法国兴业银行的团队使用了一种名为LightGBM的开源工具，它实现了一种称为梯度增强的机器学习算法。该模型试图预测未来一个月的市场表现，但研究人员几乎立刻发现，投资组合的换手率高得惊人。如此高的成交量表明，交易成本可能是实施这一战略的一大障碍。
中国基金报记者 姚波
在资产管理领域，不少大型资管公司正在努力探索诸如机器学习等人工智能最前沿，尽管现在只是渐进式的进步，在真正成为革命性创造之前，基金公司只能保持谨慎乐观。
外界不少人士分析认为，投资领域应用机器学习尚属发展早期。机器学习却能够克服因子投资仍然存在的行为偏见，许多方法却相互矛盾，现有不少大型团队仍努力发掘利用其发现投资机会。
法国兴业银行的拉普索恩和他的同事奥科诺莫在2017年夏天发表的一篇战略论文中阐述了一些观点，自今年年初以来，他们一直在运行一个基于量化因子的机器学习策略。他们考察了80个投资因素，使用的时间跨度为2005年12月至2019年1月，利用4个指数涵盖4个地区：亚洲（不含日本）（MSCI World Asia ex Japan）、欧洲（Stoxx 600）、日本（Topix）和美国（标普500和标普400）。
拉普索恩和奥科诺莫的结论是，机器学习的应用是否成熟，现在下结论还为时过早，态度为谨慎乐观，自2006年以来，这些模型的总体回报率约为7%，年化投资回报率为1.7%，这种收益情况表明目前要真正应用机器学习还不太现实。
机器学习没有对过去的依赖，也没有对未来的偏见，在特定条件的预测时会变得特别强大。在某些领域机器学习似乎特别有用，例如它可以计算出在大环境变化时（如利率的大幅变动）如何买卖，但也要注意，在市场显著波动期间，模型可能没有跟上节奏。
据了解，法国兴业银行的团队使用了一种名为LightGBM的开源工具，它实现了一种称为梯度增强的机器学习算法。该模型试图预测未来一个月的市场表现，但研究人员几乎立刻发现，投资组合的换手率高得惊人——50%的周转率意味着，短短几个月后，投资组合可能会完全不同。如此高的成交量表明，交易成本可能是实施这一战略的一大障碍。
数据集也是应用机器学习的关键因素之一。拉普索恩目前最大的担心是，资本市场是不断变化的，而数据集的深度和长度可能不足以揭示任何持久趋势。不少研究人士都提到要把重点放在数据源的深度上，如果使用稀疏数据来训练机器学习算法，就像驾驶一辆法拉利在土路上行驶。
许多机器学习的爱好者还喜欢结合另类数据源。然而，拉普索恩并不那么相信，他警告称，在金融市场中，即使你的数据集中有一个小小的前瞻性偏差（指系统引用了当时不存在而未来才有的数据），都会导致出现实际中不可能获得的巨额回报。
热门推荐
收起
24小时滚动播报最新的财经资讯和视频，更多粉丝福利扫描二维码关注（sinafinance）
