科技猎机器学习搞投资，这事靠谱吗丨亿欧智库精选
伴随着 人工智能 在金融领域的参与度加深， 智能投顾 的发展格外迅速，各种各样的智能投顾项目让人看得眼花缭乱。但是，关于智能投顾真的是人工智能吗，智能投顾能带来更好收益吗，这样的质疑也很多。英仕曼集团亚洲区主席、Man AHL 主席黄文耀近日通过对 机器学习 的研究大多发生在哪、电脑能力能否转变为预测能力，机器真的要进军华尔街三个问题的回答，阐明了机器学习在投资中的应用的前景和局限： 机器学习在量化-自由裁量范围内的投资方法中可以起到一定作用，但必须审慎应用 。
以下是 亿欧智库 给您带来的精选分享：
近年来，“ 机器学习”（Machine Learning）已成为金融圈中的一种时髦术语，用来描述管理投资策略的各种方法。但是，为了理解机器学习应用能如何帮助主动投资者，弄清楚我们的真实意图是很重要的。事实上，我们常听到人们如此褒扬：“机器学习能帮助我们预测x”或者“机器学习系统能运用 大数据 生成投资信号”，不过在以上这些情况下，我们大可用“魔术”一词来替代“机器学习”，而不必改变其意思，因为我们对这一术语的理解依然颇为含糊。 在现实中，关于机器学习并没有什么神秘之处：它就是一套用于识别不同数据模式的方法。 科技的发展已经使得电脑处理与“解读”大量信息的能力得以提升，使其能作为一种工具供人类数据工程师使用。
我们将审视机器学习在投资领域的一些有用的应用，探讨其发展及其助力主动投资过程的方式。这些方法在投资中的应用尚处于襁褓之中，但我们相信，随着时间的推移，它们作为广泛的分析工具组合的一部分，具有真正为投资者带来更多价值的潜力。
机器学习的研究大多发生在哪
在研究机器学习在金融市场的应用之前，需要记住重要一点，这一领域取得的大多数进步并未受到投资界的推动。 机器学习取得主要进展的领域包括 无人驾驶 汽车、游戏与影像识别等。特别是在中国，机器学习技术在大量公司都得到有效应用，比如百度、腾讯和阿里巴巴，它们都采用智能计算技术来管理客户数据，提升在线服务。
随着产业的进步，全球针对机器学习的学术研究的规模也在持续增长。在英仕曼集团内部，我们与牛津大学的牛津-英仕曼研究院（Oxford Man Institute）紧密合作，与一直致力于在机器学习技术开发领域的前沿专家们互动。 事实上，机器学习在投资领域依然处于相对原始的阶段， 但我们能感受到希望的曙光，即我们在开发自身系统时可参考大量非金融领域的成功例子，从它们的经验中获益。
数十年来，已经出现了多种形式的机器学习，甚至在金融领域也有一些。例如， 上世纪80-90 年代有过一种“深度学习” 方法（亦称之为“神经网络”），但当时有限的电脑能力限制了其有效运作的能力。过去5-6 年间，出现过某种分水岭事件，其起因是2012 年的一次在线竞赛， 即 ImageNet 挑战赛。ImageNet 是一个在线数据库，含有数以百万计的各类物体图片，例如钟表、鸟、花、车等。它们采用多个词语和词组（称为“同义词集合”或“同义词集”）加以标注。这项一年一次的挑战赛鼓励图像与视觉研究领域的科技工程师开发有用的算法，用以基于这些同义词集来准确索引、查找、组织和标注多媒体数据。2012 年，一支来自多伦多大学的团队展示了一种深度学习方法，这种方法结合机器学习形成时期中已有的大量元素，在电脑图像识别方面能达到85% 的准确性（在此之前最高的准确性仅略高于70%），这为下一步研究铺平了道路。在2015 年的 ImageNet 挑战赛上，电脑图像识别的准确率最终达到了96%，识别能力首次击败了人类。
事实上，深度学习方法在图像识别方面所获得成功推动了其他领域类似应用的涌现。 例如，通过训练，机器的视频游戏可以比人类玩得更好。最有名的例子或许就是 AlphaGo 的成功了，作为一个电脑程序，它在今年5 月的中国乌镇围棋峰会上击败了世界排名第一的围棋选手柯洁。而这也并非“魔术”，而是由于如今电脑的强大实力和海量数据集的存在，我们可以更好、更合理地控制及利用人工神经网络（20 多年前我们就已经认识了它的一种简单形态）的力量。
电脑能力能否转换为预测能力？
另一个问题就是，这种能力能否对预测市场行为提供帮助。提到将机器学习技术应用到金融市场时，确实需要关注两项主要挑战。
首先，市场是“嘈杂的”，信息和数据点的激增使得提取信号比以往任何时候都更困难。 这里我想要对我们作为投资者所面对的挑战，与每年 ImageNet 挑战赛选手所面对的挑战做个对比。与他们一样，我们也设计一些算法来识别不同的数据模式，但是请想象一下，我们需要电脑做的是识别一场暴风雪中的北极星的图片，而不仅仅是识别一只北极熊的图片。这就是在一个信息前所未有饱和的市场中抽离出恰当类型数据的复杂之处。 其次， 市场一直在变化，经济发展、技术和政治体制亦都时刻发生着变化，因此要通过一套算法来诠释整个世界是不可能的。 事实上，投资是一种互动游戏，日益增多的市场参与者会显著改变市场动态，使得模式识别更为困难。
为了克服这两个问题， 一项采用机器学习的有效投资过程必须具有恰当的基础架构，以便通过足够多的数据集来有效地协助处理足够多的信息 。人们可能期望机器学习工具能明确告知如何投资的“答案”，但在现实中，需要有充分的原材料（数据），并且通过娴熟的专家进行处理，才能生产出有意义的信息。在此背景下，硬件和软件在提供必要的处理能力方面具有同样重要的作用。 机器学习的另一个关键要素是理解“黑匣子”在现实中是如何运作的。 机器的使用者必须了解一套流程可能在哪些地方比较薄弱，或者一套系统中哪些地方可能会有缺陷，这样才能理解影响其表现的真正因素。
该如何超越模式限制？投资者通常会过于关注正面表现，以至于未能深刻思考机器出错时会发生什么。机器学习是一种强大的工具，但是只有知道如何应用的人才能正确发掘其潜力。这里用核能来做个类比： 如果以负责任的方式管理，它可以带来巨大收益；但如果运用不当，则可能变得无用或带来危险 。
机器是否真的要进军华尔街了？
因为有了机器的力量来控制市场信息，一些投资者开始设想，是否在不远的将来，人类决策者或许会被电脑所取代。我们认为这种观点难免草率，因为金融业对自动化机器学习方法的应用尚处于非常早期的阶段。 我们认为机器学习会继续为人类判断提供补充，并可作为更广泛的分析工具组合的一部分帮助提升投资过程。
其在量化投资方法上的应用潜力是显而易见的—— 我们可以采用复杂的模型并有选择地运用机器学习来处理大量数据 。事实上，在量化金融的一些特定领域有更为自动化的机器学习应用，英仕曼 AHL 就正在采用其中的一些应用， 我们与牛津- 英仕曼研究所合作，以确定在管理客户资本方面可采用的最佳方法。但是机器学习对于投资的自由裁量方法可能也会有所裨益。当我们考虑如今的投资组合经理所面对的数据洪流时， 人类经理人所面对的一个关键挑战就是过滤相关信息的能力，而机器学习对此正可大显身手。
根据 IBM 的数据，全球每天创造出的数据高达2.5 兆艾（百万的三次方）字节，而一般的说法是，约90% 的可用数据是在过去两年内生成的。数据源的指数级增长引发了我们数据消费方式的革命， 而一些主要经理人正在与时俱进。在英仕曼 GLG，针对全权委托投资义务，我们近期聘用了一位机器学习负责人，以尝试最大化利用这种创新技术，并帮助投资组合经理们不受无关信息的干扰——其方式是通过从市场数据中提取信号，特别是有关市场情绪的数据，加之分析我们团队自身的决策模式，以寻求改进投资过程的方式。当然， 机 器学习在自由裁量管理中的作用必然要配合人为干预，以帮助投资者通过更可靠的数据集做出更有据可依的决策，而不是将机器学习的作用作为决策的替代方案而盲目跟从 。
事实上，我们相信机器学习还需要经历很长的发展道路，才能复制经验丰富经理人的技能，后者会运用关系和人类智慧来阅读数据中不可理解的信息，例如， 会见公司管理层或加入公司信用委员会、分析政治情绪或阅读公告的潜台词等都是（至少在当下）机器所无法做到的。
正如之前所说，机器学习已经在中国取得了重大进展，其中很多都是通过一些对其客户的智能信息有所依赖的公司而取得的。我们认为这种情况仍可能继续， 机器学习技术的发展具有很大潜力，可造福那些能合理掌控它的公司 。
另一方面， 从金融市场的角度来看中国，我们认为，投资者对机器学习的应用更为复杂 。作为世界上发展最快的市场之一，中国市场（不管是现货、债券还是期货）正在经历高速增长与发展。这种发展加上较西方市场更短的历史，也为量化数据分析增加了难度。这并不是说我们不能将机器学习作为一种工具，来对中国作为一个投资领域进行思考，而是说我们可能需要运用中国以外的、具有更长历史的市场数据来作为补充，以便构建足够强大的模型。同时，了解中国市场的偏好也很重要。归根到底，机器学习生成的信息需要大量的处理，通过对更为成熟的西方市场的分析可知，这一点是千真万确的。同时， 在我们看来， 在像中国一样发展迅速的市场中，不应盲目应用机器学习技术，以避免不必要的风险 。
总而言之，我们很清楚， 机器学习在金融领域还有很长的路要走，特别与其他行业相比 。但是它在一些领域中的应用已经变得很明晰，甚至超出了量化策略这一看起来更适合该应用的范畴。我们认为，机器学习在量化- 自由裁量范围内的投资方法中可以起到一定作用，但必须审慎应用。 随着科技的持续发展，对于投资过程来说， 更为重要的是智能地使用机器学习，并且人类与机器学习的关系也更值得重视—— 成为机器工程师，而不是魔术师。
科技赋能，动能转换。9月14日亿欧将在北京双井富力万丽酒店举办以“ 服务实体经济 ”为主题的 2017中国金融科技未来领袖峰会 ，活动详情及报名请戳： 服务实体经济——2017中国金融科技未来领袖峰会
