社会中的信息也同样存在噪音。我们经常会碰到这样的现象，通常社会信息初始情况下比较精确，”经济人“接受了这样的信息，并用于决策。但随着时间的推移，”经济人“并没有识别噪声增大或持续累计的错误的实际情况，从而接受更多的社会信息，而放弃私人信息，从而导致”羊群效应“的现象非常普遍。但即便在这样的信息结构下，事实上，”经济人“的行为依然是贝叶斯可以解释的。

由于微观市场结构往往更复杂，“经济人”的贝叶斯学习也是动态过程。由于学习速度的差异，从而产生更为复杂的均衡模式。微观市场结构理论认为，“经济人”学习速度慢，或在某些情况下放弃考虑私人信息并因此在行动时出现累积错误，就会导致“羊群效应”。 “羊群效应”理论与市场信息有效理论都可以用相同的贝叶斯决策原则进行解释，由此，证券市场中的“经济人”是贝叶斯型的。

三、“机器经济人”基于微观市场结构的学习

从上面的分析可以看出，无论是市场微观结构理论、还是证券投资组合理论、羊群效应理论都排除了有限理性和非贝叶斯学习。而笔者认为这是“经济人”与“机器经济人”在学习机理上的主要差异，而这是造成两者行为差异的主要根源。 简单的说，“机器经济人”不是贝叶斯型的 。

首先，当前构建人工智能机器的理论基础是“有界最优化”－有限理性基础上的 。这个理论是指，基于可获得信息和已知计算资源，具备最大化其期望效用的能力。这个理论模型表达的意思是说，对于给定的信息和机器的约束条件，通过寻找最佳程序，可以获得最优的行动。按照有界理性理论的定义，这样的最佳程序是必然存在的。

“机器经济人”在微观市场结构下的学习原理示意图如上图。“机器经济人”的学习机理我们概要的描述如下：

首先，它接收来自市场的原数据，然后按照某种“表示论”模型和方法将数据表示为特定的结构。 在完成数据表示后，紧接着是进行“度量学习”（metric learning)建立对数据的合适的度量。然后通过大量迭代、进化计算来找到最佳的能够对数据聚类、分类或者逐次分层的特征量的识别的模型。最终基于找到的比较好的模型（通常完成了样本内、样本外的检测），对新的数据进行推理／预测。在整个学习过程中，需要状态空间、规则更新（知识库）、行动反馈以及激励函数的整体协调下进行。

虽然机器学习的算法有很多，而且理论和新的算法层出不穷。但笔者认为从机器学习的核心逻辑看 ，“机器经济人”的学习机理是通过各种方法，来挖掘原数据本身内蕴的结构，通过识别这些结构中固有的“不变量”来进行推理和预测 。这种方法，简单的说，就是尝试发现事物内生的特征。这些特征在数学上的涵义就是在某种变换下的“不变量”。我们知道当我们在一个平面旋转、平移（变换）一个三角形的时候，三角形顶点的距离是不变的，同时它们三条边的角度也是不变的。这个时候，我们说，距离和角度构成这个空间变换的“不变量”。对于金融市场复杂的、高维的数据，在状态空间的变换过程中，类似距离、角度这样简单的度量无法保持不变，但人们总能发现更复杂的不变量（比如各种形式的张量）总是存在的。这些不变量就对我们了解这样的数据有很大的帮助，由此可以理解它的特征，并进一步进行分类或者预测这样的计算。

通过上面的比较， 我们可以看到无论准确度、精确度如何，“机器经济人”学习的逻辑与“经济人”学习的逻辑完全不同 。它试图从数据结构中挖掘内蕴在这个结构本质表示中的不变的、特殊的东西。但不同的“机器”，由于其学习价值链上（机器性能、计算能力、算法等）各个环节的差异，导致不同的“机器”性能差异会很大。但从一般意义上考察“机器经济人”，我们可以假设它都具备上面的能力。“机器经济人”受限于计算资源、时间，因此它的学习是有界的，人工智能开发者的核心目标是如何在有界的条件下最优。

一些研究者研究了市场微观结构的机器学习和高频交易，还有很多关于算法对交易的研究。这些实证研究的一个共同点是说明，机器学习显著的增加了市场的有效性，但同时也增加的波动性。美国商品期货交委员会主席马萨德日前指出，自动化交易目前已经占美国市场交易量的70%，这一趋势也不可逆转，监管层应该让市场通过交易寻找新的均衡点，即便是以更高的波动为代价也是值得的。 美国的实证分析表明，充满大量“机器经济人”的证券市场的均衡事实上已经存在。 对于后续发展起来的更高级的人工智能系统的大规模应用，市场将发生如何变化，都是非常新的课题。

通过上面对学习机制的分析，我们可以得出“机器经济人”的市场均衡模型将非常不同于“经济人”的贝叶斯型均衡模型。 “机器”的学习机制决定了它会努力对事情的“本质”所表现出来的某一个方面的认知 。因此，它是非博弈的。每个“机器经济人”都试图通过自己特定的学习，寻求它能够“认知”的东西，并以此做出决策。

区别于“经济人”的社会学习机制，虽然“机器经济人”也可以通过获取网吧、社交网站等数据， 但它实际分析的还是这些数据结构本身内蕴的“不变量”，而不是社会信息的概率分布特征 。

目前的技术是可以编程实现“若干机器”的协同、协调机制，组建类似小组、集群等组织单元。但这些结构并不能帮助机器之间建立“社会关系”。这些的组织单元仅仅是按照设定好的通信协议、行动规范以及一些规则建立机器之间的“会话”。互联网就是这种组织的最好实例：一旦设置好后，在也无需人工干预，互联网上的机器（路由器、交换机等）之间按照协议就能够完全自动的维持整个网络的运行。 差异在于：从认识的度量看，这些协议、规范和规则是确定的，因此是无知识的，但人类的社会关系网络却是有知识的 。

由上面的简要分析，我们可以看到，证券市场中“机器经济人”以有界最优化的理性，通过分析获取的数据的内蕴结构特征，来实现“自己的”认知，并以此作出决策。数据的内蕴结构体现的是市场机制和信息结构的某一方面。这个机制就像“瞎子摸象”：市场就是这头大象。“瞎子”就是每个不断学习中的“机器”。每个“机器”都试图通过不断的“摸”（学习），在有限最优的约束条件下，来试图判断大（市场）象的形状。

如果市场很简单，我们可以得出“机器”会很快的学习到这个市场的真实全貌。但真实的证券市场的状态空间如此之大，仅以A股证券市场为例，其所有证券的投资组合空间就超过。 以至于在未来相当长的一段时间内，“任何机器”都不可能计算它的真实全貌。但每个“机器”都能够得出它自身对这个空间的“认知”。

结论

关于“经济人”在A股证券市场的实证分析已经有大量文献，本文不在赘述。笔者提出通过建立 “投资组合相似度” 度量来研究人工智能对证券市场的影响，并通过大量模拟和少量实证数据验证了其有效性。得出如下的初步结论：

1、构建在“有界最优化”理论基础上的人工智能系统，在给定目标后（比如投资金额、投资预期收益、投资期限等），完全能够自主的进行证券投资，实现目标的准确性受市场内蕴的机会决定，而系统自身的能力影响相对较小。因此，在具备合理的计算资源和合理的算法下，我们可以认为“机器经济人”的决策受市场内蕴的特征影响最大，而其“主观”因素很小。

2、尽管证券市场的状态空间很大，但基于“有界最优”的约束条件，有限的时间、计算资源等，导致“机器经济人”有可能产生”英雄所见略同“的行为。例如某一天都发出不进行任何交易的决策。区别于一致行动，虽然各个机器独立计算，但结果有可能一致。但通过有效的规则和设置，这个概率可以降低到远远低于目前市场的“趋同交易”比例。

3、“机器经济人”的理性假设在真实世界中，能更好的实现。这个结论很好理解，相比人类的情绪、感性以及其他特质，机器会更有“章”可循，更能够受到自身程序控制和约束。“经济人”假设在真实世界中很难实现，因此，由此推演出来的市场情况偏差反而更大。

4、用贝叶斯型均衡模型还无法解释“机器经济人”的市场均衡机制，这方面是下一步证券市场微观结构理论研究的重要方向之一。