模块|微软亚洲研究院副院长刘铁岩：让智能投资摆脱「纸上谈兵」( 四 )

我们的做法是：同时学习多个模型，希望这些模型尽可能不同，尽可能体现出各自的特点，并且能够对市场有一个非常好的解释。

文章插图

我们发现，这个任务和最优运输问题异曲同工。我们的任务是把每一条历史数据分配到某个历史规律之下。历史数据相当于最优运输问题里的物品，历史规律相当于最优运输问题里的目的地。而历史数据和规律的契合度，就相当于物品到达目的地的运输成本。
做了这个对应之后，我们就可以利用最优运输问题的各种优化方法，帮我们实现高效的数据划分。

文章插图

下图展示了基于最优运输问题进行数据划分，得到的各种历史模型之间的性能。
左边是一个基线算法，采取的是简单的多路神经网络，没有做预先的数据划分；右边这个图展示的是基于最优运输算法实现数据划分之后再进行学习的结果。左图中，各个模型表现大差不差，相关性非常高，在各时段的表现都没有那么亮眼。
相反，我们的方法可以学到相关性比较低的多个模型，这些模型在不同时间段的表现非常不同，这就给我们提供了机会——因为这些模型越不同，越此消彼涨，我们就越有机会用动态的方式组合它们，最终应对比较复杂的市场。

文章插图

为了动态组合这些模型，我们使用了注意力网络。所谓注意力网络，是近年来人工智能领域非常有用的技术。从本质上来讲，它是对既有的神经网络结构和参数根据外部输入进行调整，所以我们得到的不是一张静态的神经网络，而是随着时间和外部信息动态变化的神经网络。
正是利用这种动态性，我们才有可能在跌荡起伏的股市上保证常胜状态。这个图告诉我们，在使用了自适应网络之后，最终可以取得各种模型性能的上包络。
手握预测结果，怎么做投资组合构建？俗话说：投资有风险、入市须谨慎。也就是说：风险控制是金融投资里面非常重要的环节。一个人之所以成为投资高手，不是因为他能发现一两个阿尔法因子，而是他能够有效地控制风险，能够在股市里面找到常胜的规律。
那么，投资过程中的风险有哪些类别？
首先，未来市场充满未知，我们总是会面临投资不确定性，这就是所谓的固有风险。
【模块|微软亚洲研究院副院长刘铁岩：让智能投资摆脱「纸上谈兵」】其次，在使用预测模型辅助投资时，因为模型本身的误差，会引入额外的模型风险。
只有在构建投资组合时，把所有这些风险都考虑在内，才能在投资时立于不败之地。

文章插图

人们虽然对于风险因子的重要性没有什么异议，但是对风险因子的研究进展却非常缓慢。因为传统因子的构建需要依赖专家的理论创新和经验积累，同时对于不同的市场需要用不同的方式人工去定义因子。
大家知道，从最早的CAPM模型到Fama TFM模型经过了31年，也无外乎增加了size、value这几个风险因子。而从Fama TFM发展到BARRA CNE5，经过了20年，也只是增加了动量、成长等为数不多的几个因子。
在风险因子挖掘方面人工智能大有所为，因为人工智能可以自动从数据当中发现有用的规律，可以把风险因子的刻画做得更充实、有效、及时。在人工智能的眼中，所谓固有风险因子就是要学习出市场状态的正交基；而所谓模型风险就是刻画出预测结果的置信度和相关性。