《量化交易》 作 者：（加）欧内斯特·陈

人工智能与选股·

《纽约时报》前些日子发表过一篇文章，介绍了Ray Kurzweil 先生新创立的一家对冲基金。Ray
Kurzweil 先生可称得上是人工智能领域的先驱。（这里妾感谢我的博客读者Yaser Anwar ，是他向我推荐了这篇文章。）据Kurzweil
透露，他的基金的选股决策都是由机器完成的，“……能够观察数十亿笔市场交易，从而发现那些人工无法察觉的模式”(Duhigg, 2006 ）。

虽然我是一名算法交易的信徒，但是当我得知这一交易是基于“人工智能”方法的时候，我对此还是有些怀疑。

我们可以这样简单地理解人工智能（ Al) ，它就是一个尝试使用包含众多参数的函数来拟合历史数据的过程。AI 常用的工具有：神经网络、决策树和遗传算法。因为包含的参数很多，我们可以相信它能够捕获到那些人类根本无法察觉到的细微模式。但是，这些模式能够持续吗？这些模式舍不会只是一些不会重复的随机噪声？ AI 领域的专家们向我们保证他们有许多防范措施用以过滤那些瞬间噪声。并且，这些工具也确实在消费者营销和信用卡欺诈检测上效果显著。消费者行为和诈骗行为的模式显然都具有较长的持续期，这使得这些AI 算法即使包含大量参数也能有效运行。然而，以我的经验来看，要对金融市场进行预测，这种防范措施是远远不够的，并且对历史数据噪声的过皮拟合还会带来严重后果。事实上，我以前也建立过许多基于AI 算法的金融预测模型。每次我费尽心力所建立的那些在回测中业绩优异的模型，在之后的实际交易中的业绩却令人十分失望。主要原因可能是，相对于可以获取的大量相互独立的消费者行为和信用交易数据，我们能够获取的在统计学意义上相互独立的金融数据的数量是非常有限的。〈你可能会说，我们拥有大量分时金融数据可供使用。但实际上，这些数据是序列相关的，并不是相互独立的。）

但这并不意味着所有基于AI 的方法在进行预测时都是无效的。我使用过的有效的AI 方法通常具有以下几个特征：

   基于正确的计量经济学或理论基础，而不是随机发现的模式。

．所需的参数用到历史数据较少。

  ·只用到了线性回归，并未使用复杂的非线性函数。

．概念上很简单。

  ·所有优化都必须在不舍未来未知数据的移动回顾窗口中实现，并且这种优化的效采必须不断地被未来未知的数据所证实。

只有满足了这些约束条件的交易模型，我才敢用我那少量且宝贵的历史数据进行检测。显然，“奥卡姆剃刀原理”不仅在科学上有效，在金融上也是如此。警改编自我的博客文章《人工智能和选股》，见epchan. blogspot. com/2006.
12/artificial-intelligence-and-stock. html.



2. 2. 7 策略是被机构资金管理人忽略吗？


本书的目的在于指导普通投资者从头构建量化交易业务，而并不是指导他们建立一家管理数百万美元的对冲基金，所以，我们并不关心一项策略能否容纳数百万美元。（“容量”是与此相关的一个专业术语，指在对收益率没有负面影响的前提下，一项策略所能容纳的资金量。）实际上恰恰相反，我们应当去寻找那些被大多数机构投资者忽略的策略。例如，由于交易频繁而容量很低的策略，每天只交易极少数股票的策略，持仓时段稀少的策略（如第7 章中提到的某些商品期货的季节性交易）。这样的特色策略才有利可图，因为它们还没有完全被巨型的对冲基金套利掉。

2.3 小结

找到潜在的量化交易策略并不难，来自于：

·商学院或其他经济研究机构的网站。

·面向零售投资者的金融网站和博客。

·可与其他交易员交流心得的交易员论坛。

在进行大量的网络搜索及阅读交易杂志之后，你会找到很多有前途的策略。然后，根据我前面所列的筛选标准（更准确的说法应为善意的怀疑），结合自身实际和需求，剔除一些策略：

·你有多少时间可以用来完善你的交易程序？

．你的编程能力如何？

·你的资本规模有多大？

·你的目标是稳定的月度收入还是追求大额的长期资本收益？