量邦科技冯永昌:AI让量化投资的战争升级,交易面或许不改变其零和博弈的性质|人工智能研习社

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

“投资本身是人和人的博弈,技术(人工智能/机器学习)本质上不能改变这个零和博弈的性质。”

量邦科技董事长冯永昌在评价AI给投资界带来的影响时,颇为乐观平静。他认为技术更多的改变在于量化投资的输入方,其对方法论的改变只是锦上添花。

对于AI强势介入金融圈,财经媒体和金融圈却毫不掩饰紧张的氛围:《全球首支人工智能ETF诞生!》《全球首支选股阿尔法狗打败基金经理》,这样的新闻标题正在占据不少财经媒体的头条,也让无数基金经理和金融从业者恐慌;相关创业领域也热闹非凡,量化投资相关的创业公司层出不穷,一大批科学家和高智商人才正投身这一领域。

对于这条吸引了大批高智商人才的AI应用赛道,冯永昌认为,在国内,量化投资最重要的不是技术,而是牌照。“所有的创新都是牌照公司的创新,牌照公司以外的创新在中国是没有任何生存权利的。”

但是冯永昌也并不否认,AI的介入让整个量化投资的战争升级了。

他非常看好近期出现的阿尔法元的潜力,“其意味着AI可以从规则出发,可以构建自己的知识块。之前做算法需要专家资源来构建算法的特征,现在如果技术可以从非监督学习开始构建监督学习的样本的话,这个潜力是很巨大的。”

技术进步对于量化投资的改变是否真的如此彻底?相关从业者要如何在大趋势下武装自己?相关创业者该注意哪些趋势?11月2日,在清华x-lab人工智能研习社的第三次课程之前,大数据文摘和这位在量化投资领域浸润多年的专家聊了聊量化投资和技术给其带来的改变。

3486fecc35a29eab9fd70951e831c7a880d2f3f3

图:冯永昌在清华大学作了题为《量化投资方法论框架和智能投顾初步》的演讲(刘涵摄)


以下为访谈实录,在不改变原意的前提下有删改:

大数据文摘:最近的技术进步(例如自然语言处理)如何改变量化投资?您是否看好其潜力?

冯永昌:量化投资包涵两个方面,一个是输入,所谓信息或者数据,另一个是加工处理信息的方法论。技术进步对第一个环节的促进很大,通过新的数据采集方式,或者对传统数据信息的深加工和强化处理,对量化投资的信息输入开阔了新的天地,之前只有财务数据交易数据,现在互联网数据、舆情数据,这些方面的改变是深远的;但是在方法论层面上,对量化投资某些技术环节有促进,但是对根本方法论的改变,还没有到一个爆发期。

哪些叫做根本方法论的改变呢?2010年有个新闻,有个基金是基于twitter的数据来分析对美国股市的看法,最后基金以失败告终,不是因为twitter数据不对或者技术不好,而是因为量化投资首先是投资,它有自己本身蕴含的交易规则和投资逻辑在(专家知识),新技术和新信息是增量价值。比如选股来说,我们之前就存在很多选股因子,增加的因子只是增加了选股比率等,不能抛开之前的因子,只依赖互联网这一种信息,量化投资有很多子行业,每一个方法只在解决一个具体的问题,其业务逻辑是基于这个具体问题的自然逻辑形成的,所有深度学习技术只能提高预测的精度和效率,而不会推翻之前的问题。所以我觉得对方法论的改变是锦上添花的。

但是最近阿尔法元的出现,意味着从规则出发,可以构建自己的知识块,之前做算法需要专家资源来构建算法的特征,现在如果技术可以从非监督学习开始构建监督学习的样本的话,这个潜力是很巨大的。虽然投资比下围棋复杂,因为规则是多对多,但是从阿尔法元开始,技术进步会改变量化投资行业,因为量化投资本身就是一个用技术改变投资的产物,并不奇怪。

大数据文摘:您如何看待这种最近媒体上经常出现的AI选ETF的新闻?这会是大趋势么?

冯永昌:我自己没有考证过这个新闻的真实性,但是我觉得真假不重要,重要的是背后的逻辑到底是什么。

首先,ETF已经限定了它是指数基金,指数基金是不会择时的,一般它的股票仓位在95%以上,那么人工智能机器学习能应用的领域无非就是选股,那我们要比较的就是它要跟踪的那个标的,如果是说我跟踪的是比如说国内有这样的,我跟踪沪深300,那我应该是和沪深300比,如果说我跟踪的是中证500这种中小盘子的,那我比较的标的就不应该是跟沪深300来比这个相对业绩,我应该是跟中证500来比。所以说这种基金一般有一个自己的所谓的业绩基准,需要知道它跟踪哪个。

其次,所谓的人工智能、机器学习无非就是说构造ETF的时候我用什么样的因子来构造,或者说我们用机器学习的方式去预测下一个周期里头,哪个因子表现好。从这个角度来说,本质上它就是一个多因素的股票型量化基金。

人工智能改变人们的生活,这肯定是个大趋势,这就和技术改变人们的生活一样,是人类历史的一个规律。但具体到投资领域,它只是提高了这个研究的效率和投资,提高决策效率,减少人为失误。因为投资本身就是人和人博弈,它本质上不能改变这个博弈的性质。它不像在其他领域,比如造电视机,从一台到一万台,提升了人类的福祉。在二级交易市场里,虽然说经济发展和上市公司财务上面的盈利带来的额外的收益,但本质上二级市场的价格买卖还是一个零和游戏。所以说不会说因为机器人又改变什么,因为高盛有机器人,然后摩根也会用,所以它是零和游戏,只不过是说这个战争会更加高级。

大数据文摘:量化投资目前也是AI技术落地的重要赛道,国内外同样领域有哪些主要公司/技术?

冯永昌:国外金融是混业经营,商业银行和投资银行是同一家公司,而国内是分业经营。国内发展中国家新兴加转轨的特征决定了我们国家的金融需要更强的管制。

因此在国内,量化投资最重要的不是技术是牌照。所有的创新都是牌照公司的创新,牌照公司以外的创新在中国是没有任何生存权利的。或者是说你本身能够依附一个很成熟的商业模式,一开始可能还是很紧密的合作,做一种增值服务,这个也有价值的,纯技术的创业会非常尴尬。

量化投资在国内主要还是牌照公司在用。证券公司有自己研究量化投资的金融工程组、研究所、金融组,基金公司有量化投资部、金融工程部或者是指数投资部;民间创新的话,私募基金的技术应用是比较前沿的。

另外还有不少软件公司,他们做各种各样的平台。其实这种平台十几年前就有,但是当时可能是本地软件,从本地软件到量化平台,然后从量化平台到一些比较新的数据的供给,还有一些社区。类似的公司有100多家,每家的侧重点可能不太一样,但是本质来说独立发展还是挺难的,因为这不是一个技术导向的一个行业逻辑,因为你没有牌照就没法拓客,就没法形成盈利模式。

41e620d19fa1e8b815b1cb7b86505a38990f052f

图:现场听众提问(刘涵摄)


大数据文摘:您曾经说过,中国量化投资和美国相比,如今的氛围丝毫不落美国,人才的实践经验和智商也不差,但是差距在于人才的教育背景和技术。那么量化交易人才需要怎样的背景?应该如何培养?金融知识和技术知识哪个更重要?

冯永昌:国内最大的问题是,以前做投资行业里头的理科学生比较少,这种高技术背景的人比较少;后来新出来的这些比较厉害的理工科人才,了解投资有一个成长的过程。那么现在随着各大高校对学科教育的加强,以及各种自媒体、学校的社团把信息的宽度拓广之后,信息的交互速度在加快,个人的成长幅度也在加快。

如果是一个学生将来想要进入量化投资领域,金融背景或者技术背景其实都可以,主要的区别是base在哪个端。如果是想往底层做策略设计和研究,那么建议先学技术,再同时去补充金融的背景知识;如果是想偏产品、设计、销售、公司管理,那么先从金融方面了解更广阔的知识,然后再去学技术,这样比较好但是如果是说你要是做交易本身,那么我觉得技术跟金融背景都可以,更重要的是尽早受职业交易的训练,有交易的这种感觉和盘感,这又是另一个变量。


原文发布时间为:2017-11-4

本文作者:文摘菌

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“大数据文摘”微信公众号

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
打赏
0
0
0
0
73530
分享
相关文章
科研+ AI :深势科技,全新科研范式引领者
深势科技作为AI for Science的引领者,专注于微观粒子行为研究,推动材料科学和生命科学领域的创新。通过AI技术,深势科技加速了药物研发、纳米药物微流控等技术的发展,显著提升了计算性能和实验效率。与阿里云合作,利用其云原生计算和存储服务,深势科技实现了资源弹性调度和高效管理,大幅提升了研发效率,服务于超过50万科研用户,并计划建设AI for Science超级实验室,推动更多科技创新。
【01】opencv项目实践第一步opencv是什么-opencv项目实践-opencv完整入门以及项目实践介绍-opencv以土壤和水滴分离的项目实践-人工智能AI项目优雅草卓伊凡
【01】opencv项目实践第一步opencv是什么-opencv项目实践-opencv完整入门以及项目实践介绍-opencv以土壤和水滴分离的项目实践-人工智能AI项目优雅草卓伊凡
106 62
【01】opencv项目实践第一步opencv是什么-opencv项目实践-opencv完整入门以及项目实践介绍-opencv以土壤和水滴分离的项目实践-人工智能AI项目优雅草卓伊凡
科技赋能妇产医疗,钉钉联合打造小红 AI 患者助理
复旦大学附属妇产科医院与钉钉共同打造的 AI 助理“小红”上线。“小红”孵化于钉钉智能化底座,通过学习复旦大学附属妇产科医院的 400 多篇科普知识,涵盖妇科疾病宣教、专业产科指导、女性健康保健等问题,能够为患者提供妇科疾病、产科指导、女性健康保健等知识的专业解答。
53 10
2024年12月30日蜻蜓蜻蜓AI工具系统v1.0.0发布-优雅草科技本产品前端源代码已对外开源可免费商用-优雅草老八
2024年12月30日蜻蜓蜻蜓AI工具系统v1.0.0发布-优雅草科技本产品前端源代码已对外开源可免费商用-优雅草老八
106 31
2024年12月30日蜻蜓蜻蜓AI工具系统v1.0.0发布-优雅草科技本产品前端源代码已对外开源可免费商用-优雅草老八
Scaling Law或将终结?哈佛MIT预警:低精度量化已无路可走,重磅研究掀翻AI圈
哈佛大学和麻省理工学院的研究人员最近发布了一项重磅研究,对Scaling Law在低精度量化中的应用提出严重质疑。研究表明,随着训练数据增加,低精度量化带来的性能损失也增大,且与模型大小无关。这挑战了通过增加规模提升性能的传统观点,提醒我们在追求效率时不能忽视性能损失。该研究结果在AI圈内引发广泛讨论,提示未来需探索其他方法来提高模型效率,如混合精度训练、模型压缩及新型硬件架构。论文地址:https://arxiv.org/pdf/2411.04330。
38 11
|
1月前
|
Scaling Laws终结,量化无用,AI大佬都在审视这篇论文
《Scaling Laws for Precision》论文提出“精度感知”的扩展理论,将精度纳入模型发展的核心考量,弥补了传统AI模型发展理论忽视精度的不足。研究发现低精度训练会降低模型的有效参数计数,影响性能,并预测了低精度训练和后训练量化带来的损失。作者通过大量实验验证了理论的可靠性和有效性,为计算资源有限情况下如何平衡模型规模和精度提供了新思路。然而,该研究也引发了关于精度与性能权衡复杂性的争议。
75 27
阿里云AI服务器价格表_GPU服务器租赁费用_AI人工智能高性能计算推理
阿里云AI服务器提供多种配置,包括CPU+GPU、FPGA等,适用于人工智能、机器学习和深度学习等计算密集型任务。本文整理了阿里云GPU服务器的优惠价格,涵盖NVIDIA A10、V100、T4等型号,提供1个月、1年和1小时的收费明细。具体规格如A10卡GN7i、V100-16G卡GN6v等,适用于不同业务场景,详情见官方页面。
116 11
FinRobot:开源的金融专业 AI Agent,提供市场预测、报告分析和交易策略等金融解决方案
FinRobot 是一个开源的 AI Agent 平台,专注于金融领域的应用,通过大型语言模型(LLMs)构建复杂的金融分析和决策工具,提供市场预测、文档分析和交易策略等多种功能。
244 13
FinRobot:开源的金融专业 AI Agent,提供市场预测、报告分析和交易策略等金融解决方案
SentinelOne人工智能安全态势管理(AI-SPM)
随着人工智能(AI)的广泛应用,AI基础设施的安全性变得至关重要。SentinelOne的AI安全态势管理(AI-SPM)解决方案专注于保护AI工作负载,提供自动化盘点、错误配置检测及攻击路径分析,确保AI系统的安全性。咨询采购请联系:王涛📞13818802872 📨wangtao@mfreelink.com。更多信息,请访问上海甫连信息。
65 7
AI元年:2024年人工智能发展大事纪
3分钟了解2024年人工智能AI领域都发生了哪些改变我们生活和生产方式的大事儿。
207 2
AI元年:2024年人工智能发展大事纪

热门文章

最新文章