天马资产刘虹俊：人机结合 完成投资的快思慢想

　　2019年10月17-18日，由私募排排网主办，华泰证券、华泰期货、南方基金联合主办，香港东英投资管理有限公司协办，深圳市私募基金协会和泉州海丝基金小镇特别支持，上海交通大学上海高级金融学院学术支持的首届中国国际对冲基金年会在深圳星河丽思卡尔顿酒店隆重开幕。

　　本届年会以“开放互融，共启对冲基金全球化新时代”为主题，汇集诸多国际知名对冲基金管理人与国内优秀对冲基金管理人，通过主题演讲、圆桌对话等多样形式搭建对话合作交流平台，分享对冲基金投资经验与智慧，深度解读国内外对冲基金发展的最新趋势，促进对冲基金行业的创新发展。

　　
天马资产联合创始人、执行董事刘虹俊

　　在本次年会上，天马资产联合创始人、执行董事刘虹俊先生给我们带来以《人机结合：完成投资的快思慢想》为主题的精彩演讲。

　　以下为演讲全文：

　　谢谢大家。很高兴能够参加中国首届对冲基金的研讨会，今天我要讲的题目是“人机结合，完成投资的快思慢想”。

　　介绍一下天马的背景，我们做对冲基金已经有20年，3年前决定把主动投资的思维方法结合机器学习，转型成人和机器结合的投资逻辑。讲到人工智能在投资中的应用，顾名思义，一共涉及到3件事情：一是智能，也就是人脑的思维方法；二是人工，也就是AI或者是机器学习；三就是投资。

　　以前做主动投资的时候实际比较简单，只需要考虑自己怎么投资就可以了。而现在如果用机器人（300024，股吧）来做，要对上述三件事情都有一定程度上的理解，所以这里面的关键因素是对人的思维方法的认知，以及对投资本身的认知，用机器学习完美演绎，才是AI投资成功的关键。

　　下面第一部分分享包括人脑的认识，机器学习的认识和投资的认识和应用。第二部分对过去三年多来的摸索中的体会和问题，以及今后研究方向上的一些思考。

　　第一个认知是对人脑的思维方法的认知。实际上在目前的科学中，人类对人脑的认知仍然非常少，对人怎么思考也不是特别了解。按照诺贝尔奖获得者康纳曼的人类思维系统的理论，简单介绍一下：

　　第一是快思之系统1。是依赖直觉，见多识广，能迅速对眼前的情况做出反应。但是这个系统也容易以偏概全，任由对风险损失的规避和乐观偏见诱导出错误的决定。人类大概有95%的思维是系统1。系统1常常给系统2提出建议。

　　第二是慢想之系统2。依赖逻辑，处理问题比较慢，但是对系统比较复杂的问题可以做出全面的评估和解决。虽然这个系统比较不容易出错，但是需要花的脑力比较多。人脑是非常懒惰的器官，只要是一思考问题多了，就头痛、懒惰、不想思考。因此就会做出走捷径的决定而出错，这个思维在主动思维中大概占5%左右。

　　人类生存的延续，主要是靠系统思维1。如果一个人对某一件事情不能做出比较快速的反应，这个人的基因慢慢可能就不存在了。比如说一辆火车开过来，我们站在铁轨中，明显知道结果是什么。但是日前报道有网红拿着相机，人和火车一起拍自拍，这种无法运用系统1的DNA就从人类的延续中给删除掉了。系统2是人类发展进步的思考方法。

　　我们来看两个投资相关的问题。第一个问题：（见PPT）这两个K线图中，哪个上升曲线比较明显，哪个下降趋势比较明显？

　　这位女士回答是A。您的系统1工作得很好，因为你一看到线，马上就得出了这个结论。我们问一下美女主持人的选择，主持人说没有意见。我们分析一下她的思考问题的过程，她一开始似乎是欲说A，但她的系统1马上又发出一个建议信号给系统2，系统1如果遇到困难，往往会求助于系统2。所以她要说出答案的一刹那，系统1说“系统2，你来判断一下”，系统2一看下面的备注，此问题来自于Muller Layer实验室，看起来比较复杂，我得查一下google，但两秒钟必须要回答。所以系统2就说：无法按时回答。系统1中有一个规避风险的功能，那就干脆不回答了，所以美女主持人就会说没意见了，这可能是人的思维过程。人脑的思维方法在2岁的时候就已经存在。长期的研究，人类思考问题的能力，从2岁到50岁，思维的方法并没有提高很多，而一些基本的常识可以增加。

　　第二个问题，就比较复杂了，直观根本就看不出来了。这里有两个心理实验，有两个决策要完成，在第一个决策的AB中要选一个事情。A是可以得到240元，B是有25%的几率得到1000元，但是有75%的几率得到0元；第二个决策，C是会马上损失750元，D是75%的几率损失1000元，25%的几率损失0元。让你在决策一、二中各选一个。

　　有人愿意尝试吗？实验证明73%的人会选择A和D，3%的人选择B和C。如果自己再算一下的话，选择A和D的是25%的可能性获得240元，75%的可能性是损失760元；选择B和C，25%获得250人，75%损失750元，显然是B和C比较好。但是人一般很快的就启动了系统1，因为人厌恶风险，先把240元拿到再说。

　　人的思维在有压力的情况下，是非常容易出错的，并且出错还是继续进行下去的。为什么要举这两个案例？所以我们需要把一些看似简单但容易出错的事情，在没有压力的情况下，利用系统2把这些事情都慢慢固化下来，让其用某一个算法去学习，使得它在有压力、很疲倦的情况下，可以快速给出比较正确的答案。而人则慢慢的想一些逻辑上应该怎么区分的事，什么让机器人做，什么让人发挥优势。这是为什么要首先认知人脑，是要做机器人投资的一个很重要的因素。

　　下面讲讲机器学习。机器学习可以分为监督式学习和非监督式学习，Supervised learning就是把一些数据，用某一个任务的特定的理解以及反应，通过一个机器学习，也就是中间的矩阵，给出一个命令。因为对这个事情已经有了认知，就可以对他给出一个答案，比如说你认脸，这个人是谁，那个人不是谁，让他有足够的学习机会，最后得出一个结论，以后99.5%可以认出这个人，是没有问题的。

　　监督式学习在投资中的应用，大概可以分为Classification和Regression。前者在投资过程中是非常重要的，前者也可以是非监督式的学习，也可以是监督式的学习，比如说把市场分成上升的趋势，波动的趋势，或者是下降的趋势。也可以对市场说，今后两三天的市场，可以做一个预测，涨跌是多少。这里有两个大家经常会听到词：一个是大数据，一个是数据形成的多因子。似乎很容易听到一个复杂的机器人模型是运用了大数据、运用了复杂的计算方法，最后就得到万能的圣杯。那事实上是不是这样？答案基本上是否定的，因为大数据这件事情千万得注意，因为最怕的是学到不相关的事情，因为数据不相干，噪音越多。比如说要做一个预测，结果把很多不相干的数据都放在一起，一定要找出一个关系来，最后也可以找到某种形式上的关系，但只要边界条件有变化，预测马上就失效了。

　　就目前机器学习的条件相较几年前已经成熟很多了。 一是大量的相关数据取得要比以前容易得多；二是演算方法大家都可以很容易拿到，Google就提供了很多的演算方法。计算的成本也越来越低，很多开放式的原代码。所以人类实现机器学习这件事情，手上的工具越来越丰富。

　　那么会不会因为可得到的元素都在了，机器学习马上就要把人类都替代了呢？我觉得远远没有，甚至还离得非常远。这是因为机器学习本身并不会把任务逻辑化，分类，人类的专业知识（domain knowledge）仍然起着重要的指导作用。我们的工作就是制定出很多具有独立功能的模型，成为机器人制造中的零部件。而人可以用自己的投资目的、逻辑将零部件整合成为机器人策略。 而这些能够完成某些特定任务的元素，在投资逻辑和目的中组合成各种不同的策略。

　　这里提了股票投资的三要素：择股，择时和风险控制。不管机器人如何复杂或者简单，都不能逃避这些基本的投资要素。而在这三个元素下面可以分不同的类别，例如择股中可以有成长股，价值股；择时中可以有抄底，趋势，追高的策略；风险偏好可以有高有低等等。 按投资的专业知识来分类，让机器人学习完成每一个功能，而人类利用其投资的逻辑来进行组合管理，制造出很多不同的投资经理。未来很多投资策略固化的基金经理，可能慢慢就被机器人代替了。

　　总结一下上面所讲的人脑的思维方法，机器学习和投资逻辑，把这三个事情综合在一起，才是比较确切的一条道路，而不是形成一个黑箱，或者是全部捏在一起，觉得有一个上帝的圣杯在那，拿了这个圣杯就永远胜利了。机器可以让特有的目标、功能，制成模型之后，不间断地、快速地执行你的计划，而避免人当时做反应。因为人在这部分是容易出错的。

　　避免了复杂的事务，人就可以着力做具有哲学的、逻辑的，自我认知的、关于洞察力以及开拓新维度的复杂和具有开拓性的工作。这样经理人就不用早上九点半开盘，一直到三点盯着看盘，用了95%的脑力，累了之后就没时间再想别的事情了。如果这件事拿掉之后，就可以慢慢地做开拓性的工作了。

　　我们这里引用咱们对冲基金的鼻祖Paul Tudor Jones关于机器人的一句话：No man is better than a machine；and no machine is better than a man with a machine。人是做不过机器的； 但是没有一个机器做得过人加上机器。

　　下面我们来讨论一些我们经常碰到的问题。 AI的崛起是否会把投资变得简单或者是均一化？ 我们的结论是否定的。原因是：经过三年的探索，我们发现，用机器代替人做投资，比人本身做投资要难得多得多。因为首先机器人投资要对人脑的思维方法和机器学习有一定的认知；对自己的投资逻辑细化和数量化，分清哪些具体的工作要交给机器人，而什么工作是不能交给机器人的？第二件事情，你要对机器学习有非常深入的了解；第三个事情，要把你的投资逻辑梳理翻译成机器能够理解执行的流程。所以关于第一个问题，回答是不会的，投资反而更难。

　　第二个问题，机器人投资是不是会均一化？也不会。我用音乐的7个音符来举例，7个音符是很简单的，为什么最后音乐不计其数？原因是写歌的节奏、曲风都不同，投资是远远超过音乐的，所以应该是不会的。

　　人类在投资界的工作是不是会被取代？我觉得很大一部分的工作量可能会被取代掉，但是人类工作的价值在某些部分会大幅度的上升。我也是年纪比较大的，也希望跟大家共勉，如果这三年不转变，等最后发现不行的时候，就很痛苦了。

　　目前机器学习的上限是什么？Bengio教授对深度学习，在无人驾驶和人脸识别，以及实时语言翻译做出巨大贡献，今年获得计算机图灵奖。他获奖之后讲了一段话，很值得和大家分享，他说：

　　除非深度学习能够超越模式识别，并了解因果关系的更多信息，否则它将无法实现全部的解密，也不会对真正的AI革命带来什么贡献。换言之，深度学习需要开始知道事情发生的因果。

　　我们在做量化模型或者AI模型时，可以长期回测，模拟回报非常好。做了一段时间也很不错，过了一段就不行，再过了一段时间就一塌糊涂了。主要的问题在哪里？就是在训练过程中，找到了某些因子的相关性，但并没有找到比较确定的因果关系。所以在边界条件发生变化之后，因子的相关性就会减弱。随着不同的市场环境演变，就失效了。

　　假如说要做一个自动驾驶的一小段智能化模型：对一辆高速行驶的汽车，预测它停下来需要的距离。相关的因子有哪些？先要知道初始速度，显然速度很快，停下来的距离肯定就比较远；汽车有没有刹车，刹车的力度大不大，这也肯定有关系；有的时候不刹车也会停下来，是因为有坡度。刹得太猛，还会打滑，轮胎的胎纹不够了也容易刹不住，车有没有ABS，轮纹深浅，阻力等因素加上去。把这些相关的因素，所有的数据都采集齐了，放入不同机器学习，最后做了一个非常复杂的模型。 也能够在一定的程度上做出预测。但是边界条件一旦变化，例如地上有水，有雪，地表面状况不一致，其预测正确性就会降低。其实初中学的运动学里早就告诉我们了，负加速度是物体会减速停止的原因，并且已经有公式直接计算出汽车停下来所需要的距离，而不需要复杂的机器学习模型。人的眼睛可以看出位移，也就是距离，但对加速度是无法直接感知的。

　　这个例子给我们的启示是，复杂的大数据，多因子模型可能找到一些现象学层面上的关系，但往往掩盖了事物之间的物理意义和因果关系。就目前的机器学习，仍然不能完全把一个事情抽象成因果关系。真正有因果关系往往是简单因素，和简单的模型。因此人应该更重视对因果关系的思考，或者如何在还没有办法找到真正因果关系时，找到近似的因素， 使得模型相对简单，有物理意义，和对边界条件有相对高的稳定性。 另外我们要多关注深度学习关于因果关系Algorithm的进展。

　　最后一个问题是如何利用机器自我演进学习能力？认知神经学（Cognitive Neuroscience）大量实验证明，能正确梳理出因果关系是人类智力的根本性优势。将原始数据让机器做自主深度学习，非监督学习，强化学习等，加工得到另类数据，增加数据的维度，由人来做进一步对比，理解整理出有逻辑，物理意义的关系，然后返回到所谓的监督学习，形成一种人机交互的学习过程。例如AlphaGo1 和2，监督学习和非监督学习总体思路，Alpha GO2。

　　在投资领域，把已有的原始数据K线图，可以看月线、日线、分钟线，其实就是看一件事情，并没有增加你的维度，只不过是观察的窗口不一样而已，没有改变维度；如果你将K线图的时间序列，用傅里叶变换转化成频率序列，那就是一个新的维度，并且也可能有新的物理意义。比如说一包白糖和一包白粉放在一起，从颜色维度眼睛是无法分辨出来的， 从气味维度也许可能定性地区分，但是只要放到质量仪里面，从物体质量密度马上就知道哪一包是糖哪一包是白粉，并且还知道其纯度，这就是在不同的维度上研究一个物质 。又例如刚才举的汽车要刹车的例子，负加速度在数学上是距离对时间的二级导数，这和观察距离不是一个物理量，所以就增加了一个新维度。

　　最后我从天马董事长康晓阳先生的朋友圈选了五句话，与我们今天的主题以及我们做的事情很一致：

　　一、投资是一生的修行，十年学会选股，二十年学会择时，三十年才明白什么是风控。

　　二、投资的基本逻辑是怀疑，而不是信任。这就是系统1。

　　三、独立思考才是知识分子以及投资者的核心品质和技能；

　　四、学习别人的优点不是产品创新，真正的创新必须是革命性的；在不同的维度，不同的层面上要慢慢思考，鼓励系统化的思维方式。

　　五、投资是一道接着一道的选择题，既然有选择，就一定有标准，既然有标准，就一定有底线。既然有底线，就一定有不愿为之事，不管这种不愿是基于道德和良心，或者是开心与否，有底线的人生，才是健康的人生。

　　前面4点演讲中都有详细叙述。而最后一点，机器学习要模拟人的道德和良知，幸福感，可能还需要很长时间才能实现，谢谢大家！

责任编辑：常福强