“取代”程序员？国内量化私募觉得不行
随着迅速崛起，它在投资策略建模方面能否替代程序员，正成为金融市场一大热门话题。
记者获悉，近期部分欧美量化投资机构正尝试使用构建新的投资策略，着手检验它们在实盘交易领域的成效。
值得注意的是，在国内量化投资领域，能否替代程序员，同样颇受争议。
多位国内量化私募人士向记者透露，尽管金融市场对在投资策略迭代升级抱有较高期望值，但在实际操作环节，程序员在投资效率提升方面仍拥有难以替代的优势。
“事实上，等人工智能技术之所以在投资策略建模领域受到重视，一大重要原因是它能基于海量数据的分析挖掘，找到一些不为大家所知的投资规律，但这些投资规律能否在实盘交易环节发挥作用，仍是未知数。”一位国内量化私募基金人士向记者指出。首先，金融市场里的信息与回报之间的因果关系相当复杂，完全依赖信息数据挖掘分析，未必能完全掌握上述复杂因果关系；其次，金融市场交易的实质，依然是人们不同情绪与心态的博弈，但未必能精准掌握各类交易人群的情绪与心态变化，进而做出最佳的投资决策。
一位国内大型量化私募机构CTO向记者表示，当前程序员在量化交易领域具有三大难以取代的优势，一是随着数据量激增，需要专门的技术栈对海量数据进行处理。在这个过程里，需要程序员出身的相关量化工程师构建相关系统；二是程序员能适应更快的程序迭代速度，助力量化私募基金更好发展与相关业务扩张；三是就交易成本而言，实际交易环节的很多细节都会直接影响业绩结果，需要程序员有针对性地逐一解决投资策略在使用过程的各个问题。
“投资效率的提升，将有助于量化私募产品获取更可观的超额回报，而程序员难以被取代的核心优势，就在于他们对投资效率提升的贡献度极高。”他向记者强调说。
上述国内量化私募人士向记者直言，目前他们也在尝试将等AI人工智能科技应用在投资策略建模领域，但他们发现，程序员的作用依然难以被替代。究其原因，一是自动生成的量化投资策略未必“完美”，需要程序员根据实际交易环境做出优化改良，才能在实战环境创造更佳业绩；二是金融交易的实质是人们心态与情绪的博弈，更需要程序员根据最新的金融市场情绪变化，对某些所生成的投资策略进行取舍，确保相关私募产品不会“踩雷”。
5月6日，“股神”巴菲特在伯克希尔哈撒韦年度股东大会表示，人工智能可以改变全球的面貌，却改变不了人的想法和行为。
程序员缘何难以替代
自动生成的投资策略能否“跑赢”程序员研发的金融产品，正日益受到金融市场的密切关注。
近日，发布的最新实验结果显示，由推荐的38只上市公司所构建的股票组合净值在过去五周上涨约4.9%，跑赢英国在线投资平台 所推介的10只热门基金产品(平均收益为-0.8%)。
“但这仅仅是个案，且短期业绩表现无法印证所生成的投资策略能在更长时间持续跑赢上述热门基金产品。”一位美国华尔街对冲基金经理向记者直言。此前他们也曾尝试通过构建投资策略，但他们很快发现绝大多数由自动生成的量化投资策略未必能在实战交易环境创造预期回报。
他直言，任何量化投资策略要进入实战交易环境，首先要在模拟实盘环节与回测系统取得成功，但他们经过模拟实盘与回测研究发现，多数由自动生成的量化投资策略都遭遇“业绩滑铁卢”。究其原因，一是有些所生成的投资策略缺乏良好的外部柜台交易环境，导致其实际业绩远远低于预期值，二是有些所生成的投资策略与当前资本追逐热点“完全不匹配”，导致业绩很快“一落千丈”。
上述国内大型量化私募机构CTO告诉记者，投资机构开展模拟实盘与回测研究的最终目的，就是进行实盘交易。在构建回测系统环节，最常见的一点是要保证回测和实盘的一致性。这同样离不开程序员的努力。
“这背后，是不同投资策略需要不同的交易系统与回测系统，这一方面需要程序员针对投资策略特性进行特定优化，从而获得较好的回测系统或实盘系统，另一方面程序员需通过对投资策略在模拟实盘与回测系统的业绩进行分析汇总，找出相关问题进行针对性地调整解决，进一步提升投资策略的投资效率。”他指出。这恰恰是程序员难以被各类AI取代的核心优势。目前，程序员对投资效率的提升，还体现在交易的方方面面，比如在实际环节，研究员通常会在限定时间内开展更多的回测尝试，比如尝试不同的参数，不同的策略，不同的模型或下单方式等，从而给投资策略创造更好的外部柜台交易环境等，以争取更高超额回报；此外，程序员可以尽量减少额外的资源占用，进一步提升研发效率。
前述华尔街对冲基金经理向记者指出，目前在投资策略建模与应用过程面临的另一大短板，是投资机构很难了解所生成的投资策略背后的“投资逻辑”。具体而言，越来越多欧美投资机构发现所生成的投资策略就像是一个“盲池”，没人知道它到底对哪些数据做出分析挖掘，找到哪些投资规律，这些投资规律的逻辑是否“合情合理”，能否在实战交易环节创造可观回报。
此外，不少欧美量化投资对冲基金不清楚所生成的投资策略能否在不同柜台交易环境均创造可观的回报。事实上，同一个投资策略在性能截然不同的柜台交易环境下，往往会产生较大的收益差距。但要创造良好的柜台交易环境，同样离不开程序员的协助。
“目前，我们更倾向于将自动生成的投资策略与程序员研发的投资因子与外部柜台交易环境进行融合，通过彼此的扬长补短，令投资策略创造更佳的业绩表现。”这位华尔街对冲基金经理指出。
在投资策略建模的“短板”
在业内人士看来，之所以被众多欧美投资机构用于研发新的投资策略，一个重要原因是它能对海量数据进行分析挖掘，找到不少不为公众所知的投资规律。
目前，覆盖的数据量达到约1750亿个变量，涵盖过去数十年的各类文本资料。
但与此同时，也有不少欧美投资机构发现在投资策略建模方面所面临的最大挑战，恰恰就是“数据太多”。
具体而言，一是数据越多，“噪音”越大。若所自动生成的投资模型过多聚焦那些“噪音”数据(即未必能对投资成效发挥直接作用的高价值数据)，可能会导致其投资成效“大打折扣”；二是在对海量数据进行分析挖掘时，往往可能会忽视某些金融市场交易常识与投资准则(或是经济学原理)，令相关投资策略面临潜在的投资风险。
因此，越来越多欧美投资机构都在尝试人工介入，即派遣程序员要么先过滤掉某些“噪音”数据，再使用进行投资策略建模；要么在开展数据分析挖掘环节，通过技术手段先植入相关金融市场交易常识与投资准则，提升其投资策略的“可解释性”与“业绩可预测性”。
在前述国内大型量化私募机构CTO看来，这的确给量化投资机构程序员提出新的挑战，一方面随着数据量达到PB级别，程序员出身的量化工程需要构建专门的技术栈系统，对海量数据进行处理；另一方面程序员需要适应更快的AI技术或投资建模迭代速度，以支持私募机构相关业务发展。
在业内人士看来，要将等人工智能技术应用在投资策略建模以获得稳健的超额回报，还需相当长的征途。但是，这并不意味着程序员与AI技术互不兼容。一方面等AI技术的海量数据分析挖掘能力，为程序员处理各类信息数据并提升投资效率提供巨大的帮助，另一方面程序员也能根据模拟实战业绩汇总分析，为众多等人工智能技术自动生成的投资模型创造更好的柜台交易环境与策略优化赋能，从而令后者在实战环节创造更佳的业绩表现，助力私募产品业绩更上一层楼。
陈植
海量资讯、精准解读，尽在新浪财经APP
相关文章
