PAAMCO首席执行官：人工智能最大的危险就是过度拟合

　　新浪财经讯10月28日由财视中国联合AIMA、CAIA Association、CFA、衡力斯、APEX、芝加哥商品交易所等多家协会、机构举办的“第四届对冲基金中国年会”在北京康莱德酒店举行。PAAMCO合伙人兼董事总经理、首席执行官Misha Graboi出席了会议并做了”亚洲市场量化投资策略与交易“的演讲，他表示，一般来说我们不太做CTA的投资，为什么呢？因为它们有时候不起效果，而且你很难做投资决策，你不知道怎么投。如果不理解CTA的话，不理解真正经济的基本面的话，你决策做不对的话，你干脆就别投资。

　　关于AI的几个不足的地方，或者它潜在的一个危险。我觉得最大的危险就是过度拟合。人工智能会有其他很多的问题，比如说关于算法的问题，我们的处理数据是非常大的，几乎是几何的。所以对于处理能力和技术能力来说是非常高的一个要求。我觉得这个可能是一个潜在的问题，也就是我们在去训练模型的时候，我们需要大量的几何型的数据来训练我们的机器学习。

　　以下为发言实录：

　　接下来还是一场主题发言，题为“亚洲市场量化投资策略与交易”，发言人是PAAMCO合伙人兼董事总经理、首席执行官Misha Graboi，掌声欢迎！

　　Misha Graboi：大家好，我首先要道歉，因为这个PPT是英文版的，所以我就尽量地说慢一点、说清楚一点。

　　今天在这里参会，我可能是一个老年人，我对所有的东西都持一个怀疑的态度，今天我就想谈一下我觉得量化投资的角色和它的作用。

　　首先，我想跟大家说一下抱歉，我看到之前的谈话非常复杂、非常专业，你们谈到了很多算法、数学的东西，但是今天我不会讨论这些东西，我今天讲的是一些更宏观、更高层的一些理解，就是对于量化投资的我觉得好的一些事情。还想分享一下我对量化投资未来的情况，尤其是我们有人工智能和大数据的引入。

　　可能有的观众对我们公司不太了解，我们是一个母基金公司，我们是一个控股公司，我们管理300亿美元资产，我们大部分都是量化投资，我们有几百万投入到量化投资策略里面，尤其是在亚洲市场的投资。所以我觉得量化投资是非常有意思的，我们之前也了解过很多，在2000年的时候，很多的投资人，他们都搭上了量化投资的快车，在上世纪90年代，我们也有一些套利的行为，有些人说你的这个计算机在做交易，实在是太了不起了，几乎每十年都有一个量化投资的热点，并且现在也迎来了量化投资的一个重新的热点。在最近摩根斯坦利用机器，还有有一个电影是关于机器杀人的情况，在美国有1.5万亿资金池，我觉得推动量化投资发展是ABC、大数据、云计算等等。在我们的投资界，这三个因素都是像魔法一样非常复杂，但是非常神奇，我们可能并没有很深入地了解，我们知道他们做的事情都非常酷、非常了不起，而且可以用这些技术来检测我们肺上的毛病或者癌症，我们就觉得这个技术是非常了不起的，他能够去提高我们在所有行业的东西。所以也会在将来看到这些技术的发展，我觉得对于ABC的炒作也是非常多的。我们在过去的30个月，大概有323亿的流入，流出大概有469亿美元，在各个领域都是非常流行的，但是它的表现并不一定非常好。HFRI差不多增长了2.91%，宏观动员指数下降了2.49%。加权综合上升了3.12%。所以我觉得大家都在推动这个量化投资，都在想用量化投资。

　　量化投资到底是什么呢？总的来说可能不是特别有趣，但是可能有的人会感兴趣，其实量化投资就是用计算机技术来进行交易的一种证券投资方式，我们如果去看一下传统的投资人和量化的投资人，传统的人很多都说股票是一个故事，尤其是随着中国消费者的扩大，还有新技术的引进，很多人对这个故事都不是特别了解，他们更加关注的是量化的一些策略。比如说他们进行交易很多都是一些数字，并不是一个故事。我们在这个行业里面和很多人打交道，或者我们去参观工厂。但是在量化投资，我们并不需要跟人打交道，也不需要实地去工厂参观，我们只需要确保这个模型是有效的，而且这些数据是有效，并且有用的。还有这些投资人会下一些赌注，他们也在各个领域做大量的研究。量化投资中可能不会做这样传统的东西进入你的打包组合中计算，因为你知道每一个股票的表现，而且因为你会极大分布你的风险，你既然要做量化投资的话，你就会选择你喜欢的，等会儿我会分享他们喜欢什么样的特征。最后就是它的收益了，收益传统来说一般是6-12个月会看一下你的组合，一般收益得比较低，但是量化投资不一样，可能差别非常大，6-12个月也许收益，可能比我想的还要快，甚至速度还要快，所以收益差别非常大。

　　我简单和大家说一下不同的战略，我们关注的战略。第一个主要的战略就是计量的套利，计量和统计的套利主要关注的就是市场上几笔不同的证券，这些证券都有可能由同样的因素所驱动，比如他们看所有价格的波动，比如说有五个汽车公司，三个公司在升涨，涨了3%，还有两个降了2%，在历史上是比较常见的情况，这五个要打包。在我们的模型中可以看，现在有一个价格的差别，因为这五个公司的证券相当于是同样地来交易，共同交易。现在它的收益率已经出现了两个企业下降了，或者是他们已经出现了负增长，其余的三个还非常地不错，计算机会找原因，可能找不到原因，为什么会出现这种情况？它就会把这三个卖出去，把两个买进来，这就会是对冲，因为他估计涨的会降，降的会涨，根据日常的交易来看，可能这个计算机能够接收到的声音，在短期内会完成，就是在几天或者到一个月之内会决定。但是计算出你们要买什么样的证券，他们把几个证券一块进行交易。现在我们会慢慢在ETF中扩大你的交易篮子，把所有证券放在一块，其实这个决定是非常难的，你很难在美国有效做这样的决策，我们去做这种打包交易的时候越来越难做了。风险主要是关于市场的判断，比如说你是不是现金流充足，是不是能够观望足够长的时间，可能机器的测算错过了一个基本的原因，为什么表现会出现这种差别。

　　第二个主要的战略就是多因素的模型，现在背后的驱动因素就是它会系统性地去做一些基础性的分析，这种模型主要是要去买一些比较贵的资产，比如说买一百个证券，它们的价格和市盈率都很低，我就会赚钱，我可能是平均的一个收益，但是可能这么做不够，因为我们有时候会考虑到这些证券价格太低，我们也不光是看市盈率，我们还要看一些别的因素，比如说市盈的体量，比如市盈率涨得慢，但是代收账还挺多的，这还是比较好。这里可能把所有的别的渠道都已经给堵了，因为无论是买进卖出的价格都非常低，我们就要考虑到我们的模型是不是要买便宜的，可能我们就买不进市盈率高的，比如说我要买一笔证券，它们有着平均的增长率，我的市盈率还不够，但是它可能不涨了，虽然市盈率还不变，但是它的增长幅度在下降，所以一个企业只看金融的数据根本不会思考这个企业在做什么，它也不知道这个是一个技术公司还是一个摄像机公司。他们一般情况下只是看数据，这可能会判断错误，因为有这样的因素，它其实不是常理可以解释的，在很多年中，尤其是在世纪之交，也就是1999年左右到2002年，有一些新增长的公司，他们的价值比我们的普通公司要高，因为当时是互联网泡沫的时候，当时我们用这种多因素的模型就不合适。

　　第三种方面就是CTA，刚刚已经有一轮讨论，专门讨论CTA，我就不再说细节了。我们看CTA的话，它就是由行为因素所驱动，或者是由结构因素所驱动。一般来说我们不太做CTA的投资，为什么呢？因为它们有时候不起效果，而且你很难做投资决策，你不知道怎么投。在多因素的市场环境中，你可以去买一些便宜的股票，可能质量很好，市盈率也很高，长期来看，你会觉得你会赚钱，哪怕暂时你不赚钱，如果我能够系统性地做长期持资的话，市场总会让我赚钱的。CTA就不一样了，假如说这个趋势还不错，有时趋势根本就不对，如果我终止交易的话，你不知道你该干吗了，你不知道你该去做什么了，你也不知道为什么市场就停滞了，为什么没有这种趋势往上走了，如果你看到一个新的趋势的话，你还会发现自己很持续，有时候还挺好的，但我们不能够真正地做大规模的投资。所以总结一下，如果不理解CTA的话，不理解真正经济的基本面的话，你决策做不对的话，你干脆就别投资。

　　最后就是高频交易。这基本上就是计算机基于之前的市场表现来做的决策。在美国，一般来说一些监管机构喜欢这种，比如出现交易阴影的话，有一些私下的PE，还有一些套利，你就可以借助这个机会，因为你只要计算机系统足够强大，你就可以利用好，你可以做好套利。其实这是一个非常常见也非常顺利的交易方式，首先竞争很大，美国的竞争非常大，很多价值都在竞争中被稀释了。现在竞争也是越发激烈，而且有很多监管的风险。所以我觉得在多高频交易中主要的价值是很难能够真正到位的，而且也出现这种系统性的风险和问题。一旦市场出现问题就很容易出事。我总觉得高频交易会出事，因为监管机构可能说不定以后会禁止这种交易，但是现在还没有。

　　亚洲的量化投资情况。我们在亚洲做了一些暴露的机会，尤其在中国，一般情况下我们也很喜欢亚洲市场，因为这边有很多相关的战略资产证券的出台，而且有很多指标，让我们更容易去敏感地触及背后的一些信息，比别的方面都要多，包括一些系统的指标，包括像我们的一些排名的参数，还有一些模型，模型在这边用得非常好，总的来说这些模型都用得非常好，还有行业的观察，这些信息的流通，比如说在亚洲市场有一个分析人员就发了一篇文章，这篇文章是英文写的，它可以说是英语、日语、中文写的，马上当地的专家就会去传这篇文章，但是会花上几周时间才会到美国或者欧洲的海外市场，看看中国股票市场的情况，现在有很多坊间的小道消息，整个信息是充盈的，我们的信息对称性很好。亚洲市场还在早期，刚刚大家都说到了，可能暂时的效率还没有真正达到最佳化，不如欧美那么成熟。

　　当然我也认可这一点，我最喜欢的一句话是这么说的，大家听过DI这种说法吗？DI是一个韩国的股票，大家可能不太清楚，在2000年的时候，大概有几个月的时间内，在韩国的这家公司就出现了问题，背后有很多的流言蜚语。可能这就是韩国市场的不充分性导致的，大家都听到过。机器感受不到整个韩国市场的动态，韩国市场也不关注哪个娱乐明星，所以我想大家最好利用好人的不理性，因为机器和人不一样，它们不会有这种情绪的波动，它们会完全按照系统的理性来做出决策，市场也会出现扭曲，在香港、中国、新加坡就非常适合量化投资。别的地方，有些国家并不是非常适合，比如南非就不是很适合，因为南非就五只股票，包括南亚也就五只股票，如果就做五只股票的话，就有很多的不理性成分，包括亚洲一些股票也没有英文的分析版本。现在在亚洲还是早期，在中国也是初期，还有很多CTA的管理师，我也遇到过一些，有些是专门做分析的，我还遇到过一位，我还遇到过高频的交易师，我也不知道在国内是不是监管机构能够批高频的交易，如果大家有兴趣或者是认识这种人的话也可以介绍我认识一下。包括有一些做量化交易的人不在大陆，还有一些高频的交易可能不在中国，但是在东南亚很多。日本会比较多一些。不过在日本那块我不是非常懂，因为他们不太喜欢外来的资本，而且比较保守，他们也不太喜欢对他们的各种信息进行分析。

　　我们也有期待，我们的期待就是一些好的关于做量化的管理师、经理，首先他们要符合科学的研究方法，首先有假设，这个假设应该是基于经济原理推动的，你要去测试你的假设，利用不同的变量去测试你的假设。比如说你有20万个数据库，你的AI很强大，你可以走很多数据级，你可以找这样的联系关系，但是这些关系之间可能是随机的，哪怕它们看上去数据上是有意义，但是可能背后是无意义的，所以我想你在做系统分析的时候，比如说你一般要买一些便宜的、低价的，就会达到市盈率高，你可以去测试一下。而且我们要看一下这些市场信号是否够强大，我们要关注强大的市场信号，有些信号是错误的，但是你的模型还是能够拿这些市场信号去做，比如说你可以拿这种样本的分析，你可以做一些回撤，大家可以赚钱，用回撤都赚钱，没有人在回撤中真正地去输掉钱，但是你在拿样本测试的时候，包括用历史数据去测算一下样本是否有效，你还可以做这样的跨市场研究，是不是买进一只很贵的美国股票就会盈利很高呢？它在韩国的收益、在日本的收益、在英国的收益，这就是一个测试的方法，以及你是不是有着一个随机数据的高效率，我们觉得数据越高就越好，排名第二的呢？以及第三好的呢？第四好的呢？假如排名第一的只是比第二好的好一点点的话就没有必要。如果我表现没那么好的比我最好的那个也做得比较好的话我也会盈利，并且这个并不是取决于一个信号的，其实有很多个信号能够去产生比较好的价值。如果取决于一个信号的话，但是这个信号没有起作用的话，那么我的这个就有问题了。

　　还有很多量化投资人花很多时间去建模，但是比如说有三个Alpha，在回撤的时候有5%，这样的话就会有一个过度拟合的情况，并且我们需要去不断地修改或者去提高，并且很多好的量化投资人，他们运用了很多好的优秀的数据，我并不知道这些信息来自哪里，但是我有朋友是投资人，他们用一些特别差的数据，这些数据全都是不准确或者不正确的，所以很多投资人用不好的数据就会有问题，尤其是我们进行风险管理的时候、风险控制的时候，他们用这些数据，但是没有真正地去验证它们，所以得到的结果是非常差的。完善的IT基础结构，我觉得这个是非常清晰的，就不细讲了。

　　不知道下降8%的时候是不是一个做决定的好时间，我觉得我们需要的是一个方案，当我们的模型没有工作的时候，我们需要一个应急方案，我们需要进行未雨绸缪，去进行策划一个方案，当市场真的开始下降的时候，我们就可以运用这些方案。在2007年的时候，量化市场有非常大的暴跌，因为很多人开始赎回，他们开始卖出，所以很多投资发展方向都错误了，所以当时就有一个量化暴跌的情况，有时候我们去提前进行未雨绸缪的规划，就可以弥补这种损失，但是有些人可能觉得市场已经不行了，他们就把所有的方案都关闭了。所以我觉得我们需要去再提前进行一个预警的方案。最后一个需要做的是不要过度优化，有时候我们得到的结果非常不稳定，大多数的量化投资并没有用直接的优化。

　　最后讲一下什么是不合格的量化投资人。去杠杆其实是不好的，如果在波动性有非常高的变化的时候，这样对量化投资人是一个非常不利的环境，比如说我们有一些因素，比如在2016年的时候动量并没有很好。所以很多量化投资经理人所遇到的情况就不是很好，CTA也是受这个影响的。市场趋势有时候是上升，有时候是下降的，但是只有当这个市场下降的时候，CTA才可以有效。在1999年到2002年的时候，市场并不是很理性，所以我们有很长期的量化，当时都没有很好的成效。

　　AI，我觉得刚刚的发言人已经讲了很多关于AI的事情，所以我就不细讲了，但是我想讲一下关于AI的几个不足的地方，或者它潜在的一个危险。我觉得最大的危险就是过度拟合。你可以有几千个数据级，可以有一个非常复杂的模型，但是我觉得我们的问题就是它是否能够去解释未来的情况，很多用样本的模型比AI的模型都更加强劲，很多人用机器学习去进行过度拟合，他们可以很好地去解释过去，但是不能很好地解释未来。它还有一些其他的潜在问题，人工智能会有其他很多的问题，比如说关于算法的问题，我们的处理数据是非常大的，几乎是几何的。所以对于处理能力和技术能力来说是非常高的一个要求。我觉得这个可能是一个潜在的问题，也就是我们在去训练模型的时候，我们需要大量的几何型的数据来训练我们的机器学习。

　　AI存在的问题有的时候是非常复杂的或者是不能去解释的，我们很多时候不能去指导这个机器学习，所以当投资人损失了20%的时候，他们会说这个模型有什么问题，但是很多投资人不能回答这个问题，所以他取得的效果并不是很好。还有AI的算法，我们无法去解释，所以我觉得可能不是一个很好的市场策略。还有一个问题经常被忽视，我觉得AI很好的用处就是在医学上去检测癌症、去检测肿瘤，虽然在这方面做得很好，但是它检测出来的肿瘤都是非常相似的，比如说它检测出来两千多个肿瘤都是非常相似的。所以它会不断地学习，然后每次会检测得更加精确。但是我觉得今天的市场跟以前的市场已经发生了很大的变化，比如跟2015年比起来，已经非常不同了。所以我们用90年代的数据或者2000年的数据，或者现在的数据，都有很大的不同。并且现在利率高的时候、利率低的时候，市场的反应都是不一样的，而且在流动性不一样的时候，市场也是不一样的，所以应该非常谨慎地对待这个问题。

　　还有一个我把它叫作海森堡复仇，就是关于一个不确定性，AI很多时候能够很快地发现市场的一些现象，但是如果需要去观察这些现象的时候市场就消失了。我们在交易的时候，我觉得这是非常常见的，尤其是高频率交易中是非常常见的事情，就是很多有效的东西消失得非常快。所以这也是一个值得深思的问题。

　　最后想抛一个问题给大家下来思考。我们知道AI另外一个好处就是，比如说它可以进行电影特效的制作，或者花很多钱去制作一个电影，但是在电影里面，用这么多钱的话，他们的期望会比较高，并且如果你损失了这个钱的话，他们会有很不好的结果。我虽然觉得AI有很好的未来的期望，但是在不同的市场也会有不同的风险。我觉得AI的好处，一个比较好的应用领域是2011年的时候，日本遭受海啸的时候，AI当时在日本也没有那么流行，但是日本有一个核电厂，但是海啸过了几天以后，大家才知道核电厂泄露事故，所以我也持一种比较怀疑的态度，有人说有一千个数据级。这是我想给大家分享的一些问题。

　　最后我还有五分钟的时间，如果大家有问题的话可以问我。没有的话，非常感谢大家的时间，谢谢。