讓電腦像交易員一樣思考 人工智能技術在對沖基金行業看到曙光

很多年以來，對沖基金一直在嘗試教會電腦像交易員一樣思考。

經歷過許多次的空歡喜之後，一種名為「深度學習」、能夠大致模仿人腦神經元工作模式的人工智能技術為對沖基金帶來了曙光。一位知情人士透露，WorldQuant 已經利用這種技術進行小規模的交易。 Man AHL 或許很快采用該技術。Winton 和 Two Sigma 也將進入這個領域。

這些量化交易公司希望，人工智能這種更加強有力的機器學習技術，能夠幫助他們在全球金融業愈演愈烈的技術軍備競賽中占據優勢。假如他們的方向正確，那麼神經網絡技術將幫助推動金融業的演變，造成人腦與機器同場競爭，並給傳統的投資領域工作機會帶來威脅。不過，研究人員暫時還不願過度宣揚這項技術，因為在經歷了之前一輪的大肆宣傳但最終以失望告終之後，研究人員更願意暫時將其看作另一只希望之箭。

「1990 年代對沖基金紛紛宣布使用神經網絡技術的熱潮失敗之後，對於‘深度學習’能夠解決投資管理這個普遍性問題的說法，我們傾向於持懷疑態度，」倫敦管理 315 億美元資產的量化對沖基金公司 Winton 在聲明中表示。

谷歌等科技業巨頭已經驗證了深度學習技術的利用價值，現在量化基金也開始追隨它們的腳步。深度學習技術需要超級強大的電腦以及海量數據，並已經在特斯拉的自動駕駛汽車和亞馬遜智能音箱 Echo 得到使用。與深度學習領域的先鋒人物 Yoshua Bengio 教授進行合作的電腦科學家 Nicolas Chapados 表示，深度學習距離成為對沖基金行業的主流工具還需要大約 5 年時間。

Chapados 表示，科技領域有一大批深度學習模型可以被用於金融處理。Chapados 是蒙特利爾量化基金公司 Chapados Couture Capital 以及使用深度學習技術的研究機構 Element AI 的聯合負責人。

對沖基金在采納深度學習技術方面實際上已經落後一步，其原因是缺乏將其應用於複雜金融數據的專業知識。Facebook 的圖像識別技術之所以取得成功，比如能辨認出圖片中一只狗的形象，究其原因是其使用了社交媒體用戶上傳的無限量數據。與之相比，金融市場數據有限而且總是在發生變化，造成預測股價變動等市場波動變得更具挑戰性。

深度學習技術大致模仿了人腦中多層神經元的活動方式。神經元以複雜的方式密集地相互聯繫，在我們學習的時候將信號交換給其他細胞並建立新的連接。深度學習技術也采用了類似的非線性、多層次數據處理模式，使得電腦能夠利用基礎的數據構建複雜的概念。

假設一個量化基金在尋找可能推動某只股票上漲超過基準指數的要素。現在分析師的典型做法是手動選擇諸如本益比等指標進行測試。而使用深度學習技術的量化基金則是給神經網絡一個價格目標，然後向模型中輸入原始的公司和市場數據。這些人工的神經元就是能夠分析數據的數學方程。隨著數據在不同層次中移動，神經元能夠自我調整，或者說學習，從而向目標接近，找到預測股價何時達到目標的驅動因素。

倫敦 Man AHL 的首席科學家 Anthony Ledford 表示，他的研究人員已經花費一年多時間來開發深度學習技術，公司希望不久之後將其運用於實際交易。