- Rubrique
2k Popularité
5k Popularité
2k Popularité
158k Popularité
1833k Popularité
63k Popularité
112k Popularité
451k Popularité
7207k Popularité
10722k Popularité
- Épingler
2k Popularité
5k Popularité
2k Popularité
158k Popularité
1833k Popularité
63k Popularité
112k Popularité
451k Popularité
7207k Popularité
10722k Popularité
Les offres publiques utilisent-elles également l’IA pour spéculer sur les actions ?
Source : Yuanchuan Investment Review (ID : caituandzd), auteur | Zhang Weidong, éditeur | Zhang Jieyu
Après avoir modifié la structure du secteur du capital-investissement, la quantification pénètre désormais dans l’écologie des produits du capital-investissement.
Au deuxième trimestre de cette année, la taille de Huaxia Sun Meng, des marchands chinois Wang Ping et de Western Lide Shengfengyan a dépassé les 10 milliards. En outre, la taille de Guojin Ma Fang et Wanjia Qiao Liang, qui représentent déjà des dizaines de milliards de gestionnaires de fonds quantitatifs, a également grimpé en flèche. Le cercle public de quantification est progressivement passé de la transparence à la scène, et la manière d'attirer l'attention des gens s'est également éloignée du récit passé des « petites erreurs de suivi », montrant leur capacité à obtenir des excès dans la coquille d'escargot.
Un gestionnaire de fonds quantitatif qui n'a pas souhaité être nommé a déclaré à l'auteur que les personnes qui ont obtenu de bons résultats en matière d'offre publique quantitative cette année ont essentiellement marché sur deux débouchés, l'un étant les microcaps et l'autre l'IA. **
Il est facile d’expliquer comment faire des micro-caps, c’est-à-dire répartir le gâteau dans des entreprises dont la valeur marchande est inférieure à 2,5 milliards pour réaliser un excédent, et les vendre lorsque la valeur marchande devient plus grande. Par rapport à cette méthode de frottement des petits tickets, la quantification de l'IA n'est pas si facile à comprendre.
Non seulement la stratégie elle-même, mais même la tournée de quantification des offres publiques sont comme une boîte noire. Une fois que quelqu'un demande comment la stratégie d'IA est spécifiquement appliquée, les gestionnaires de fonds aiment utiliser les boîtes noires d'apprentissage automatique pour éviter la question.Chaque fois que le gestionnaire de fonds exprime sincèrement, « les stratégies d'IA sont extrêmement complexes à décrire et l'apprentissage automatique ne peut pas être expliqué ». Nous ferons preuve de diligence raisonnable et je ne peux plus poser de questions.
Dans le contexte de « la conformité est primordiale », par souci d'empêcher les pairs d'apprendre, même certains facteurs d'échec ne sont pas disposés à être divulgués, ce qui fait que certains nouveaux arrivants dans l'industrie se sentent impuissants à enquêter sur les gestionnaires de fonds quantitatifs. À tel point que l’ensemble du secteur et même les gestionnaires de fonds eux-mêmes ne peuvent évaluer le niveau d’un gestionnaire de fonds quantitatif qu’en fonction de ses performances historiques.
Quand l’argent de tout le monde afflue, mais qu’ils ne peuvent pas le comprendre, un problème crucial se pose devant eux. L’utilisation quantitative de l’IA dans les offres publiques est-elle un outil efficace ou un gadget marketing ?
01 Ouvrez la boîte noire
Les gens adorent souvent des choses qu’ils ne comprennent pas. Surtout pour les produits de ce type de quantification d'offre publique, certains gestionnaires de fonds ont généreusement partagé avec l'auteur.En parlant de stratégies d'IA lors du ** roadshow, les clients ont montré une expression à moitié bien informée, qui est le meilleur état. **
En fait, ce que fait l’IA publique n’est pas quelque chose qui ne peut être expliqué en langage simple. **Western Lide Shengfengyan a dit un jour à l'auteur que l'utilisation de l'IA dans la sélection d'actions publiques se reflète principalement dans trois aspects : l'analyse de texte, la sélection d'actions multifactorielle et l'exploration de données à haute fréquence sur les volumes et les prix. **
L'analyse de texte est la plus simple à comprendre. Il fait généralement référence aux gestionnaires de fonds utilisant divers modèles d'IA basés sur l'architecture Transformer pour comprendre sémantiquement le contexte des données textuelles telles que les rapports de recherche et les émissions d'information, et analyser les informations émotionnelles contenues dans différents textes pour aider à la prise de décision.
Transformer est le modèle d'apprentissage profond le plus populaire de ces dernières années, et ses performances dans les tâches de texte telles que la traduction automatique dépassent celles des modèles d'apprentissage profond traditionnels tels que RNN et CNN. ChatGPT, qui a explosé cette année, est également basé sur Transformer.
Par exemple, l'année dernière, le vendeur a pu produire plus de 200 rapports par jour, et le nombre de mots dans le seul résumé dépassait 270 000 mots. La quantification traditionnelle peut comprendre les chiffres financiers standardisés, mais elle ne peut pas comprendre que la tasse moyenne de Starbucks est en réalité une petite tasse et que la neutralité écrite par les analystes dans les rapports de recherche est en réalité baissière. **
Pour réaliser un bon investissement en Chine, une compréhension de la politique de l’information est un élément inévitable. Un gestionnaire de fonds quantitatif qui n'a pas souhaité être nommé a décrit ceci à l'auteur : « La transmission en réseau peut comprendre le sens profond des informations diffusées au moins au niveau du directeur adjoint. Notre modèle d'IA ne peut être considéré que comme un passe-temps dans interpréter les nouvelles. Je m'efforcerai d'avoir la capacité de compréhension du département adjoint l'année prochaine."
Le deuxième scénario d'application de l'IA est la sélection de titres multifactorielle.Le cadre quantitatif multifactoriel traditionnel utilise les caractéristiques des actions haussières historiques pour trouver l'apparition d'actions haussières potentielles à l'avenir, telles que celles avec de faibles valorisations, de bonnes performances, une augmentation avoirs de la direction, actions auxquelles personne ne prête attention.
À titre de comparaison, l'application de l'IA dans ce scénario se reflète principalement dans la superposition de facteurs non linéaires. Par exemple, les fonds publics alimentent toujours les modèles avec des facteurs ayant une signification et une logique économiques, mais dans la sélection des modèles, ils utiliseront des structures arborescentes et des réseaux neuronaux pour participer à l'investissement.
Si les restrictions sont assouplies, l’IA peut découvrir davantage de facteurs que les humains ne comprendront peut-être jamais.
En 2017, Dani Burger, célèbre journaliste de Bloomberg, a mené une expérience : parce qu'elle aime les chats, elle a créé une combinaison d'entreprise avec les trois lettres « cat (CAT) » dans son nom. **Résultats : backtesté au cours des six dernières années, le taux de retour atteignait 850 000 %. **
**
**Un tel "facteur chat" semble ridicule à Andrew Unger, responsable de la stratégie d'investissement factoriel chez BlackRock : "Je préfère les chiens. Je crois qu'une entreprise qui considère le Labrador comme son représentant spirituel sera certainement capable de réussir." Bien. " Les résultats sont également en baisse, la combinaison chien a chuté de 99,6% [2] 。
**Dans le domaine de l'investissement, le parcours d'apprentissage de la nature humaine et de l'IA est différent. Les humains peuvent extraire des lois à travers des principes économiques ou du bon sens, tandis que l'IA apprend une fonction utile grâce à une grande quantité de données, et cette fonction peut être erronée. déraisonnable, mais a une bonne précision dans les résultats d’entrée et de sortie. **
Précisément parce que l'IA est très efficace pour analyser et traiter des données que les humains ne peuvent pas égaler, son dernier scénario d'application concerne l'exploration de données à haute fréquence sur les volumes et les prix.
En 2022, il existe près de 5 000 actions A et les données quantitatives à haute fréquence générées sont d'environ 12T, qui contiennent les caractéristiques comportementales de tous les participants aux actions A. Depuis 2017, en raison de l'introversion sans précédent des gestionnaires de fonds subjectifs, l'efficacité des cours des actions a au niveau mensuel a atteint un nouveau sommet, mais le niveau haute fréquence est toujours à un niveau bas.
Cela signifie que dans une certaine mesure, l’IA peut prédire l’avenir sur la base de statistiques mathématiques. Sheng Fengyan a partagé avec l'auteur qu'il utilise le réseau neuronal récurrent RNN comme base pour le transformer, car un tel modèle est très approprié pour traiter les caractéristiques temporelles du volume et du prix, et l'effet est comme installer un radar sur un canon laser.
Il ne fait aucun doute que la terrifiante capacité d’apprentissage présentée par l’IA a discrètement modifié le modèle de l’ensemble du secteur. Xu Wenxing de China Europe Fund a dit un jour à l'auteur : « Certains gestionnaires de fonds sont très diligents et écoutent de nombreuses réunions d'experts chaque jour, mais avez-vous déjà pensé qu'un grand modèle pouvait écouter 5 000 conférences téléphoniques chaque jour ? pour résumer un grand nombre de modèles pour atteindre 52% La probabilité de battre le marché est suffisante.”
02 L'augmentation de l'entropie est activée
Les sociétés de fonds ont toujours aimé les choses avec style. De la vidéo promotionnelle de l'IA de Nanfang, du commerçant d'IA de Xingquan, au clone numérique de Jin Zicai, la rumeur dit que 100 roadshows peuvent être réalisés en une journée. Les temps ont changé et la principale ligne de marketing des sociétés de fonds est passée des sports de plein air au cyberavenir.
Et la quantification des collectes de fonds publics, qui semble la plus proche de la technologie de pointe, ne manquera naturellement pas la Beta de cette époque. Dans des recherches précédentes, Bodao Yang Meng a déclaré à l'auteur : « L'ensemble du marché quantitatif national est progressivement entré dans l'ère des algorithmes d'IA après 2018, et ce n'est qu'en 2021 ou 22 que l'IA a suscité un large débat dans les offres publiques. »
Par exemple, l'équipe Yao Jiahong quantitative multifactorielle Guojin la plus populaire de cette année, Sun Meng, pionnier de Huaxia Zhisheng, Guotai Junan Hu Chonghai et Wanjia Qiao Liang, etc. ont clairement déclaré qu'ils utilisaient l'apprentissage automatique dans leurs investissements quantitatifs. Par exemple, Shengfengyan a principalement utilisé la technologie de l'IA dans le nouveau Western Profit CSI 1000 lancé en avril de cette année, qui a clairement surperformé la moyenne des produits similaires.
**Tout cela prouve que l'IA est le scénario de commercialisation le plus rapide en Chine et se reflète dans les niveaux de performances. Il ne s'agit ni d'une version améliorée de Microsoft 365 Copilot, d'une suite bureautique en trois parties, ni d'une peinture d'IA en ligne qui semble réelle, mais d'un quantification des sociétés de fonds. **
Contrairement à l’investissement subjectif, qui peut raconter toutes sortes d’histoires fantaisistes, certains parlent de parier sur l’innovation de rupture, d’autres parlent de cultiver des cultures dans des terres salines et alcalines, et certains préfèrent compter la lune plutôt que les étoiles. L’investissement quantitatif semble particulièrement difficile à comprendre, et les descriptions et analyses externes ne peuvent se limiter qu’au nombre de milliers de cartes dont dispose une institution donnée.
Cependant, l’émergence de l’IA a apporté une nouvelle avancée dans le récit de l’ensemble de l’industrie.
Dans les supports marketing de Sun Meng, la description de la coopération entre Huaxia et Microsoft Research Asia en 2017 ne sera pas en reste. En 2018, Huaxia Microsoft a proposé le modèle d'attention pour apprendre à résoudre le problème de la rotation industrielle, puis a proposé le modèle Autoencoder pour décrire l'état du marché et a généré le facteur d'automatisation Machine alpha. En 2019, ces résultats ont été utilisés dans l'offre ferme. .
Étant donné que Microsoft est un investisseur dans OpenAI, par rapport à d'autres offres publiques, il est facile pour Jimin de se lancer tôt dans l'IA+ de Huaxia, et la lignée semble être plus pure.
Quant au Guojin Quantitative Multi-Factor, c'est l'un des rares produits à pouvoir rivaliser avec Jinyuan Shun'an Yuanqi en termes de popularité au cours des deux dernières années. Différent de la quantification de la chair humaine et des stocks de microcapsules « Yuanqi », il s'agit d'une pure quantification.
Ma Fang a également déclaré dans une communication interne que son approche n'était pas purement multifactorielle, mais plutôt axée sur la prévision par le modèle lui-même et le suivi des changements dans le style du marché. Une fois le cadre terminé, elle n'aurait pas trop d'intervention manuelle. Car selon elle, « une intervention artificielle n’apportera pas d’alpha stable à long terme ».
L'auteur a mentionné dans "Les actions à micro-capitalisation sont trop encombrées, trop de gens ont des secrets", que l'échelle multifactorielle quantitative de Guojin s'est développée trop rapidement. L'année dernière, elle détenait 1 534 actions. Si vous détenez plus de 2 000 actions, vous serez complètement gagner de l'argent de style petite capitalisation. Sans surprise, la China International Finance Corporation a frappé alors que le fer était chaud et a émis un nouveau fonds en faveur de Ma Fang.
Ces dernières années, Guotai Junan Quantitative Stock Selection et Guojin Quantitative Multi-factor ont une stabilité excessive similaire. À Xueqiu, vous pouvez voir des articles denses faisant la promotion de Hu Chonghai.
Sa force réside dans sa capacité à négocier. Un chercheur principal en fonds a déclaré à l'auteur que ** Guojun est l'une des rares institutions publiques à développer son propre système de trading, qui est passé d'une simple division VIP à désormais son propre algorithme de trading prédictif. En tant que filiale de Guotai Junan Securities, elle offre non seulement des frais de transaction faibles et des vitesses de transaction rapides, mais offre également la commodité de l'hébergement sur serveur. Le plus secret est qu'elle peut obtenir de nombreuses données alternatives et données haute fréquence nécessaires à l'IA. **
Comparé aux maîtres quantitatifs mentionnés ci-dessus, Qiao Liang de Wanjia est plus reconnaissable. Il a construit un "Following Banker Index".
Dans son modèle de croissance exponentielle, l'apprentissage automatique sera utilisé pour diviser le marché en 8 styles de scénarios, puis faire correspondre les scénarios historiques correspondants pour la configuration des facteurs. Le plus spécial est Wanjia Quantitative Selection. Sa stratégie consiste à sélectionner les actions détenant les plus grands avoirs d'excellents produits de fonds sur le marché, à estimer leurs avoirs et à construire un portefeuille pour former un ** « Amélioration de l'indice du montant des avoirs des fonds publics »* *.
Il existe de nombreux produits d'offre publique similaires à la « copie des devoirs », tels que Harvest Research Alpha de Xiao Mi, Central European Quantitative Drive de Zingdao et Bodao Yuanhang de Yang Meng. Cependant, ce type de stratégie n'a pas eu de chance au cours des deux dernières années. et les poids lourds de l'offre publique faible tombent avec eux.
Depuis cette année, ** la quantification des offres publiques présente diverses caractéristiques : certains parlent de contexte historique, certains parlent de remplacement de produits populaires, certains parlent de systèmes matériels et certains parlent d'innovation de produits **. La quantification des offres publiques, qui à l'origine ne pouvait pas faire la différence, a raconté une nouvelle histoire grâce aux efforts de l'ensemble du secteur.
03 Il est temps de se calmer
Après la naissance de ChatGPT aux États-Unis, deux industries nationales sont les plus agitées, l'une est l'offre publique subjective d'échange d'IA et l'autre est la quantification d'offre publique d'IA.
En fait, l'IA est en effet un bon outil d'aide à l'investissement, et certains chercheurs quantitatifs m'ont confirmé que l'IA a apporté une grande contribution aux stratégies boursières, mais il existe encore de nombreux problèmes dans l'application des algorithmes d'apprentissage automatique dans les offres publiques et même dans l'ensemble secteur de la gestion d’actifs.
Tout comme Tesla souhaite parvenir à une conduite autonome, elle a besoin de davantage de véhicules produits en série pour collecter des données routières. L'amélioration des capacités d'investissement de l'IA ne peut fournir qu'un nombre suffisant de données historiques, mais les données historiques du marché intérieur des capitaux sont relativement courtes.Si vous utilisez simplement le « taux d'information des cinq dernières années » et le « taux de rendement des trois dernières années », il y aura un risque de surapprentissage.
**Dans une certaine mesure, une raison très importante pour laquelle la renaissance des hedge funds quantitatifs peut connaître un tel succès est qu'ils disposent de données précises qui remontent aux années 1700, pour percevoir une image que d'autres ne voient pas nécessairement. **
Ce qui est plus difficile, c'est que le rapport signal/bruit des données financières est très faible et qu'elles ne peuvent pas générer des échantillons illimités comme les images vocales, il y a donc encore moins d'échantillons disponibles. De plus, il n’existe pas de soi-disant vérité sur l’ensemble du marché financier, et la plupart des scénarios dans lesquels les algorithmes d’apprentissage automatique sont applicables supposent que les données ont le même modèle de distribution à l’intérieur et à l’extérieur de l’échantillon.
**Ainsi, pour que l'algorithme s'adapte à un environnement incertain, à court terme, il ne s'appuiera peut-être pas sur la compréhension de la machine, mais davantage sur l'expérience humaine. **
Zhang Chenying d'Egret Asset Management a également évoqué la difficulté d'utiliser l'IA : « Lorsque nous utilisons des réseaux de neurones graphiques (GNN), nous devons d'abord utiliser le traitement du langage naturel pour extraire les relations en amont et en aval entre les rapports de recherche, les rapports financiers et les actualités. actions pour construire un graphe de connaissances.En même temps, GNN est très complexe et nécessite beaucoup d'expérience manuelle pour ajuster de nombreux hyperparamètres**, ce qui nécessite que les utilisateurs disposent de réserves suffisantes à la fois en cognition des données et en cognition technique. [1] **。」
Même en mettant de côté la complexité de la stratégie d'IA elle-même, qu'il s'agisse de réserves de personnel ou d'algorithmes de puissance de calcul, il existe un certain écart entre le capital-investissement public et le capital-investissement dans la réalisation de l'IA.
De 2020 à aujourd'hui, l'ensemble du secteur des fonds a été comme le thème en constante évolution des actions A : investissement de grande valeur, investissement en plein essor, faible valorisation, revenu fixe +, FOF, ETF, dividendes et maintenant la quantification des offres publiques. Il semble qu'il y ait 1 à 2 points chauds chaque année. **
La quantification des offres publiques a encore ses propres limites, et l’exploitation de l’IA présente également des défis, sans compter que toutes les attributions de revenus ne proviennent pas de l’IA. L'intelligence artificielle est bien sûr un label tendance et une nouvelle histoire, mais le secteur des fonds n'a jamais manqué de dynamisme marketing, mais de performances durables. Cette quantification de l’IA peut-elle vraiment apporter une vitalité différente ?
Les références