相对于大部分人来说,人工智能(AI)能够在投资方面表现出相对较理性的状态。特别是在量化交易领域,针对需要在短时间内进行大量数据分析和处理的交易策略,AI能够提供更稳定的结果。
□ 但是,AI没办法去战胜市场最优的一类人,人类有自己的优势,比如对于很多非结构化的一些信息的处理,以及对于很多非数量化的行为及状态的判断等。
在这个行业投资并非仅仅依靠资金、机器和设备投入,这些并不是决定成就的核心竞争力。真正的核心竞争力来自认知深度、独立思考和创新,甚至需要一些信念来支撑。
想法的实现需要依靠ChatGPT高效的数据收集和处理能力、编程技能和文本分析能力,但重要的是想法本身,它才是投资的关键。
华尔街曾推出了全球第一只利用人工智能(AI)进行投资的ETF基金,俗称金融界的“阿尔法狗”。不过,该基金的投资业绩并不理想,未能挑战全球的投资经理。如今,随着性能更强的“生成式AI”(例如ChatGPT)的出现,人们开始怀疑“AI炒股能否战胜市场”这个问题。
尽管无法“战胜市场”,一些投资者担心,人工智能炒股会不会加剧市场波动,进而让中小投资者更难获利?
ChatGPT如何预测股价
自400多年前世界上第一个股票市场在荷兰阿姆斯特丹兴起以来,投资者一直梦想着能够战胜市场,即准确预测股价走势。
股票价格的波动取决于各种因素,这其中有许多复杂且非线性的关联。传统的AI模型参数较少,难以反映市场的复杂关系。与过去的股价预测AI模型相比,ChatGPT大模型有着显著的区别。
受访人士认为,相比传统的AI模型,ChatGPT大规模预训练模型在股价预测领域具有多个优势。大模型能够处理大量的异构数据,包括股票交易数据、宏观经济数据、公司财务报告等,同时还可以处理非结构化数据,如新闻报道、社交媒体信息等。这使得大模型能够从多方面捕捉市场信息,提高预测的准确性。
ChatGPT等生成式AI技术在股价预测方面引入了一些新的变化和可能的应用形式,具体包括以下几个方面:技术面分析的自动化和精细化、基本面数据的整合和分析、新闻和事件的自动筛选和情感分析、市场情绪的监测和预测。这些新的AI技术应用形式有望为投资者提供更准确、全面的信息,帮助他们做出更明智的投资决策。
由于ChatGPT等AI技术在自然语言处理方面取得了显著进展,它可以更好地理解和处理人类语言的复杂性,在投资中,这种能力可以用于解析和理解财务报表、公司公告等文本数据,从而为投资决策提供更全面和准确的信息。因此,在基本面分析上,AI技术为投资者提供了强大的工具,可以帮助他们更好地理解和分析相关的信息,为投资决策提供更好的支持。
最近,美国佛罗里达大学金融学院发布了一项研究报告,指出ChatGPT可应用于情感分析和市场情绪预测,通过分析社交媒体、新闻等内容来了解市场参与者的情感和情绪。这有助于投资者更好地理解市场情绪的变化,并预测其对股票价格和市场趋势的影响。研究人员表示,将ChatGPT融入投资模型中,可以帮助预测股市的走势。该研究采用的方法是为ChatGPT提供大量的新闻标题和内容,让其运用情感分析来判断这些事件对股市的影响。
在股票投资领域,技术派一直以来通过K线图走势对未来股价走势进行判断,需要在收盘后进行大量的复盘工作。新的图像识别技术可以代替这一工作,通过给AI大量的K线样本,并为每个样本标上未来涨跌的分类标签,卷积神经网络技术可以自动从K线图中寻找对未来涨跌分类有用的特征,特征提取与验证工作也能自动完成。
广发证券金融工程首席分析师安宁宁指出,技术派通常寻找股票走势的特定形态,如底背驰、圆弧底和底部放量等特征,但这些形态缺乏有效性测试,容易导致失败。相比之下,AI技术不是寻找特定形态,而是通过自动挖掘像素级别的特征,并与分类结果进行匹配。
按照AI预测的上涨概率值进行排序,全部股票中分值最高的一组胜率在89%左右,战胜了分值最低的一组。然而,这一胜率只在进行非常频繁的决策,即高频交易中才能获得充分的超额收益。
刘鑫表示,ChatGPT作为一个大型语言模型,将能够简化语言处理工作。他指出,相比较较小的语言模型,ChatGPT更适用于通用领域。此外,生成式文本摘要可加速投资者对研究报告和论文的分析和理解。ChatGPT能够为舆情分析、情绪分析以及事件驱动的策略提供更直接准确的分析。
我已经开始在量化交易中实战了。
今年4月,幻方量化宣布集中资源和力量投入AI,并将其视为量化投资行业的核心引擎,甚至可能颠覆整个行业的技术格局。据他们表示,抢占AI高地已成为国内量化私募龙头的共识,他们相信可能站在这个时代最伟大变革的前夜。
量化投资的技术迭代基本上与AI的技术迭代同步,王雄表示AI迭代历史可以总结为4个阶段:基于线性回归的1.0多因子阶段;基于机器学习的2.0高频量价因子挖掘阶段;基于深度学习的3.0端到端结构化数据挖掘阶段;基于通用人工智能的4.0深度基本面量化阶段。思源量化创始人投资总监王雄进行了详细说明。
与基于财务报表的传统基本面量化相比,4.0阶段有四大区别,王雄认为这些区别包括:
– 数据源的多样性,4.0阶段基本面量化利用了非传统的数据源,如社交媒体数据、传感器数据等,这些数据丰富了分析的维度。
– 分析方法的升级,4.0阶段引入了更先进的分析方法,如机器学习和人工智能,可以更精确地预测市场情况。
– 实时性的提升,传统基本面量化的数据是静态的,而4.0阶段基本面量化能够实时获取和分析数据,从而更及时地作出决策。
– 风险管理的全面性,利用4.0阶段的基本面量化可以更全面地识别和管理投资风险,包括更多的因素和情景。
传统基本面量化主要依赖公司的财务报表进行分析,而深度基本面量化则通过挖掘公司公开信息,包括公司公告、分析师报告、社交媒体等非结构化数据,从而获取更加细致的信息和市场情绪。数据来源的不同使得深度基本面量化更具优势。
传统的基于财务报表的基本面分析在处理频率较低、时效性较弱的信息时存在局限。大部分信息已经被市场消化,因此深度基本面量化需要处理更多、更及时、更高频的基本面信息。
传统的基本面量化方法主要通过财务分析来评估公司价值,而深度基本面量化更加注重非财务因素对公司业绩的影响,利用自然语言处理和机器学习技术对文本信息进行分析,以理解市场信息和公司业绩之间的关系。两者的分析方法有所不同。
传统基本面量化通常使用线性回归或因子模型等传统的建模方法,而深度基本面量化则采用深度学习模型。深度学习模型能够从大量未标注的数据中学习数据的规律和特征,并通过模拟人类思维来自动识别复杂关系。同时,它通过自我学习、自我升级和不断演化的方式来不断提高模型的性能。
刘鑫介绍中提到,除了基本面量化方面,GPT大模型在量化投资上还有一类应用,即进行代码生成和模型借鉴提升效率。简而言之,量化投资需要标准化的代码,使用GPT模型会更容易生成一些标准化的代码,从而节约代码生成的时间,量化投资者可以在此基础上进行调整。
综合来看,AI技术在量化投资中的运用,有助于加快策略迭代速度并提高处理效率。然而,一些量化私募人士指出,量化投资是一个综合性系统工程,虽然AI可以有效提高投资效率,但尚不能完全取代人类的角色,也不能等同视之于量化模型和策略。此外,需要警惕的是,GPT的数据来源和算法可能存在偏差和错误,因此其中的风险不容忽视。
生成式AI炒股胜率几何
长久以来,人工智能在股市投资方面的应用是否能够战胜市场一直备受争议。
有人认为股市本质上不是人工智能能够胜任的领域;另一些人则认为,只要技术不断取得突破,“人工智能战胜市场”并非不可能。然而,受访者大多持一致观点,即“战胜市场”极为艰难,股市是一个复杂而不确定的系统,没有明显的规律可循。
王雄认为,依靠AI单打独斗来战胜市场是很困难的。然而,将AI作为辅助工具却能够大大提高信息获取、分析和决策的效率。因此,“结合人的正确科学的投资理念和AI的效率提升”是能够战胜市场的。实际上,这一点已经被众多优秀的量化私募基金所证实,并且在未来更长的时间里将继续得到验证。
安宁宁认为股市很难预测,因为受到多种因素的影响。她认为AI能够帮助投资者做出决策,但要战胜市场并找到稳定盈利的策略,还需要更多的实证研究。
可以肯定,人工智能在规避人类弱点方面有着明显的优势,比如情绪化和非理性行为。然而,金融市场交易依然受到人们情绪和心态的影响,这种固有特性使得ChatGPT等人工智能不一定能准确捕捉各类交易人群的情绪和心态变化,从而难以做出最佳的投资决策。
刘鑫认为,与大多数人相比,人工智能确实能够达到更为理性的投资状态。特别是在量化交易领域,对于需要在短时间内进行大量数据分析和处理的交易策略来说,人工智能将能够产生更加稳定的结果。然而,人工智能无法取代市场中的最佳交易者,人类拥有自己的优势,比如对非结构化信息的处理以及对非数量化行为和状态的判断能力等方面。总的来说,人工智能和人类在市场中表现出不同的行为类型。
王雄强调了投资领域需要更多的认知深度、独立思考、创新以及信念和信仰。他强调指出,投资的关键在于拥有一个好的投资想法,而高效的数据收集和处理能力、编程能力、文本分析能力等工具只是帮助加速想法实现的手段,但并非投资的核心竞争力。
是否将加剧市场波动
GPT和其他AI技术在股市投资的应用,带来了交易便利的同时,也可能带来一些潜在的风险。例如,拥有先进AI技术的机构在信息获取和决策速度上超越普通投资者,可能导致市场不公平;而量化交易大规模使用AI工具,可能引发交易趋同、加剧市场波动。
一位量化私募负责人指出,极端行情会导致量化策略集体调仓,从而加强市场趋势。他认为,A股最近经历了AI行情的极致演绎,导致整个市场的流动性受到显著影响,而量化策略进一步加强了这种趋势。在海外市场中,这种情况也是普遍存在的。
据世纪前沿资产相关负责人表示,AI+量化策略存在一个风险,即策略的同质化。由于量化策略是基于历史数据建立的模型,类似于每个人都在参考同一本书学习,因此最终得出的结论可能存在相似性。这会导致策略之间高度相关并造成拥堵。简而言之,如果大家都使用相似的大型模型进行短线投资,将导致投资策略失效,从而越来越难获得收益。
一些量化机构专家持有不同的观点。王雄认为,利用人工智能工具提高分析和执行效率并不一定会加大市场波动。AI和量化只是工具,可以辅助实现策略思路。此外,策略本身也存在不同类型,基于高频量价的短线交易策略可能更容易同质化,而基于深度基本面的策略同质化程度更低,相同的基本面信息可能被赋予不同的解读,因此策略的相关性较低。
此外,量化投资通常会分散风险,因此对个别股票的影响较小。总的来说,量化投资通过寻找市场定价错误的机会来盈利,长期来看,这有助于使市场定价更加合理,更多地抑制了非理性交易所带来的波动。
刘鑫认为,量化交易实际上是在市场非理性波动中寻求收益的一种方式,它有助于减缓市场过度的非理性波动,各种投资模式的多样化将使市场更加成熟和稳定。
在观点交锋之外,业内人士普遍认为强化监管是规范量化交易的必要举措。他们强调,在满足监管和合规要求的前提下,应当聚焦行业需求,协同推进数据、算力和算法,以提高交易效率、稳定市场流动性、消除信息不对称、促进市场有效定价等方面的发展。他们认为,这既是量化从业者应承担的社会责任,也是量化行业蓬勃发展的内在动力。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 sumchina520@foxmail.com 举报,一经查实,本站将立刻删除。