猫头鹰基金矫健：国内智能投顾发展面临三大难题

　　新浪财经讯　5月25日，2019第五届全球私募基金西湖峰会在杭州举行。在分论坛四“新科技、心思慕——金融科技赋能智慧私募的创新与实践”，猫头鹰基金研究院投资总监矫健发表主旨演讲。他表示：国内要想把人工智能应用在投顾甄选这个领域，可能需要两个方面的原则，第一个原则金融自洽性，以行为金融学为边界去理解。第二实用性，结合中国特色。

　　矫健指出，智能投顾在国内探索方面有三大难题。第一，公募基金中，三年以下的基金经理占到40%以上，这个数据不够去刻划出完整的东西。第二，私募，每周公布一个数据，进行分析的时候得到的结果更有限。第三，不明确的边界问题，即投资的艺术性如何与硬科学相结合。

　　以下是实录：

　　矫健：我是来自猫头鹰基金研究院的矫健，非常感谢恒生电子能给我们这个机会跟大家交流一下人工智能如何助力投顾甄选，我们实际上是一个独立的第三方机构，希望能够通过今天和大家的交流能够告诉大家，现在我们在投顾甄选方面，整个行业已经进入一个什么样的时代，我们认为已经进入一个人工智能时代。

　　交流主要从四个方面去展开：第一问题的提出。第二是海外的借鉴，第三是国内的探索。第四是中国的实践。

　　大家都知道人工智能在很多领域都已经得到比较广泛的应用，但是其实在很多领域的应用，很难在金融方面得到借鉴。我们说现在在人工智能方面，是不是已经能做到在金融领域应用了呢？我们说现在已经具备这样的基础，所以我们说为什么能人工智能。

　　第一点现在的数据基础已经比十年前，五年前甚至三年前已经好太多，大量的数据已经积累在我们的系统里面。第二点是现在系统的算力，硬件方面，我们都知道现在的手机其实已经可以处理大量的东西，一台笔记本电脑能够处理的数据量已经是十年一台服务器了，这样的算力已经给我们足够这样一个能力去处理很多金融方面的数据。第三在银行，在交易在信用分析在很多领域，其实已经展开这样的应用。也就是说不仅仅在世品应用，不仅仅在声频应用，在金融很多领域已经展开这样的应用。第四恒生电子董事长已经做过这件事情，很多人工智能的算法，很多技术已经成熟并且开源，这也给我们提供非常好的一个条件。第五可能在顶层设计方面和底层资产的分析分析，人工智能已经做了相当多的工作，大类资产的配置像在桥水这样的机构已经做了人工智能的探索，同时底层资产股票债券方面已经开始展开人工智能方面的研究，甚至有些应用已经可以实现的，这个给我们带来非常强的其实，底层和顶层已经有了这样的基础，中层我们说甄选投顾的工作是中层的工作，这个工作的难度比顶层和底层都要难很多，因为我们其实分析一个一个的人，刚才罗总已经讲过，我们FOF是去选一个一个人，如果没有把人选好，我们选对，FOF就不对了，人最难揣测，人是相当多变的东西，它会呈现复杂性，艺术性，学习性，以及在投资领域风格漂移，这些东西是不是用静态的方法是不是能够捕捉到，这是特别值得思考的问题，看以前的业绩怎么样，后面的业绩还会这样吗，这个如果不认真思考，你甄选出来的投顾还能给你贡献出这么好的业绩吗，他们不仅多边，风格漂移，风格在不同的时空中还会有变化，也就是说它还是多维的。在牛市下面，在熊市下面，在不同的宏观环境下，每一个基金经理他的能力展现都是不同的，他有他的时空局限性。同时每一个基金经理他的能力特征也是值得我们去思考，尤其在中国这个市场，可能比海外市场更不成熟，很多基金更里很多投顾管理的时间更补偿，他还在进化，能力边界可能局限在比较熟悉的行业，能力边界可能在比较熟悉的底层资产，或者债券，或者股票，或者商品。这个局限于必须通过人工智能的方式把它挖掘出来，否则刻划出来的每一个投顾就不是立体，就是平面的，这样一个平面的刻划无法满足甄选投顾所得到业绩的要求。同时呈现出另类的特征，这里就不展开。

　　第三个多，其实是多量，极其巨量的公募和私募摆在那里，比底层资产的数量还要多。股票的数量都没有管理股票的数量基金多，我去选择它，而且还是每一个多变的，多维的人，这个难度有多大大家可想而知。

　　所以在人工智能应用的领域，可能甄选投顾是最需要人工智能的。对于猫头鹰而言实际上是公募老人，我们发现在基金选择，不管公募基金还是私募基金选择的过程中，其实已经走入了静态和风格时代，在此之前，可能10年之前，15年之前，可能是一个定性跟归因时代，大家一拍脑袋一聊觉得这个人就是这么做投资，一看业绩不错，α不错，β也控制住了就一选，也不知道最后选的怎么样，最后出来的结果一塌糊涂，现在已经进步到什么程度，就是说我已经可以静态的对它进行定量，我已经会画一个风格的九宫格，如果是十六宫格，然后把每一个基金经理的风格放在格子里，选择FOF的时候直接到里面拿，拿里面好，这是我们觉得远远不够，现在人工智能可以给我们提供的一个恐惧，我们可以用人工智能这个方法来助力投顾甄选。也就是说我们认为已经开始进入AI助力时代。

　　既然提到人工智能，肯定要考虑海外都做了哪些事情，哪些探索值得我们去思考。大家谁知道海外最大的FOF和MOM的管理人是谁？海外最报收的FOF和MOM的管理人是谁？日本养老基金，日本养老基金是在人工智能助力投顾甄选方面，在建设方面最领先的一个机构，这样一个保守，这样一个极其巨大的机构，在日本那样官僚体系里面已经展开这样的建设，我们有什么理由不相信在中国这么多公募和私募在选择的时候不采用人工智能的手段认真分析它，把它的多变性多维性，把它大量宽基的人精准的选择出来，匹配到FOF和MOM里面去。其实日本养老金做出了一些研究，它的研究其实有两大方面的发现：他是采用高分红、低波动率、动量、价值、成长、质量、技术以及固定配置八种风格，把这八种风格作为八种模拟的虚拟基金经理，输入一个训练器去训练它，形成一个训练集，这个训练集训练整整12年时间，2005年到2017年，以每40天一个训练足，以100个底层资产作为训练标的，100个底层资产有一个资产有19个因子，这样大量的我们认为可以去研究的风格放到体系里面，用所有的交易数据去训练他，训练的结果我们看到这张非常不容易懂的一张图，把所有的风格画成很多线，在各个维度把线画好之后再把它进行二维化，弄出来的一个东西，这个东西到底是什么东西，这个东西告诉我们什么，发现第一我是可以把它训练成一个一个风格探测器，这八个虚拟基金经理，形成八个风格探测矩阵，可以用来探测每一个基金到底怎么运作的。第二个如此八个截然不同的虚拟基金经理在每一个风格上放大到极致，然后我需配置，把八个假设能配置，在相当多的时候确实起到非常明显的分散效果，但是在很多部位我们看八根线几乎到一起去，告诉我们什么？就是说你作为一个管理者你去做一个分散，可能没有起到分散的效果，可能在每一个局部甚至分散的效果非常差。你作为一个管理人你知道在管理的时候到底什么地方出问题，这是非常值得深思的。

　　用这八个虚拟基金经理所做的研究最后产生的东西叫风格探测器，这个东西训练学习训练系统，叫做学习系统，把现在在运营的这些基金它所有过去和现在的交易数据全部都扔到探测器里面去，但是在这之前经过这样一个虚况，扔的时候都是对应每一个具体的情景，在每一个具体的情景下产生每一个具体的交易。也就是说在什么样的情景下会做什么的买卖动作。把这样一些东西扔到风格探测器里面，最后出来的基金经理到底呈现出在哪一个领域，哪个风格，哪些局部的东西，到底暴露出多少以及多大概率的时候，在不同的情景下，可以暴露出这样的特征，我们说他的投资风格，它的一个立体东西，多维的东西就出来了。

　　这就是一个非常具体的一个基金，他放入风格探测器探测出来的东西，这里面只能表现出三个维度，技术维度，成长维度和度量维度，这个基金经理实际上在成长维度是相当稳定的。在技术维度也是比较稳定的，但是没有成长维度这么稳定，但是看它度量维度，在管理期后两年不到的时间里面，其实发生非常大的偏离。在度量维度上所体现的特征从一个度量暴露非常大的人变成一个度量暴露没有那么大，它发生这样的变化，这样的变化告诉了我们什么？就是说是不是基金经理它呈现出来给你FOF管理者的风格或者它的特征就是你想要的，这是很重要，漂移了没有，漂移的方向和速度也可以用这个东西来表达。还有一点可能更重要，其实它可能并没有漂移，他就是在这样的情境下，就做这样的交易，只是1.5年到2年的时候，他所面临的情境发生这样的变化，如果放入体系里面去，可能仍旧从他的交易行为中得到解释，这是非常有意思的。这些东西都是风格时代或者定性时代不可能告诉你的信息，如果说你没有用一个很先进的技术去处理它，可能你得到的信息量严重不足，你管理的产品就不一定取得你想要的效果。

　　进一步的人工智能怎么发挥作用，这个发挥作用的整个探测器就非常有意思了，我并不是把现在的数据弄进去，而是我把我FOF管理者对未来可能在多大概率上市场会怎么走，把这个信息放进去，作为一个行为预测器，行为预测器里面是大量的针对这支基金训练出来的结果，这个结果就是说在什么样的情境下，这个人最有可能做什么样的动作，最有可能产生什么样的交易，把你生成将来的情境扔到里面可以输出什么样的东西，交易判断，在当前的时间里面，管理者甚至可能知道接下来这个投顾会做什么事，如果他去做我的判断十分正确，他进入一个正循环，他是稳定，如果没有去，说明出了故障，或者学习出了问题，或者漂移，既可以把这个过程当成一个预判的过程，又可以当成一个诊断的过程，我们说基金经理，不管私募还是公募基金经理把它诊断其实是非常难的事情，这部分工作猫头鹰研究院做了蛮多这方面的研究。

　　整个日本这样一些建设告诉我们已经进入了AI助力投顾甄选时代，这个中间可能有几点，我用AI去助力所得到的东西可能更加科学，因为以动态替换静态，以预测去辅助判断，同时可能维度更加多，这里说100多个维度，猫头鹰其实刻划160多个维度，更包含一些另类数据，比如信用、情绪很多东西其实加在一起，同时更易跟踪，让整个FOF管理者，一个组合基金的持有人更放心，我大概知道怎么去做，动态的进行管理。更易预测，在不同的场景下可以把组合管理好。

　　国内我们做了哪些探索，国内要想把人工智能应用在投顾甄选这个领域可能需要两个方面的原则，第一个原则金融自洽性，金融数据其实有它固有的复杂性，有些固有不可解释性，而且人工智能也是，你把它扔进去它很难出一个东西就是说完全能解释，这个我们不要求，不要求它完全能解释，但是至少是自洽，因为当你作为一个投顾跟FOF管理者交流的时候，你肯定会说你的投资思想和投资逻辑，这个东西一定是一个闭环，如果出来的人工智能检测出来的数据不能解释，完全不自洽那就不行了。所以说我们认为至少以行为金融学为边界去理解它。

　　第二实用性，结合中国特色，中国是非常特别的国家，大量的基金经理管理的时间不长，能力边界也是受限的，管理期和持有期也不长，换手率很高，而且考核期也特别短，压力特别大。这些东西都是中国特色。但是更重要一个中国特色就是政策和政治的影响。整个中国的资本市场可能受到扰动的因素都是跟海外不一样，这样一些不成熟特征一定要把它结合进去，否则得到的结果可能不是真正合适的结果。

　　在国内探索方面我们觉得问题和难题在什么地方？第一小样本的问题，处理公募其实已经遇到这样的问题，三年以下的基金经理占到百分之四五十，这个数据集不够，不够做训练，不够判断，不够去刻划出完整的东西。第二私募，每周一个数据点，而且不一定定期公告持仓，你去进行分析的时候得到的结果更有限，当然MOM除外，一个非常资深做了很久的MOM，比如社保基金得到的数据量能够解决小样本问题，总的来说有这个问题，要解决这个问题要做什么，持仓穿透，用一部分技术对它进行持仓穿透，才能得到你想要的东西。

　　经济学模型与学习模型结合的问题，经济学模型是逻辑模型，学习模型是经验模型，把这两个东西对在一起肯定需要AI去解决，何况中国很多国外经济学模型不能拿来直接使用，这可能也是人工智能的优点，直接照搬不行。

　　第三不明确的边界问题，一个视觉识别，一个声音识别是非常清晰，就是这么一个东西要分析什么，金融不是，金融这个边界可大可小，这个领域我们说恒生电子其实做了非常多的工作，他们的行业专家制度，包括云纪网络讲的一些东西，其实积累下来的一些东西可以使得金融边界不明确的问题得到部分的解答。

　　投资的艺术性如何与硬科学相结合，这是我们需要解决的。

　　说了这么多关于日本做了什么，国内需要坚持哪些原则去做，怎么去刻划。人工智能甄选投顾最后呈现给大家什么东西，这个东西一定具有下面这几个特点的：

　　1、动态，如果没有预见性，如果没有对于未来学习和漂移这种的捕捉能力可能人工智能分析是失败的。

　　2、更多维度、更精确的概率。

　　3、是不是把刚才讲的艺术性和科学性不能够闭环这个问题得到解决。不是一个完整的逻辑闭环，可以给它一个半闭环的状态。在这个时候或者人工或者通过定性调研输入一些干预因子去干预他，可能得到的效果会比我们想象的好很多。否则人工智能全都解决了，你可能不需要定性调研了。

　　四、中国的实践。

　　假定无干预完全闭环一个回撤效果，两个基金经理表2012年通过系统通过训练集筛选出来的基金经理，他在2012年当年的表现完全样本外的回撤做了这个数据，在我们这个系统偏成长，成长配60%，价值配40%，大体是这样的结构，这个结构不完善，猫头鹰也在探索，这本身是非常前沿的领域，磨合出来做，一年一年叠加，去相信它，我相信未来有足够的数据，坚持刚才讲的原则，以及顶点去解决刚才提到的问题，更多去吸收海外一些经验，包括像与恒生电子这样非常强的，在AI领域有经验的机构合作，可能会得到更好的效果。

　　猫头鹰经济研究院做的从刚才表推出来一年一年的筛选器所出来的数据，这样一个数据应该还是相当令人满意，这样一个令人满意确实是一个回撤数据，无论在多大程度上令人满意，它都是不令人满意的，一定有了足够能够把将来数据放进去真实交易的一些数据，不停的继续训练你的学习系统才能出来立体的，能够刻划的，能够对FOF投资特别有帮助一个人工智能的一个投顾的甄选体系。

　　AI助力投顾甄选的时代已经到来，让我们去迎接这个时代。谢谢大家！谢谢恒生电子！

责任编辑：常福强