“AI+量化”跑输大盘？揭秘AI时代量化新玩法

　　9月28日，中国证券报获悉，此前以“AI基金经理独立管产品”火出圈的某家私募基金公司，旗下部分产品业绩表现并不乐观，而且不同产品业绩分化较为明显。这一现象引发业内关注。 为何看似炫酷的AI量化反而跑输大盘？为何同为AI量化管理，不同产品业绩差距悬殊？AI时代下的量化究竟是个什么新玩法？ AI量化炒股跑输大盘？ 据悉，早在今年6月初，北京某私募基金公司就宣布旗下某产品将交由基于人工智能的机器人（命名为“赛博坦”）独立管理，公司总经理何理进行监督。何理表示，AI机器人对基金的独立管理，是他们首次尝试将主观与AI融合，并以量化的方式，投资全球市场。随后的7月初，公司宣布“赛博坦”已经接入旗下所有产品。 量化投资叠加被誉为未来科技趋势的AI，炫酷的AI量化看似是又一投资利器。但是，从业绩表现来看，并不全如想象。私募排排网数据显示，接入AI量化后的该私募公司旗下多只价值投资系列产品甚至跑输大盘。以其中跌幅较大的一只产品为例，截至9月22日（私募业绩更新有滞后，下同），该基金自宣布接入AI量化后，跌幅超过4%，较同期沪深300指数跌幅多近2%。 不过，值得注意的是，该私募旗下最早开始AI量化实盘的某只产品业绩表现似乎较为乐观，截至9月22日，自宣布由AI机器人单独管理以来，该产品实现回报率超过17%，并先后获得公司自有资金自购和资管机构直投。从产品名称来看，该产品为阿尔法系列，与前述价值投资系列产品不属于同一类别。 业绩分化为何显著？ 为何在AI量化加持下，基金业绩反而跑输大盘？同样都是接入AI量化，为何不同产品系列业绩分化如此显著？ 对此，何理在接受中国证券报时回应称，阿尔法系列与价值投资系列是两个产品线。阿尔法策略产品线的推出主要是考虑到很多投资者，特别是机构和渠道，不喜欢大回撤的产品，所以此类产品做了多头部分的对冲，而多头部分其实是直接的价值投资策略。 他解释说，本来今年上半年一直都是价值投资策略跑得更好，但7月开始全球市场无论是A股、港股、还是美股等，表现都不太好。而近3个月，阿尔法策略由于有对冲机制，增厚了整个产品的收益率，使得其跑赢了价值投资策略，这是两大类产品近期拉开业绩差距的核心原因。他认为，如果未来市场回暖，价值投资策略理论上会有更好的表现。 谈及公司的AI量化，何理表示，公司采取的AI赛博坦模式其实和大部分人理解的不太一样，它并不是一套纯量化、纯程序化的体系，而是主观投研和AI大模型等技术重塑后的投资体系，是主观与AI的结合。 “我们和AI的结合，并不是完全让AI代替我们选股，而是把它当成投资中的‘副驾驶’。我们团队还是投资研究的主体，AI可以说是一种重要工具，目前已经融入到团队投研的每一个环节。小到日常会议纪要，分析总结研报，制作公众号，大到投资体系及策略修订，对冲工具选择确认与优化，整个投资的生命周期皆有AI的参与和重塑。”他认为，目前这个投资体系还不能说非常成熟，还需要迭代，可能要3年时间验证其效果，才能逐步被大家理解和接受。 纯AI量化到底怎么玩？ 从上述介绍来看，该私募基金公司的AI量化更多是与主观相结合的投资体系。那么，纯粹的AI量化又是什么样的新玩法呢？ 一位对量化投资颇有研究的基金人士徐立（化名）告诉，目前纯AI量化的玩法大致有三种：一是运用于高频交易的AI交易，现在有一种趋势是训练AI交易员代替手工下单和算法下单。二是AI本身作为核心算法，和深度学习预测、神经网络择时结合。例如，可以应用卷积神经网络深度学习图像识别，通过大量识别股市历史K线图，拟合预测后续市场的涨跌概率，然后进行买卖。三是运用于多因子挖掘上。AI可以取代人工，用大模型来自主挖掘多因子，目前来看，已经有人在这么做，不过好像还没有太走通。 “它这里面是不需要人去参与的，直接把各种数据或图形丢进去，它就能自己学习寻找其中的特征和规律并生成相应结论。”他表示，从目前观察到的情况来看，随着算力的提升，越来越多机构都在开始引入AI量化模式，“只要出现了囤积算力的情况，基本都在做AI量化，传统多因子不需要太多算力。” 一家正在专攻AI量化投研的第三方科技公司负责人刘科（化名）告诉，与传统量化方式相比，AI量化下，原来的数据研究、因子挖掘和组合、模型回测将可以全部由“AI+算力”完成，实现投资的“自动驾驶”。AI还可以自动学习什么情况下，哪些数据和因子更加有效，挖掘任意数据之间的关联性和规律。 具备自主学习判断和自适应能力的AI量化会成为投资界的“常胜将军”吗？ 徐立认为，目前AI量化大多处于起始阶段，需要不断迭代升级，业绩表现不甚突出。不同的AI量化模式想要拉开业绩差距，关键是在数据、算力和模型。例如，数据上，有人用K线图数据，有人用时序数据；神经网络上，有人用RNN（循环神经网络），有人用CNN（卷积神经网络）等。这里面能使用的方法种类很多，所以最后导出的结果也是不一样的。而且，目前的AI量化更多是总结过往规律推导未来，但历史未必会重演，这种推导产生的结果也不能保证绝对准确，因此，AI量化不能简单和更乐观的业绩表现挂钩。 刘科也表示，数据、算力和模型是不同的AI量化拉开业绩差距的关键。目前，模型可能更为关键，后期数据可能会占据更重要的位置。他表示，就模型而言，现在不同机构间的模型设计差距较大，底层逻辑也各有差异，没有统一的标准；数据层面，主要的公共数据各方都能够获取，所以拉开差距的关键在于谁能拥有更高价值的数据，例如高价值的另类数据。