人工智能在金融業有其用途,不過目前不少人仍是人工智能和傳統分析兩者並用。--美國克林信大學經濟系副教授徐家健、美國維克森林大學經濟系助理教授梁天卓、美國維珍尼亞理工大學經濟系副教授曾國平
曾:我先以傳統計量經濟學為基礎, 介紹一下機器學習的基本概念吧。就以股票為例,你想預測將來的股票回報,於是找來一堆或許有用的因素用來預測,例如股票過去的表現、利率水平、PE比率等等。最簡單的做法,是用普通的線性迴歸分析,找出股票回報與各因素之間的關係,例如利率每升幾多股票就跌幾多之類。問題是這些因素實在太多,一般的迴歸分析會不勝負荷。
徐:幾十年來有關股票回報的研究無數,加起來的因素也有好幾百個。
曾:對,問題是這一大堆因素之中可能有不少「廢物」,對預測沒有作用,但不容易辨別出來。更弊的是線性分析顧名思義,只容許因素對股票回報有線性的影響,亦即利率每增加多少,股票回報就下跌多少,不會因利率水平高低而變化。
梁:非線性的一個例子,就是利率愈高,對股票回報的影響更大吧?
曾:對,這是一個簡單的例子,更複雜的做法更是多不勝數。大量的因素,加上各種非線性的可能性,預測股票回報這個看似簡單的問題,就忽然變得複雜無比了。如何在眾多可能性中找到最好的一個?機器學習這時就可派上用場了。
AI:股票短期動量最有用
曾:最近有項研究正好做了一次巨細無遺的分析,利用1957年至2016年近30000隻的美股數據,以及接近1000個預測回報的因素,比較12種由最簡單到最複雜的機器學習方法,看看有那些因素和那種方法跑出。在云云股票特徽之中,所有方法都認為有用的是股票的短期動量(momentum),亦即最近股票是升是跌。至於宏觀的因素之中,什麼PE什麼利率之類,都比不上股市平均的賬面市值比率(book-to-market ratio)。論投資表現,以標普500為例,用表現最佳的機器學習方法,可以將「醒目指數」(Sharpe Ratio)由長揸的0.4左右增加至0.6左右(未計交易成本),不是小數目。
梁:不過機器學習方法既然注重短期動量,相信會經常買買賣賣吧?扣除交易成本的話,能賺到的可能所餘無幾。至少,對於交易成本較高的普通散戶來說是有點難以實踐。
徐:還有一點,研究看的是過去60年的數據,其中絕大部分時間都未有人利用機器學習搵錢。今時今日有大量基金利用此技術,互相鬥法之下價格調整,利用機器學習可以得到的甜頭可能更少。
原文請閱4月份《信報財經月刊》