編者語：

近年來，量化投資業已成為海內外資本市場發展的焦點之一，與基本面分析、技術面分析并稱為三大主流投資方法。隨著人工智能（AI）技術在金融領域的廣泛應用，AI與量化投資領域的結合主要表現在深度學習和智能投顧兩個方向。AI如何應用于金融投資領域？其在證券投資領域又將迎來哪些創新和發展？北京大學匯豐商學院訪問副教授、平安銀行資管結構化理財負責人朱曉天先生在《北大金融評論》創刊號上發表的文章深入探討了上述問題。敬請閱讀。

文/朱曉天

近年來，量化投資業已成為海內外資本市場發展的焦點之一，與基本面分析、技術面分析并稱為三大主流投資方法。在美國這樣成熟的市場上，量化投資已經成為基金和大資本的主要運作方式，其中的大部分交易都通過程序化交易完成，美國資本市場的交易結構也因此出現了顯著的變化。同時，隨著人工智能（AI）技術在金融領域的廣泛應用，也迅速推動了投資策略自動化和智能化的進程。目前看來，AI與量化投資領域的結合主要表現在兩個方向，一是深度學習，通過AI輔助量化交易，目前國內外一些私募基金已經開始將AI的三個子領域，即機器學習、自然語言處理與知識圖譜融入到自己的量化投資策略中。二是智能投顧，即通過機器模仿和復制優秀基金經理的模式，用AI和大數據分析等手段實現資產管理。

提到量化投資，大家常想到的特點一般有兩方面：一是歷史依賴性，即通過對歷史數據進行挖掘回測，找到規律；二是紀律性，即制訂規則后由電腦自動執行，回避人的主觀情緒干擾。但同時，完整的量化投資思想中有一個非常重要卻常常被人所忽視的特點，那就是量化的風險分解和基于風險分解后的精細的風險控制。這是量化投資不同于傳統主動投資的最主要特點之一，無論是在美國的發達衍生品投資，還是在國內的市場投資，風險分解和基于風險分解的風險控制，都貫穿整個量化投資中。

具體來說，AI在金融投資領域的應用主要集中在三個方面：第一，通過深度學習技術對金融市場的資產價格、利率曲線或者波動率等變量進行更準確的預測；第二，通過機器學習、模式識別等技術對金融市場資產的風險等級，資產類別或客戶分類進行更精確的劃分；第三，綜合人工智能市場預測與風險等級劃分的能力，通過復制優秀基金經理的大類資產配置的預測模式，組合風險管理及資產優選機制，系統性地實現智能資產配置。

AI在金融投資領域的三大應用

市場預測

AI技術在金融投資領域有三大應用。第一大類是金融市場預測，即時間序列預測問題，具體包括如下領域：對金融市場產品的價格預測，包括對各種金融產品的價格預測；預測公司的財務狀況，包括上市公司的財務狀況預測模型，在大類應用領域里屬于權益類資產配置；對收益率曲線的變動預測，比如，做固定收益類資產配置，用人工智能技術做一些收益曲線變動趨勢的預測等；算法和做市交易執行；金融產品的波動率預測，銀行的金融市場部有很強的需求；復雜金融衍生品的定價。

分類評級問題

第二大類是分類或評級問題。第一個具體應用是信用風險預測，屬于信用衍生品資產配置領域。因為結構化產品，如房產抵押債券，它們的定價同時受底層資產的信用風險和提前還款風險的影響。傳統的信用風險預測大多采用統計模型，但最近也開始使用AI 來實現。第二個具體應用是債券評級領域，AI主要起輔助的作用，因為行業本身有一套統計及專家評級的系統。第三個具體應用是消費者市場劃分，即商業銀行從市場營銷的角度對它的主要客戶群體進行劃分，以便進行精準營銷。傳統的消費者市場劃分大多采用統計回歸模型，但這個模型存在一些缺陷，所以也考慮用人工智能的辦法來解決。

綜合應用

第三大類是綜合應用，包括目前比較熱門的投資顧問、個人理財顧問等。這些領域不但涉及分類問題，也涉及預測問題的模型。世界最大的資管公司貝萊德收購了一家智能投顧公司，用AI的方法進行了實踐。

金融市場預測。在預測類問題中用機器學習模型的應用很多。2016年2月，三菱日聯摩根士丹利用機器學習模型預測日本股市走向，成功率達到68%。早在2005年，新加坡國立大學的研究采用置信域區間的優化算法來訓練人工神經網絡，預測準確率達到70%。

固定收益類資產配置。對固定收益類資產管理來說，資產組合的久期以及收益率曲線結構對風險管理和投資決策至關重要。因為市場的收益率曲線有時候是平坦的，有時是趨勢性的，有時則是凹凸的；收益率曲線的變動也分為簡單的平移、帶角度的轉動，或者扭曲等。預測收益率曲線結構的變動本身就是非線性的復雜問題，因此，傳統的統計模型很難做較好的預測，人工神經網絡模型可以抓住數據中的非線性關系，而且不需要預先假設參數的分布函數。如果能更好地預測未來利率曲線的變動情況，就能針對不同類型的債券資產，根據其風險收益特征，按利率曲線的分布來做相應配置，從而根據資產組合的整體目標久期來相應調整資產組合沿利率曲線的資產配置權重。

自動做市和算法交易。目前國際投行在算法交易方面投入很大，包括自動做市和算法交易，第三代算法交易系統的目標已經不僅僅是減少交易執行成本和市場沖擊，而是獲得比市場基準更好的結果。因為全球場內交易量很大，交易的過程中就會有交易執行的成本，算法交易主要目標就是節省交易成本。經測算，中信證券2012年凈利潤42億元，如果采用二代算法交易，利潤可以提高26%。就整個市場而言，在2012年可以節省400億的交易費用，采用三代算法可以節省700多億的交易成本。英國的高頻交易占比為30%，美國為60%，日本為15%，當前中國的占比還非常低，但是發展上有更大的潛力。

復雜衍生品交易和定價。準確定價對衍生品至關重要，定價不準確會導致交易虧錢及錯誤的風險評估。例如，掛鉤個股的期權，如果期權掛鉤的底層資產是融券標的，意味著該底層資產有較好的流動性，則該期權的定價相對比較簡單。如果期權掛鉤的底層資產沒有很好的流動性，則傳統方法的定價會有很大誤差。針對這種情況，機器學習的辦法往往可以得到更準確的結果。德意志銀行的衍生品交易柜臺用AI技術對期權衍生品的底層資產做短期預測，因為該期權的掛鉤標的是一籃子流動性不強的股票，所以這些股票的遠期價格很難用傳統統計模型預測，必須采用機器學習的方法。

債券評級。AI技術廣泛應用于分類評級問題，包括債券評級、信用違約預測和市場細分等。穆迪等評級機構都有很成熟的統計模型或專家系統做評級，也把AI作為輔助的決策模型，主要采用前饋型神經網絡做主權債、企業債、利率債的評級，好處是預測非常準確，缺點是解釋能力不強。AI技術很多時候能夠達到常規的統計模型無法達到的準確預測或者分類，但是它無法很好地解釋其中的邏輯，及每個因子的解釋力度。

信用風險預測。美國的資產證券化、資產抵押信貸及信用卡行業也普遍采用AI技術做系統風險預測模型和信貸審批模型。2008年次貸危機時，貝爾斯登、摩根大通銀行的信用風險部門也開始利用非傳統統計模型即神經網絡做一些預測，而且在2007年底時預測房產抵押貸款的違約率會急劇上升。

消費銀行業市場劃分。人工神經網絡相比傳統的統計模型有一些優勢，AI解決了傳統統計模型的兩個缺陷：一是不需要事先知道有幾個劃分區域，而是根據數據自身特征進行分類；二是不需設定起始的區域中心。比如花旗銀行的消費銀行業務做消費者的市場劃分，很難事先知道有幾個劃分區域，只能根據實際客戶消費特點來進行市場劃分，而且消費人群的特點也會隨著時間發生變化。因此，神經網絡模型提高了花旗消費銀行領域的市場劃分準確度，進一步提高了劃分領域中的營銷和風險管理實踐。

AI技術在證券投資領域的創新和發展

關于證券投資領域創新發展的方向，我覺得可以分幾個層次：第一是算法交易執行的創新。智能代理的算法交易系統，能夠更高效地定制化需求，執行組合資產的下單命令，同時跟蹤成百上千只不同的證券標的，反饋訂單執行情況，輕松實現跨市場或跨品種的交易。

第二是投資策略生產的創新，投資策略的生產模式由人力轉向大規模自動化。由于計算機能力的大幅提高，策略開發的時間大大縮短，結合大數據，機器學習的強大挖掘能力將會開發出以往無法發現的“新認知”和新策略。

第三是資產配置效率的創新。基于AI的應用，可顯著提高資本市場的深度和寬度，AI代理會以人工無法比擬的速度、效率和海量計算捕捉任何交易機會，市場的有效性會大大提高，資本市場有效配置資源的功能將得到很好發揮。一旦出現機會，計算機就會自動識別，未來的套利機會將越來越少。

第四是行業結構的變革。隨著AI技術的專業性、復雜性提高，將衍生出新的業態，例如，量化技術背景的智能信號服務提供商開始為金融機構提供定制的信號；衍生品做市部門需要交易信號來做市場判斷，提高他們做市對沖策略的成功率；還有一些技術公司對專業投資機構提供投研外包服務并分潤。

現在也出現了很多非常有針對性的智能交易信號的提供商，與金融機構的合作越來越多，證券投資行業逐步涌現大量基于智能要素的新型業態。隨著自動化越來越普及，智能算法也越來越多，這個行業競爭也越來越激烈，未來十年很多初級分析師的職位也會被逐步取代。

國內市場上的量化投資發展尚處于初級階段，但隨著中國資本市場對外開放、有效性的逐步提高以及對內幕消息等監管愈發嚴格，通過非公開方式獲取信息的難度加大，量化投資成為了一個良好的獲得非公開信息的科學理論與技術方法。基于AI技術的量化投資前景寬廣，潛力巨大。

（完）

文章來源：微信公眾號“北大金融評論雜志”2019年12月20日（本文僅代表作者觀點）

本篇編輯：付守鑫

溫馨提示：現微信最新版本“訂閱號”已實現公眾號置頂功能，廣大讀者可點開“金融讀書會”公眾號，點“置頂公眾號”鍵，即可將“金融讀書會”置頂，方便查閱。