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」( 五 )

文章插图

具体而言，针对固有风险的学习，我们的任务是利用少量独立的风险因子解释市场，未来希望投资组合在这些因子上有充分的暴露。
用数学语言来描述，就是希望从高维非线性的原始数据空间，变化到低维的隐式风险因子空间。
为了实现这一点，要有一个优化目标，我们希望在低维的隐式风险因子空间里，各维度尽量独立，同时对市场解释能力足够强，这就对应于幻灯片里展示的优化式子。
这个式子的蓝色部分，表达的是最大化股票收益在这些因子上的投影；红色描述的是各因子之间的相关性，希望最小化相关性或者最大化差异度。

文章插图

通过这个优化过程，我们可以自动学习出一组风险因子。它们可能不像传统风险因子那么容易解释，但它们对市场的描述更充分，并且先天具有非线性性。在构建投资组合时，效果更好。
接下来，我们谈一谈模型风险。单只股票的模型风险很容易理解，描述的是股票实际收益低于预期收益的情况——但并不是单只股票模型风险大，投资组合的风险就一定大。
比如左图里两只股票，预测得分都很高，但实际收益很低，显然单点的模型风险和组合风险是一致的。右图两个股票的预测值很高，但是实际上一个高收益一个低收益，这种情况下投资组合的风险其实是不高的。
投资组合之所以要做风险控制，就是希望至少有一些股票表示强劲，不要大家同涨同跌，所以在这种情况下我们认为投资组合的模型风险并不高。
换句话说，投资组合的模型风险，需要考虑股票之间的关系，而不是简单由每支股票自己的单点模型风险所决定的。

文章插图

为了更好地给模型风险建模，我们考虑到图神经网络，在这里面每个点描述的是单只股票的模型风险，边描述的是两只股票之间的关联关系。
在整个图神经网络迭代的过程中，单点模型风险会不断修正投资组合的模型风险，反过来投资组合模型也会修正单点的模型风险。所以当整个图神经网络的学习收敛之后，我们就得到了一个整体的模型风险矩阵Σμ，这个矩阵加上之前自动学习出来的隐式固有风险的矩阵，共同用于投资组合的优化。

文章插图

我们对于这种基于AI的风控方法进行了评测。右图中，蓝点表示基线方法（BARRA模型），红点使用了隐式固有风险技术，而绿点则同时考虑了隐式固有风险和基于图神经网络模型组合风险。
从图中可以清楚地看到，使用新的风险因子确实可以得到更好的收益和风险的平衡。

文章插图

从订单执行控制交易成本，AI能做什么？当我们有了好的投资组合之后，最后一公里的事情就是执行换仓的订单。
这个事情非常重要，因为给定一个换仓的订单，不同的执行方案会对应完全不同的交易成本，所以很多有实力的交易机构都会在日级别元订单的基础上，关注小时、分钟甚至秒级的操作，希望能控制交易成本。
而一个订单执行方法的好坏，通常我们会用订单完成后的平均价格去衡量。

文章插图

这张图是订单执行策略的基本概念，如果有一组订单把他们按照时间均匀执行，就会得到按照时间加权的平均价格。