专家观点 | PAAMCO ASIA合伙人兼董事总经理Misha Graboi谈量化投资

8月24日，中国保险行业协会邀请到PAAMCO ASIA 合伙人兼董事总经理Misha Graboi做客第198期中国保险大讲堂。

主题演讲：

AI人工智能技术在保险资产管理中的应用

演讲嘉宾Misha Graboi

（PAAMCO ASIA 合伙人兼董事总经理）

以下内容根据现场速录整理，未经本人确认

特别鸣谢中国保险大讲堂志愿者安雅

首先，什么叫价值互联网？为什么当前处在这么一个核心的阶段呢？第一，从时间轴上。第二，从技术轴上。

量化投资过去已经存在很多年了。它的根基可以追溯到80年代、90年代之前的一些大银行。但是在过去4--5年才真正进入到我们大部分投资人的意识当中，对此我认为主要有三个成因：

1、在对冲基金中都有非常强的量化投资因素。一些大的基金公司规模不断地成长，他们也越来越多的关注是什么因素让它们成功的。我们认为是量化投资使得一些规模大而且著名的基金公司取得经营成功。

2、量化投资是全球的趋势。量化投资是被动的投资方式。很多人都发现市场的定价并不是很好的投资方式。如果持有价格贵的资产比例太高，那么最后能够得到预期回报率会很低。所以大家希望能够找到那些不很贵的、被动式的投资方式，这就是量化投资。

3、推动量化投资的趋势是通过费用持续下降来实现。在基金管理中，使用非常昂贵的人力做分析，十分耗费经济成本。这时就希望能在基本层面上有高品质的分析师。

到底什么样的标志才能证明量化投资在这个行业当中操作的非常好？越来越难找到这种标志来证明了。

现在有2万亿基于因子的量化投资的策略，在接下来的5年中会达到3.5万亿的规模。在这个对冲基金的环境中，量化投资已经有约170亿美金的流入。这仅是过去两年的时间，总共就有250亿的流出。

这是出现在量化投资中很大的流转，有非常多的中高端资产流入流出。接下来的问题是 如果我们在一个比较热的行业当中投资，投资业绩能否在这个行业炒作的环境中合理的存活下来？

现在世界各地很多的投资者都倾向于量化投资，但是量化看起来并不是非常特别，在某一时间内有非常大的资金流入到对冲基金中做量化投资。我们同时也看到这种量化的股权指数重新回到8%，而在之前是损失了7%，所有这些策略都有约14%的回报。过去几年中量化的方式没有跑赢其它的投资策略，但是对此在量化的管理人中有不同的分歧，有人认为如果量化投资不是最好的管理者，也应该处于最好的管理者之列。

我再说说量化的投资和传统投资之间的区别。

1、基础的投资，会有一个分析师来解释，到底这是什么样的证券，比如说它是过往业绩很好的产品或者它已经失去了竞争力，或者它的投资价格发生了变化而收费水平不高。

这种量化是很重要。大家会关注所投资公司的市盈率以及其他的变化，但并不会对它下定义。在这样一个量化过程中，完全是由量化指标来进行定义的。比如在很多的投资理论中，会有一些与价格相关的先行指标，一些因子、风险、溢价与行为模型相挂钩。如果这时看量化投资，再看投资组合，就会告诉我们它实时的情况或者是担保情况，但可能并不知道这个公司的利润率，以及这个公司的股票是不是值得增持，我们可能只知道这个公司股票价格比较贵，但不知道他们生产经营什么产品。

如果从基本的层面上和传统的层面来研究这个流程，大家会考虑这个公司在市场上被如何看待，它的金融情况如何、经济的模型如何，人们也会考虑这些公司的风险。这是比较典型的定性方式思考。又如，觉得某个产品非常好即可，但是如果它不很出色，或者竞争对手有更好的产品，又会怎么样？那么获得量化数据就是非常有效的一种方式了。

先开始这些大量数据都没有结构。现在我们拥有很多数据流，然后再去梳理。如果拥有的数据质量不好，模型是设计不好的，需要对数据进行筛选、标准归一化，然后去创建那些可以交易的信号。

用传统的方式来构建资产组合，通常都会专注在某一个投资方向上。这些投资的基本研究是非常密集型的研究，需要有很大的工作量。对于中型企业，会需要有非常多的信息优势，而且如果10-20个甚至以上的不同方面信息，才有可能集中研究。

这很难说的清楚。很多的管理人都有投资组合的指南，但是看起来并不非常准确。比如一些限值，在这些限值之内投资者会有很多想法，投资组合在根本的层面应该是怎么样的，风险是怎么样的。

2、量化投资。在量化的策略方面，就会是非常多元化和分散的了。

大部分这些量化投资的基金管理公司并不完全知道这些底层的公司在做什么，他们只是通过一些量化的数据来了解这些公司在做什么，当然这也可能是有原因的，也就是为什么那些不昂贵的股票是不贵的，因为他们不知道这些企业的情况，也不知道是否每次投资判断都正确。一般来讲随着时间的推移，如果长期持有这些投资，能比较便宜地购买这些企业，从而取得不错的业绩，最终可以持有这些企业的组合来跑赢市场，所以需要多元化。

而且投资者还希望能够在这些信号上实现多元化，这些信号就是指一些想法。比如投资者为什么希望持有这只股票的原因。大部分信号并不一定体现非常多的信息，有用的信号看起来非常小，却能够取得预期的回报，但是它们之间不一致，而且波动性很强。

为什么会这样？如果大家思考一下会知道，如果某个时候你所发现的信号非常一致，都能够预测未来的价格，那么这个市场很容易就会让这个信号所带来的信息毁坏了。如果投资者觉得自己是唯一知道这个信号的人，但实际上还有成千上万的人也在市场上看这个信号，那么他们就很难相信这个行情可以持续。所以市场最终将会打破。须要重新再次考虑这个信号的价值，排除它的可能性。所以须要结合非常多的信号，无论是每一个单独的带来的回报的信号，还是这些信号之间的相关性的，都须要认真研究。你会看到一个风险持续下降的投资组合，但是最终它的回报是正向的，这就是总体量化投资策略的方式。

再说到收益增长。实际在传统层面上投资的增长是比较慢的，如果量化投资就有不同情况，与投资者的策略相关。如果接近传统投资就会慢一点儿，如果是高频交易，有可能一眨眼的工夫就有了新的变化。

我就先跟大家讲量化投资的历史。因为很多的基金可能都是属于这个表格当中的某一个表格。这个是我的，但是在这个行业中，每一个人进行分割时都不一样。在当今大部分的量化投资中，实际上都是从不同的格子当中用了一个或多个，所以更常见的是当中的组合。

随着监管越来越严格，这些高频交易的人赚钱也越来越难了。现在我再给大家介绍亚洲量化交易的情况。

1、我们发现在亚洲市场量化交易要比在一些发达市场交易更有可操作性。比如我看到一些系统性的指标，我们通过这些指标的相关联性可判断出在中国及亚洲其他证券市场交易是否有效。我们发现亚洲的有些市场信息交易比较慢。

2、亚洲市场适合量化投资的原因。但亚洲在某些方面是一个很不错的地区。如果想实行有效的量化交易，那么市场效率没必要太高。如果市场的效率很高就很难找到交易所需要的异常价格，如果找不到异常价格就很难通过量化交易赚到钱。

所以我们需要来找一些低频的交易，如果发现它在市场价格上涨，就很难保证价格上涨会猛赚钱。所以我们希望找到一个中间层级的市场，亚洲就是这个市场。

也就是说，亚洲市场的效率已经足够的高，这些套利基本上没有太大空间，我们认为在投资人当中，亚洲的量化投资要比美国和其它发达市场要好得多。

3、早期量化投资实践。目前我们在中国有一些CTA的战略，是按照中国市场趋势来投资的，但仍刚刚起步。有一些投资机构和投资经理在亚洲采用多因子的方法来进行投资。为什么这么做？有很多的全球的投资者更多关注亚洲市场，想要利用宏观经济政策来赚钱，现在我们采用离岸人民币来进入亚洲投资。虽然高频投资越来越多，但我在中国还没了解到高频交易的情况。

在我们的投资职业生涯中，我们要来了解一下到底什么是量化投资经理人，如何成为一个好的量化投资者？

1、去杠杆化的环境。在历史上通常一旦发生去杠杆化，投资环境就变得不好。从量化的角度来说，倒不是去杠杆一定会导致亏损，只不过使得投资变得无可预测、模糊不定了。

2、市场交易波动剧烈。很多模型一定要跟踪波动性，有时波动得太快，上下波动幅度很大，会使得我们过早地进入或退出某一只股票或投资领域。但是如果波动不太剧烈，我们的模型发出的信号又不好，会导致我们持有一只股票的时间过久。

3、弱因子。要求投资经理每天都要把眼睛盯在新的信号、新的因子上。

4、市场趋势变化。一定要有全局观，了解整个市场趋势，因为市场波动会有上有下、复杂变化。如果市场处于狂热的状态，则说明我们的量化模型出问题了。今在美国市场上有些股票过去12个月的表现不错，比如Google、Amazon公司，但这些并不是量化投资者须要买入证券的指标，我们应该再看些技术分析，再了解一些量化本身的因子才行。

我相信在座很多人已经听说过大数据和人工智能。世界上很多国家都在讨论这个话题。大数据和人工智能其实早就出现了，上个世纪80年代，甲骨文中就推出了大数据，人工智能最初的起源是于上个世纪60年代，它的出现改变了很多事情。

现在的问题是，有这么多计算机花两、三年就代替了我们的工作，那么我们在座的各位干脆什么都不用做了？实际并非如此。

确实我看到很多基金运做的非常成功，他们做了人工智能，但人工智能只是介入他们工作当中的一部分而已。我从来没有见过任何一个基金把所有的工作直接交给人工智能去做。也根本没有人，没有必要这么去做，不过我确实碰到有人试图这么去做，但根本做不好。

1、 人工智能有什么问题？

1.1、最显著的问题是它对于我们的历史数据过于依赖。很多历史的模型我们很熟悉，比如线性模型。我们划一条线，再把趋势设置匹配我们的假设。可是在人工智能当中，很多的函数都能吻合我们历史上的数据点。有一些人工智能可以发现这个规律。但是有个问题，这些规律有用吗？没准还会带来危险。

人工智能的研究人员用的都是一些技术，有些技术过于吻合已有数据，所以它的用途有限。最有效的方法是，分析师一定要科学，要从基本面开始分析。

1.2、数据爆炸。我们会输入一些数据，我们想要得到一些有统计意义的输出。那么这个处理量有可能呈现几何级的数据上升。

1.3、维数增长。人工智能有个很有意思的一点，这对于我们这个行业来说是会有问题，如果采用一个常见的、多层的、新生的人工智能模块，首先会设一些参数来进行网络交易从而生成一些系数。

1.4、结果令人费解。但是我们不清楚如何得出这些系数。我确实用这个算法得出来的系数，输入数据后人工智能给了很多结论。如果这时老板让我们做量化交易，因为我们上个月我们损失了4%，所以这个月我们又损失了4%，这就出问题了。

这在人工智能中是非常独特的问题，而且很难克服的。这时确实需要对于这个模型进行培训，如何才能使模型真正按照我们正常的方法论来进行计算。

2、 市场上推广的问题

2.1、制度转变。大家认为它是过去机器人训练的人工智能，只要它的规则不变化，它就会实施的越来越好。但市场的规则是随时瞬息万变的，而且不一样的驱动因子会带来的不同市场。

2.2、海森堡的复仇。2008年前的市场和投资者与现在市场和投资者完全不一样，如果用不同的时间段对它进行不同层级的培训，就会有不同的结果。我们称之为“海森堡的复仇”。也就是如果在热点上观察到了一些规律，被越来越多人知道后，这个规律就会越来越明显，然后很快就会消失了。所以也是通过在交易过程中来对人工智能进行培训的。

3、金融领域遇到的问题

我们能找到一些人工智能在X光上扫描肿瘤及解读病症。其实AI已经有了1000万个这样的识别了。人工智能技术不变但是市场却在变，所以人工智能在这些不同现象出现时一直随之变化。这在金融领域应用会更广泛。

人工智能并不只存在这种高风险的模式，它大部分在消费层面上应用为消费者推荐一些电影、广告。

特殊情况是，这时如果在金融领域，人工智能投资出现亏损，比如损失了20%的资本，但大家仍愿意相信机器的投资。这个状况存在的可能性是很低的。人工智能还有一些其它应用，比如自动驾驶汽车，其中驾驶方面的风险和规则也需要机器去学习。如果机器驾驶过程出现问题，就有可能出现车祸造成人员伤亡。这个风险实在是太高了。