朱晓天：量化投资“新伙伴”

编者语：

近年来，量化投资业已成为海内外资本市场发展的焦点之一，与基本面分析、技术面分析并称为三大主流投资方法。随着人工智能（AI）技术在金融领域的广泛应用，AI与量化投资领域的结合主要表现在深度学习和智能投顾两个方向。AI如何应用于金融投资领域？其在证券投资领域又将迎来哪些创新和发展？北京大学汇丰商学院访问副教授、平安银行资管结构化理财负责人朱晓天先生在《北大金融评论》创刊号上发表的文章深入探讨了上述问题。敬请阅读。

文/朱晓天

近年来，量化投资业已成为海内外资本市场发展的焦点之一，与基本面分析、技术面分析并称为三大主流投资方法。在美国这样成熟的市场上，量化投资已经成为基金和大资本的主要运作方式，其中的大部分交易都通过程序化交易完成，美国资本市场的交易结构也因此出现了显著的变化。同时，随着人工智能（AI）技术在金融领域的广泛应用，也迅速推动了投资策略自动化和智能化的进程。目前看来，AI与量化投资领域的结合主要表现在两个方向，一是深度学习，通过AI辅助量化交易，目前国内外一些私募基金已经开始将AI的三个子领域，即机器学习、自然语言处理与知识图谱融入到自己的量化投资策略中。二是智能投顾，即通过机器模仿和复制优秀基金经理的模式，用AI和大数据分析等手段实现资产管理。

提到量化投资，大家常想到的特点一般有两方面：一是历史依赖性，即通过对历史数据进行挖掘回测，找到规律；二是纪律性，即制订规则后由电脑自动执行，回避人的主观情绪干扰。但同时，完整的量化投资思想中有一个非常重要却常常被人所忽视的特点，那就是量化的风险分解和基于风险分解后的精细的风险控制。这是量化投资不同于传统主动投资的最主要特点之一，无论是在美国的发达衍生品投资，还是在国内的市场投资，风险分解和基于风险分解的风险控制，都贯穿整个量化投资中。

具体来说，AI在金融投资领域的应用主要集中在三个方面：第一，通过深度学习技术对金融市场的资产价格、利率曲线或者波动率等变量进行更准确的预测；第二，通过机器学习、模式识别等技术对金融市场资产的风险等级，资产类别或客户分类进行更精确的划分；第三，综合人工智能市场预测与风险等级划分的能力，通过复制优秀基金经理的大类资产配置的预测模式，组合风险管理及资产优选机制，系统性地实现智能资产配置。

AI在金融投资领域的三大应用

市场预测

AI技术在金融投资领域有三大应用。第一大类是金融市场预测，即时间序列预测问题，具体包括如下领域：对金融市场产品的价格预测，包括对各种金融产品的价格预测；预测公司的财务状况，包括上市公司的财务状况预测模型，在大类应用领域里属于权益类资产配置；对收益率曲线的变动预测，比如，做固定收益类资产配置，用人工智能技术做一些收益曲线变动趋势的预测等；算法和做市交易执行；金融产品的波动率预测，银行的金融市场部有很强的需求；复杂金融衍生品的定价。

分类评级问题

第二大类是分类或评级问题。第一个具体应用是信用风险预测，属于信用衍生品资产配置领域。因为结构化产品，如房产抵押债券，它们的定价同时受底层资产的信用风险和提前还款风险的影响。传统的信用风险预测大多采用统计模型，但最近也开始使用AI 来实现。第二个具体应用是债券评级领域，AI主要起辅助的作用，因为行业本身有一套统计及专家评级的系统。第三个具体应用是消费者市场划分，即商业银行从市场营销的角度对它的主要客户群体进行划分，以便进行精准营销。传统的消费者市场划分大多采用统计回归模型，但这个模型存在一些缺陷，所以也考虑用人工智能的办法来解决。

综合应用

第三大类是综合应用，包括目前比较热门的投资顾问、个人理财顾问等。这些领域不但涉及分类问题，也涉及预测问题的模型。世界最大的资管公司贝莱德收购了一家智能投顾公司，用AI的方法进行了实践。

金融市场预测。在预测类问题中用机器学习模型的应用很多。2016年2月，三菱日联摩根士丹利用机器学习模型预测日本股市走向，成功率达到68%。早在2005年，新加坡国立大学的研究采用置信域区间的优化算法来训练人工神经网络，预测准确率达到70%。

固定收益类资产配置。对固定收益类资产管理来说，资产组合的久期以及收益率曲线结构对风险管理和投资决策至关重要。因为市场的收益率曲线有时候是平坦的，有时是趋势性的，有时则是凹凸的；收益率曲线的变动也分为简单的平移、带角度的转动，或者扭曲等。预测收益率曲线结构的变动本身就是非线性的复杂问题，因此，传统的统计模型很难做较好的预测，人工神经网络模型可以抓住数据中的非线性关系，而且不需要预先假设参数的分布函数。如果能更好地预测未来利率曲线的变动情况，就能针对不同类型的债券资产，根据其风险收益特征，按利率曲线的分布来做相应配置，从而根据资产组合的整体目标久期来相应调整资产组合沿利率曲线的资产配置权重。

自动做市和算法交易。目前国际投行在算法交易方面投入很大，包括自动做市和算法交易，第三代算法交易系统的目标已经不仅仅是减少交易执行成本和市场冲击，而是获得比市场基准更好的结果。因为全球场内交易量很大，交易的过程中就会有交易执行的成本，算法交易主要目标就是节省交易成本。经测算，中信证券2012年净利润42亿元，如果采用二代算法交易，利润可以提高26%。就整个市场而言，在2012年可以节省400亿的交易费用，采用三代算法可以节省700多亿的交易成本。英国的高频交易占比为30%，美国为60%，日本为15%，当前中国的占比还非常低，但是发展上有更大的潜力。

复杂衍生品交易和定价。准确定价对衍生品至关重要，定价不准确会导致交易亏钱及错误的风险评估。例如，挂钩个股的期权，如果期权挂钩的底层资产是融券标的，意味着该底层资产有较好的流动性，则该期权的定价相对比较简单。如果期权挂钩的底层资产没有很好的流动性，则传统方法的定价会有很大误差。针对这种情况，机器学习的办法往往可以得到更准确的结果。德意志银行的衍生品交易柜台用AI技术对期权衍生品的底层资产做短期预测，因为该期权的挂钩标的是一篮子流动性不强的股票，所以这些股票的远期价格很难用传统统计模型预测，必须采用机器学习的方法。

债券评级。AI技术广泛应用于分类评级问题，包括债券评级、信用违约预测和市场细分等。穆迪等评级机构都有很成熟的统计模型或专家系统做评级，也把AI作为辅助的决策模型，主要采用前馈型神经网络做主权债、企业债、利率债的评级，好处是预测非常准确，缺点是解释能力不强。AI技术很多时候能够达到常规的统计模型无法达到的准确预测或者分类，但是它无法很好地解释其中的逻辑，及每个因子的解释力度。

信用风险预测。美国的资产证券化、资产抵押信贷及信用卡行业也普遍采用AI技术做系统风险预测模型和信贷审批模型。2008年次贷危机时，贝尔斯登、摩根大通银行的信用风险部门也开始利用非传统统计模型即神经网络做一些预测，而且在2007年底时预测房产抵押贷款的违约率会急剧上升。

消费银行业市场划分。人工神经网络相比传统的统计模型有一些优势，AI解决了传统统计模型的两个缺陷：一是不需要事先知道有几个划分区域，而是根据数据自身特征进行分类；二是不需设定起始的区域中心。比如花旗银行的消费银行业务做消费者的市场划分，很难事先知道有几个划分区域，只能根据实际客户消费特点来进行市场划分，而且消费人群的特点也会随着时间发生变化。因此，神经网络模型提高了花旗消费银行领域的市场划分准确度，进一步提高了划分领域中的营销和风险管理实践。

AI技术在证券投资领域的创新和发展

关于证券投资领域创新发展的方向，我觉得可以分几个层次：第一是算法交易执行的创新。智能代理的算法交易系统，能够更高效地定制化需求，执行组合资产的下单命令，同时跟踪成百上千只不同的证券标的，反馈订单执行情况，轻松实现跨市场或跨品种的交易。

第二是投资策略生产的创新，投资策略的生产模式由人力转向大规模自动化。由于计算机能力的大幅提高，策略开发的时间大大缩短，结合大数据，机器学习的强大挖掘能力将会开发出以往无法发现的“新认知”和新策略。

第三是资产配置效率的创新。基于AI的应用，可显著提高资本市场的深度和宽度，AI代理会以人工无法比拟的速度、效率和海量计算捕捉任何交易机会，市场的有效性会大大提高，资本市场有效配置资源的功能将得到很好发挥。一旦出现机会，计算机就会自动识别，未来的套利机会将越来越少。

第四是行业结构的变革。随着AI技术的专业性、复杂性提高，将衍生出新的业态，例如，量化技术背景的智能信号服务提供商开始为金融机构提供定制的信号；衍生品做市部门需要交易信号来做市场判断，提高他们做市对冲策略的成功率；还有一些技术公司对专业投资机构提供投研外包服务并分润。

现在也出现了很多非常有针对性的智能交易信号的提供商，与金融机构的合作越来越多，证券投资行业逐步涌现大量基于智能要素的新型业态。随着自动化越来越普及，智能算法也越来越多，这个行业竞争也越来越激烈，未来十年很多初级分析师的职位也会被逐步取代。

国内市场上的量化投资发展尚处于初级阶段，但随着中国资本市场对外开放、有效性的逐步提高以及对内幕消息等监管愈发严格，通过非公开方式获取信息的难度加大，量化投资成为了一个良好的获得非公开信息的科学理论与技术方法。基于AI技术的量化投资前景宽广，潜力巨大。

（完）

文章来源：微信公众号“北大金融评论杂志”2019年12月20日（本文仅代表作者观点）

本篇编辑：付守鑫

温馨提示：现微信最新版本“订阅号”已实现公众号置顶功能，广大读者可点开“金融读书会”公众号，点“置顶公众号”键，即可将“金融读书会”置顶，方便查阅。