人工智能不会接管华尔街，它做投资仍存三大问题

（原标题：Robotic Hogwash! Artificial Intelligence Will Not Take Over Wall Street）

网易科技讯 7月20日消息，华尔街日报撰文指出，人工智能不会接管华尔街。虽然AI投资日益红火，但将AI技术应用于投资还存在三个严峻的问题。

10年前，在所使用的算法胡作非为，导致数十亿美元的亏损以及高盛旗舰级量化基金的关闭后，计算机驱动的交易员停止使用算法。

10年后，人工智能和机器学习成了自动化投资的两大热词。然而，尽管这些新技术日益红火，但将AI应用于投资还存在三个严峻的问题：它运行得太好，它往往无法理解，它只知道最近的历史。更糟糕的是，一旦它流行起来，算法们在市场上相互交锋，那就会弄巧成拙。

机器学习系统如如今的确非常善于发现模式。但不幸的是，计算机实在太出色了，以至于它们常常会发现那些并不存在的模式。

“过度拟合”问题

Axa IM Rosenberg Equities首席战略家迈克尔·科洛（Michael Kollo）谈到了华盛顿大学研究人员开发的神经网络（以大脑为基本模型的一种AI），该神经网络可通过关联狼与雪来区分狼的图片和狗的图片。

“它能够轻松地鉴别某种顽固的现象，并从中学到一条规律。”他说。用过去35年的市场数据来训练AI，它可能会形成一条简单的规律：购买债券。鉴于十年期国债收益率已经从1982年7月的13.7%大幅下降至周一的2.31%，事后来看那是很好的策略——但未来35年，国债收益率不可能再下降那么多。

在业界中，识别不重复的模式被称作“过度拟合”——注意到狼的照片中与狼不相关的雪，或者注意到过往股价与未来走势无关的偶然模式。

对冲基金Winton Group创始人大卫·哈丁（David Harding）表示，寻找方法避免这类假规律是计算机驱动的投资的核心所在。“避免过度拟合是一种心态。”他指出，“它跟避免一厢情愿是一样的道理。”

量化基金Man AHL首席科学家安东尼·莱福德（Anthony Ledford）表示，更先进的机器学习系统有时候也意味着它用处变小。“你的模型越复杂，它就越善于解释你用于训练的数据，同时越不善于解释未来的数据。”他说。模型需要认识到市场的很多走势是毫无意义的噪音，它需要尝试辨认出重要的信号，即便它无法解释过往数据中的一些走势。

许多的量化投资者都在试图避免过度拟合，他们坚持认为他们所使用的规则应当有经济或者行为方面的逻辑依据。如果计算机发现每隔三周堪萨斯州下雨时，在巴黎上市的石油公司股票就出现上涨，那么押注这在未来会再次发生无异于瞎赌。

难以解释决策原因

很遗憾，解释经过了数千次信息输入的系统作出决策背后的原因，可以说是几乎不可能的事情——这是一个很重要的问题，美国的国防研究部门甚至在投资展开一个项目来尝试打造出可自行解释自己的决定的AI。

该类系统缺乏透明度，意味着再先进的系统，往往也只是试验品，只能够投入较少的资金，又或者要安排人手监督系统生成的建议。

查尔斯·艾利斯（Charles Ellis）是典型的例子。去年11月，他加盟都柏林的Mediolanum Asset Management资产管理公司，负责开发机器学习系统。最早投入使用的系统用于提供各个行业的投资建议。艾利斯说，凭借20年与美国股票相关的1500个变量数据，公司使用名为随机森林回归模型的机器学习系统来尝试避免过度拟合，早期的使用结果颇为理想。该系统仅被用于200亿美元投资组合中的一小部分投资，而且最终的投资决策仍然由基金经理来作出。另一个旨在尝试预测经济周期的系统目前也颇被看好。

随机森林法的不足之处在于，难以理解计算机作出特定决策背后的原因。“它有点像是黑盒子，因为你不知道那些信息输入为什么会产生那样的结果。”艾利斯称。

科洛指出，当这种系统导致亏损的时候，要是没能搞清楚亏损的原因，那么它最终难免会被关闭。“所有东西最终都会出错，每一个算法都有倒霉的时候。”他说，“那些存活下来的算法与没有存活下来的算法的区别在于，它们所做的事情是能够解释清楚的。”

部分投资者并不在乎算法缺乏透明度的问题。对冲基金投资者Protégé Partners的杰弗里·塔伦特（Jeffrey Tarrant）表示，该问题“完全没有困扰到我。”他投资了六支使用AI技术的基金（通常都结合使用不平常的数据来源），这些基金的投资经理都来自不寻常的背景。他估计有75支基金声称使用AI技术，但他认为实际上使用AI的只有25支。

仅知道近期历史

长期利用计算机管理资金的投资者对于当下最新的AI投资热潮嗤之以鼻。Winton的哈丁嘲讽道，“30年来我们一直在说可以利用计算机管理资金，但却被人当傻瓜来看。而现在，他们冒出来说你可以利用计算机管理资金。”

他将一种机器学习技术应用于期货市场价格的移动平均线，这帮助他成为了亿万富翁。他的团队只是将机器学习视作又一种用于发现市场异常现象的统计技术。

20年前，苏希尔·瓦德瓦尼（Sushil Wadhwani）在对冲基金Tudor担任交易系统主管的时候曾使用过机器学习技术。如今，他在借助机器学习运营自己的自动化基金——但有时候他会忽略那些系统的指示。2008年，他关闭了系统对欧洲债券的分析，因为经过多年的验证后，他认识到欧元区最好的债券和最差的债券之间的价差并不取决于经济基本面。随着银行系统出现奔溃，他知道这已经不再适用了。

他指出，“机器会很难认识到那一点，除非它知道它应该看看1930年代经济危机时的情况。”

高频交易系统在改变交易机制来自行运作上或许有足够多的案例，但它们不能够动用过多的资金。如果所部署的新数据集很多都只能够追溯一二十年，那将机器学习应用于长期投资会很棘手。不知道历史的计算机注定会重蹈覆辙。（乐邦）