中国基金报记者 姚波
11月1日，由中国基金报主办，信达澳亚基金、泓德基金、橙新闻特别支持的“人工智能驱动金融行业高质量发展——2023中国基金报金融科技论坛”在中国香港举行。在论坛上，粤港澳大湾区数字经济研究院（IDEA）执行院长、人工智能（AI）金融与深度学习首席科学家郭健解析了新一代AI技术驱动的量化投资新范式，展望行业发展的新机遇和新挑战。
他指出，中国财富管理市场巨大，2021年市场规模已接近135万亿元，预计2025年将达到170万亿元。目前，A股市场上程序化交易成交量占比40%，而美国市场的程序化交易量占比约80%，可见中国市场程序化交易量有巨大增长空间。尽管程序化交易不一定是通过量化来实现，主观交易也可以采用这种技术，但这一数据侧面反映出通过机器来做交易的比例。量化投资在中国发展了十余年，近几年，越来越多的投资机构宣告采用AI技术。经历了三代的快速迭代和发展，量化投资正处在AI技术应用的新风口上。
三代量化投资范式快速迭代
郭健认为，严格来讲，量化投资的诞生要从第一篇数学论文应用到金融领域的研究算起，距今有差不多100年的历史。量化投资真正成型大概是从20世纪50年代哈里·马科维茨发表资本资产定价模型（CAPM）理论之后，套利性交易、超额收益等各种新型的投资策略涌现。整个过程中，有超过12位诺贝尔经济学奖获得者做出卓越贡献，包括最近几年越来越火的深度学习、因果推理，也有多位图灵奖获得者为该领域注入了活力。
随着技术的进步，量化投资产业快速发展，整个产业的形态也在不断进化。郭健将最早期的量化投资定义为Quant1.0，它可能是哈佛、麻省理工的教授带着几个学生就做起来了，是一种精英小作坊式生产。精英公司有一个天然的问题——稳定性比较差，因为它过分依赖个人天赋。
为了解决这个问题，10余年前，美国出现了一家公司——World Quant，标志着Quant2.0时代的到来。这家公司被称作“对冲基金行业的富士康”，借鉴工厂流水线式的生产方式，在全球雇佣了成千上万人来做量化策略，然后，由总部的大约100个基金经理把这些策略融合在一起。它的好处就是告别了精英小作坊模式，可以快速更替，据说它在过去10年积累了超过1000万个金融信号，对其金融系统的稳定性带来帮助。但是，新的问题很快出现了，就是边际效用递减，因为并不是人越多投资就做得越好，经营上会有一个平衡点，随着雇佣人数增多，加上行业薪资水涨船高，总有一天成本会撑不住。
近年，深度学习等新技术应用到了量化投资领域，特别是日线T+1交易、日内T+0或中高频的交易，这些比较适合深度学习的任务，因为此时已经积累了足够多的样本。机器学习可以从大量重复的样本中找到很多历史规律，并将历史规律应用于预测未来。Quant3.0时代由此开启。
最近三年这一应用效果不错，但是，Quant3.0很快也遇到新的问题。问题有三：一是成本依然非常高，它相当于以算力换人力，但算力成本也非常高；二是调大模型的人力成本比挖掘因子的人力更贵，而且深度学习是“黑盒子”，很难说清楚为什么赚钱或赔钱；三是这种模式只适合中频到中高频的交易，而这类交易的市场容量很有限。
因此，价值投资、全球宏观等大规模的资产配置产品如何更好应用AI技术，是下一代量化投资应该重点考虑的问题。基于此，郭健提出了Quant4.0概念，并做了很多系统性研究工作。
下一代人工智能投资工具
郭健分析，为了解决前述三个问题，Quant4.0分别对应三个要素：第一是自动化AI，让AI建模本身自动化，取代人工建模，从而降低成本；第二是可解释AI，让看不见、摸不着的系统变得对投资人或者背后的LP（有限合伙）来讲是透明、可靠、可信的；第三就是将价值投资、长期投资的逻辑融合到AI技术中，而不是简单的机器学习，例如，能不能通过学习大量世界顶级分析师的方法论使其具备智能？
具体而言，第一是自动化AI，其本质是解决一个问题，即算法生成算法、模型创造模型。传统的量化投资，简而言之，就是数据预处理，然后进行投资组合的优化，再进行交易，实盘拆单、交易执行、产品优化，最后是风险暴露、风险分析。现在要把整个流程自动化，其中有两个关键环节，一是要足够快，必须比现有量化系统快两到三个数量级，才能形成具有实用价值的全流程的自动化；二是挖掘的空间、数据的容量得非常大，以因子挖掘为例，现在除了传统的量价、高频数量外，越来越多的另类数据也被包括进来，像基本面分析，就包括新闻舆情、公告文本、公司上下游产业链等。如何进行快速预处理、如何从数据中挖掘出好的金融信号，是Quant4.0首先要解决的问题。
这一过程也是在模拟人思考或做量化投资分析的过程。“研究”的英文叫research，拆开就是repeat+search，意为“反复搜索”。郭健表示其采用的技术也是用系统、算力模拟人思考，在一个空间里反复搜索，以提升整个量化投研的效率。
一旦有了好的金融信号，通过深度学习或其他机器学习模型，合并成可用来交易的策略。郭健表示，这个过程也进行了大量的自动化优化，大量的调参、数据测试由系统在底层自动化地高效地完成。人的作用就是启发这个系统，让它朝着最有价值的方向去搜索，然后去发现。
第二是可解释AI，金融行业尤其需要可解释。可解释AI，即打开这些难以解释的技术。如深度学习模型，参数量可能就有上亿甚至几十亿个。郭健表示，其构建的系统搭建了很多可解释的底层技术，并且把它融入到系统，从宏观到微观进行多层面的可解释。例如，对追踪龙头股等可理解的行为特征进行解释，能对黑盒子模型产生的结果有更好的理解，从而降低投资的风险。
第三，面对更大容量的量化投资，特别是更长周期的价值投资怎么做？价值投资属于低频投资，持仓周期可能是一年、两年甚至更长时间，投资追求的是基本面的增长，这就造成没有足够多的样本，最终导致无法实现深度学习、机器学习。
郭健的解决方案是“数据不够、知识来凑”。传统上，机器学习追求数据的深度，即同样一个交易行为反复出现，根据统计学的大数定律，找出其中的规律，把规律用于预测，胜率就比较可靠。但是，如果没有足够多的历史数据，就要通过横向扩张来拓展数据宽度，这个宽度就来自非传统的应用数据，包括各种另类数据、大型金融行为的知识图谱。
知识图谱就是一张巨大的网络，节点是各种实体，可以是上市公司、提供贷款的银行、上下游产业链企业，或公司的股东、公司的法人、与公司打官司的其他公司、公司的竞争对手等。郭健表示，现在已经形成一个由1.6亿个节点组成的巨大网络。
所谓深度思考，就是需要很长的推理链，完成对市场的理解。传统大模型难以做深度思考，但融合了知识图谱技术之后就可以做到。通过把大模型技术与知识图谱技术相融合，在一定程度上具备初级的金融分析师的思考逻辑，如进行行业穿透式的分析。知识图谱通过这种大模型，在巨大的网络上进行推理，一步一步形成对未来市场的分析和看法。郭健指出，目前从技术上还难以保证推理的准确性，但推理过程在逻辑上是自洽的，从而可以形成多条推理链，为金融分析师提供参考，分析师再通过自己对市场的理解，结合与大模型的互动，优化大模型推理的结果。
郭健表示，Quant4.0还面临诸多挑战，尤其是系统层面的复杂性，整个系统从底层的算力系统，到数据体系、知识图谱、推理引擎及最后应用的层面都比较复杂，这也导致开发成本比较高。不过，相对未来体量巨大的价值投资市场，量化交易的投入产出比还是比较划算的。
