首页 > 财经频道 > 正文

AI投资机器人专注细分行业

2021年01月08日 16:20
来源: 东方财富研究中心

东方财富APP

  • 方便,快捷
  • 手机查看财经快讯
  • 专业,丰富
  • 一手掌握市场脉搏

手机上阅读文章

  • 提示:
  • 微信扫一扫
  • 分享到您的
  • 朋友圈

  东方财富网邀请到了浙商基金智能权益投资总经理查晓磊和华安证券研究所金融工程首席分析师严佳炜做客《财富大咖秀》栏目,查晓磊在节目上表示,AI投资机器人的概念,就是把问题拆分成上百个细分问题,除了研究员以外,可能通过AI的方式训练出几百个虚拟化机器人的小研究员,每一个机器人的小研究员专门盯一个小的细分问题。

  以下为采访实录:

  严佳炜:刚才查博提到会把很多问题拆分成上百个细分问题,我们是否能把这上百个问题的解决方案,理解为你们之前所说的AI投资机器人的概念?

  查晓磊:对,在我们内部来讲,我们拟人化的把它叫做一个小问题就相当于一个类似于有一个小机器人在帮我们去跟踪,这样一个解决,所以做这样一个比方吧,最后形成除了我们十几个人类,我们叫做人类主动管理的研究员来讲的话,剩下我们可能还要大批量几百个模型,或者刚才你讲的机器人,通过他们的跟踪不断的也是基于数据的变化,数据有变化有起伏,也会有不同的信号提示出来,有点儿像几百个机器人相当于我变成一个虚拟化的研究员,除了我们十几个主动管理人的研究员,可能我通过AI的方式训练出几百个虚拟化机器人的小研究员,每一个机器人的小研究员专门盯一个小的细分问题,一个细分的子行业。

  严佳炜:我们团队之前也是做了很多传统量化研究,大家都是基于量化因子去构建多因子模型,每一个因子代表的是市场的一个风格,至少从长期来讲可以赚钱的一个稳定的阿尔法因子,但是您这边相当于把这个因子再拓展到了新的维度,每个投资“机器人”专注于某一个细分的行业。但我很好奇一点,这些AI机器人的构建或者打磨过程中,是纯量化的研发方式,还是会参考一些HI(人脑智能)的经验,比如会结合行业研究员定性的行业逻辑?

  查晓磊:这个答案是肯定的,肯定会的。我们一直讲我们浙商基金是AI+HI,包括我们一开始提的组织架构设置,最直接的目的就是希望我们的AI研究员、AI基金经历跟HI主动管理的研究员、基金经历有比较好的交流,有比较好的互动。我们提出我们现在所有训练出来的模型或者是叫机器人也好的话,其实本身单纯AI单纯量化或者机器人训练角度来讲,其实没有创造出额外投资的智慧,也就是这个α我们是更多通过从人那边学习之后,这时候我们量化模型、量化机器人才具备投资的能力,或者是说对一个他所负责的行业,他才具备一个初步判断它投资价值的能力。所以打一个比方来讲,我们现在有点儿像第一代阿法狗的样子,阿法狗本身是靠计算机科学家写一个深度学习的代码,然后有这样的模型,其实阿法狗也不会下围棋,在这个夸奖之下,只有当模型出来之后,再把人类历史上几万甚至几十万的棋谱输入进去之后,让他学习完了之后,这时候才会下围棋,所以我们回过头来想这中间最关键它为什么会下围棋?在于它学习的这些棋谱,如果没有这些棋谱,只靠深度学习的模型来讲,框架是有,只能证明阿法狗具有具备学习下围棋的能力,但是如果没有棋谱给它学习,它也不会下围棋,所以我们现在有点儿做就是说相当于也是第一代的阿法狗,实际上通过跟HI主动管理的基金经历研究员,包括们券商的分析师、各个行业的分析师到我们公司来,我们在梳理和总结各个行业的棋谱,总结出来之后,在我们AI的训练学习框架下,让我们机器人把这个棋谱学会,学会之后它才具备了投资的能力,所以整体逻辑框架是这样的,虽然我们最终输出信号有很多AI的信号输出,但其实背后都是我们通过学习大量的,其实这里面不光是我们内部的研究员和基金经理,包括我们券商的各个行业的分析师,各个行业里面做的最好的分析师其实都是我们学习的对象,通过不断的学习,其实是把人的投资智慧学完了之后变成我们机器的投资能力。

  严佳炜:刚才听了查博的介绍,我突然想起在机器学习领域有句话叫做“Garbage in, garbage out”,意思就是说,如果你把一些垃圾数据扔给模型,它生产出来也是一些垃圾信息。其实,我能理解,您刚才说的整个决策体系中,数据是基础的,当然更重要的是什么?更重要的是HI(人脑智能)这块,也就是所谓的“棋谱”。只有把有效的“棋谱”教给模型,把有用、有效、经过市场检验的投资经验输入到模型里面去,模型才能越学越聪明,从而能够应对不同的市场环境

  查晓磊:对,实际上就是说,其实在前面这步还是挺关键的,在梳理棋谱的过程中,实际上您这边也是做量化的,其实里面讲一个性价比的问题,经过我这个棋谱的梳理之后,其实整体是在提升我们整个输入信息的信息海量,我并不是把市场所有信息一股脑全部塞进去,这样对训练模型来讲稳定性、预测性、外推能力是比较差的,当我们把棋谱梳理之后,等于我们是进行逻辑层面的筛选,就像我们原来做量化都可能半开玩笑说,很多模型更多是数据的推演,但如果只是数据推演,我们发现很多模型一旦到了预测,到了外推或者样本外就出现整个能力大幅的下降,我们现在更多是做一个逻辑的推演,逻辑推演相比数据的推演整个外推的能力包括样本外的能力应该来说更加的稳定,或者是更加的靠谱,数据未必能外推,当然逻辑可能有变化,但大的环境或者大的结构没有出现变化情况之下,整个逻辑其实是相比数据更容易去外推的。

  严佳炜:另外,各位投资者可能比较好奇,万一上百个AI机器人,以及HI人工,产生不一致的观点或者信号的时候,例如一个AI看多某行业,但是另外一个AI是看空的;甚至说行业研究员看空行业,但AI信号是看多的。这种情况下你们会怎么判断?

  查晓磊:这比较有意思,首先比如在我模型或者机器人之间出现观点不一致的情况下,我们做法比较简单也比较直接,就是由市场验证优胜劣汰,虽然我们现在目前体系里面大概可能有几百个机器人,但在我们所有过去这么几年时间里面,我们各个细分行业沈指导各个上市公司训练出来的模型达到上千个,实际上在这个过程中,你看现在留下几百个,实际上可能更多的大几百个已经被淘汰掉了,原因就是说一开始比如说训练的时候确实结构比较好,我们也有优胜劣汰的机制,它会逐步被一些就是说能力更强的模型给替代掉,怎么证明它能力强,也没有其他特别好的办法,就是市场的验证,其实做投资来说,有各种各样的特点,其实我们自己感受最深的特点就是投资里面就是它的反馈是很集结的,我们做一件事情,这件事情到底对还是错短期内不一定知道,但投资市场在不短的时间内告诉你做的投资决策是对的还是错的,所以机器人之间我们就通过市场竞争的机制让他优胜劣汰。第二个就是说如果我们模型和人之间发生冲突或者观点不一致,这其实对我们训练或者机器人提升角度来讲是特别特别有用的一个样本,其实我们是希望出现不同结果的,出现不同结果我们一般应对方式就是,这时候就是AI和HI就要坐下来了,我们AI研究员基金经历和行业研究员就要把出现问题的背后逻辑梳理一下归因,寻找原因到底是什么问题、什么原因导致两边观点不一致。其实这种情况在我们内部也经常发生,比如说我们一开始筹建模型的时候,原来这个逻辑主动研究员也是认的,但是过了一段时间市场出现一些结构性变化的时候,可能这个关键的点,因为如果历史上没有明显发生过,训练角度并不一定会及时的扭转这个观点,这时候人的观点加入进来,可以对它进行一个归因然后去分析背后其中的原因,把它之前逻辑出现一些修整或者出现一些调整,如果是碰到他的结构性变化来讲,如果通过分析讨论觉得背后的逻辑已经出现了明显的变化,这时候我们也会停止机器人的工作。也有的情况就是最终也是最后发现我们机器的观点是对的,人的观点也未必对,如果落到这个上面,最终非常大的原则还是市场去检验大家最终的对策,不管最终哪边错了,其实人和机器都可以得到进步。如果最后证明人对了,机器这边可以把我的逻辑重新梳理,提升它的能力,最后证明如果人这次不对,对研究员来讲就会更加的激励他以后考虑一个问题方方面面可能要考虑的更多一点,对研究员来讲也是一个提升的点。

(文章来源:东方财富研究中心)

(责任编辑:DF506)

郑重声明:东方财富网发布此信息的目的在于传播更多信息,与本站立场无关。
您可能感兴趣
  • 焦点
  • 股票
  • 全球
  • 港股
  • 美股
  • 期货
  • 外汇
  • 生活
    点击查看更多
    没有更多推荐
    • 名称
    • 最新价
    • 涨跌幅
    • 换手率
    • 资金流入
    请下载东方财富产品,查看实时行情和更多数据
    郑重声明:东方财富网发布此信息的目的在于传播更多信息,与本站立场无关。东方财富网不保证该信息(包含但不限于文字、视频、音频、数据及图表)全部或者部分内容的准确性、真实性、完整性、有效性、及时性、原创性等。相关信息并未经过本网站证实,不对您构成任何投资建议,据此操作,风险自担。

    扫一扫下载APP

    扫一扫下载APP
    信息网络传播视听节目许可证:0908328号 经营证券期货业务许可证编号:913101046312860336 违法和不良信息举报:021-34289898 举报邮箱:jubao@eastmoney.com
    沪ICP证:沪B2-20070217 网站备案号:沪ICP备05006054号-11 沪公网安备 31010402000120号 版权所有:东方财富网 意见与建议:021-54509966/952500