AI がもたらす恐るべき学習能力が、業界全体のパターンを静かに変えてきたことは疑いの余地がありません。中国欧州基金の徐文興氏はかつて筆者にこう語った、「一部のファンドマネージャーは非常に勤勉で、毎日多くの専門家の会議を聞いているが、大規模なモデルが毎日5,000件の電話会議を聞くことができると考えたことがあるだろうか？市場に勝つだけで十分です。」
02 エントロピー増加がオンになっています
ファンド会社は常にスタイリッシュなものを好みます。 Nanfang の AI プロモーション ビデオ、Xingquan の AI トレーダー、Jin Zicai のデジタル クローンに至るまで、1 日に 100 回のロードショーが開催されることもあると噂されています。時代は変わり、ファンド会社の主なマーケティング分野はアウトドアスポーツからサイバー未来へと移りました。
たとえば、今年最も人気のあるGuojin Quantitative Multi-factor Yao Jiahongチーム、Huaxia Zhisheng Pioneer Sun Meng、Guotai Junan Hu Chonghai、Wanjia Qiao Liangなどは、定量的投資に機械学習を使用していると明確に述べています。たとえば、Shengfengyan は、今年 4 月に新たに発売された Western Profit CSI 1000 で主に AI テクノロジーを使用しており、これは明らかに類似製品の平均を上回りました。
**これらはすべて、AI が中国に最速で上陸し、パフォーマンス レベルを反映する商用化の現場が、3 ピースのオフィス スイートである Microsoft 365 Copilot のアップグレード バージョンでも、偽のオンライン AI 絵画でもなく、ファンド会社の株。 **
Sun Meng のマーケティング資料には、2017 年の Huaxia と Microsoft Research Asia の協力に関する記述が残されています。 2018 年に華夏マイクロソフトは、業界のローテーションの問題を解決する方法を学習するためのアテンション モデルを提案し、その後、市場の状態を説明するためのオートエンコーダー モデルを提案し、マシン アルファ自動化要素を生成しました。2019 年、これらの結果は企業のオファーに使用されました。 。
Guojin 定量的マルチファクターに関しては、過去 2 年間で人気の点で Jin Yuan Shun An Yuan Qi と競合できる数少ない製品の 1 つです。マイクロキャップ株を定量的に破壊する「Yuanqi」人肉とは異なり、それらは純粋に定量的です。
Ma Fang氏は社内コミュニケーションの中で、純粋に多要素ゲームをプレイするのではなく、モデル自体を予測し、市場スタイルの変化を追跡するものであり、フレームワークが完成した後は、手動であまり介入しないつもりであると述べた。なぜなら、彼女の意見では、「人為的介入は長期的に安定したアルファをもたらさない」からです。
Xiao Mi の Harvest Research Alpha、China Europe の Quantitative Drive of the Crooked Path、Yang Meng の Bodao Yuanhang など、「仕事のコピー」に似た公募製品はかなりの数ありますが、このような戦略は過去にはうまくいきませんでした。 2 年間、弱い株式公開株は重いポジションを抱えており、それに伴い崩壊します。
公募の定量化には依然として独自の限界があり、すべての収益帰属が AI から得られるわけではないことは言うまでもなく、AI の活用にも課題があります。人工知能はもちろん人気の高い銘柄であり、新鮮な話ですが、ファンド業界にはマーケティングの勢いが欠けたことはなく、持続可能なパフォーマンスが必要です。今回のAI数値化は本当に違う活力をもたらすことができるのでしょうか？
公募も株の投機にAIを活用？
出典: Yuanchuan Investment Review (ID: caituandzd)、著者 | Zhang Weidong、編集者 | Zhang Jieyu
プライベート・エクイティ業界のパターンが変化した後、定量化がパブリック・エクイティの商品生態に浸透しつつあります。
今年の第2四半期には、中国孫蒙、中国商人の王萍、西利勝峰岩の規模は100億を超えた。さらに、すでに数百億のクオンツファンドマネージャーである国金馬方氏と万家喬良氏の規模はさらに急上昇した。公的定量化サークルは徐々に透明性から舞台へと移行しており、人々の注意を引く方法も過去の「小さな追跡エラー」の物語から脱却し、カタツムリの殻で過剰を達成する能力を示しています。
匿名のクオンツファンドマネージャーは筆者に、今年クオンツ株式公開のパフォーマンスで好成績を収めた人々は、基本的に2つのホットスポットを踏んでいる、1つはマイクロキャップ、もう1つはAIであると語った。 **
マイクロキャップのやり方、つまり時価総額25億未満の企業にパイを分散して余剰を作り、時価総額が大きくなったら売却する方法を説明するのは簡単だ。この小さなチケットをこする方法に比べて、AI による数値化はそれほど分かりやすいものではありません。
戦略そのものはおろか、定量的公募ロードショーすらブラックボックスのようなものだ。 AI 戦略がどのように適用されているかを誰かが尋ねると、ファンド マネージャーは問題を回避するために機械学習のブラック ボックスを使用することを好みます。私は基本的にそれ以上質問できません。
「コンプライアンスこそ空」という背景では、同業他社に学ばせないことへの配慮から、一部の失敗要因さえ公表したがらず、業界の新参者の中にはクオンツファンドマネージャーの調査に無力感を抱いている人もいる。そのため、業界全体、さらにはファンドマネージャー自体も、過去の実績に基づいてクオンツファンドマネージャーのレベルを評価することしかできません。
皆の資金が注ぎ込まれているにもかかわらず、それを完全に理解できない場合、重大な疑問が生じます。公的資金調達の定量化における AI の使用は効果的なツールですか、それともマーケティングの仕掛けですか?
01 ブラックボックスを開ける
人はよく理解できないものを崇拝します。特に公募定量型の商品については、あるファンドマネージャーが「**ロードショーでAI戦略について話したときに、クライアントが漠然とした理解を示していた。それがベストな状態だ」と惜しみなく筆者に教えてくれた。 **
実際、公共の AI が行うことは、平易な言葉で理解することが不可能ではありません。 **Western Lide Shengfengyan 氏はかつて著者に、公開株の銘柄選択における AI の使用は主に 3 つの側面に反映されていると語った: テキスト分析、多要素銘柄選択、および高頻度の出来高および価格データ マイニング。 **
テキスト分析 が最も理解しやすいです。通常、Transformer アーキテクチャに基づくさまざまな AI モデルを使用して、調査レポートやニュース放送などのテキスト データのコンテキストを意味論的に理解し、さまざまなテキストに含まれる感情情報を分析して意思決定を支援するファンド マネージャーを指します。
Transformer は近年最も人気のある深層学習モデルであり、機械翻訳などのテキスト タスクにおけるパフォーマンスは、RNN や CNN などの従来の深層学習モデルを上回ります。今年爆発的に人気が高まった ChatGPT の最下層も Transformer に基づいています。
たとえば、昨年、販売者は毎日 200 を超えるレポートを作成することができ、要約の数だけで 270,000 ワードを超えました。従来の定量化では標準化された財務数値を理解できますが、スターバックスのミディアムカップが実際には小さなカップであることや、中立と書かれたアナリストの調査レポートが実際には弱気であることを理解することはできません。 **
国内で適切な投資を行うためには、ニュース政策を理解することが不可欠です。匿名のクオンツファンドマネジャーは筆者に対し、「ネットワーク送信は、少なくとも次長レベルでは放送されたニュースの深い意味を理解できる。私たちのAIモデルは、趣味としてしか考えられない」と筆者に説明した。ニュース通訳をしています。私は若手課員で、来年は副課の理解を得られるように努めます。」
AI の 2 番目の応用シナリオは多要素銘柄選択であり、従来の定量的多要素フレームワークは、過去の強気株の特性を利用して、将来の潜在的な強気株の出現を見つけます。経営陣が保有する、誰も注目しない株式。
比較として、このシナリオにおける AI の適用は主に 非線形因子の重ね合わせに反映されています。たとえば、公的資金は依然として経済的な意味とロジックを持つ要素をモデルに入力しますが、モデル選択への投資に参加するためにツリー構造とニューラル ネットワークを使用します。
制限が緩和されれば、AI は人間には決して理解できない可能性のあるより多くの要素を発見できるようになります。
2017年、ブルームバーグの有名記者ダニ・バーガー氏が実験を行い、猫好きという理由から社名に「猫（CAT）」の3文字を入れた会社を設立した。 **その結果、過去6年間のバックテストでは85万％もの高い収益率を達成しました。 **
**
**ブラックロックのファクター投資戦略責任者であるアンドリュー・アンガー氏にとって、そのような「猫の要素」はばかばかしいようです:「私は犬のほうが好きです。ラブラドールを精神的な代表とみなす企業は間違いなくうまくやっていけると信じています。」 OK。結果は同じで、犬の組み合わせは99.6％減少しました。 [2] 。
**投資の分野では、人間とAIの学習経路は異なり、人間は経済原理や常識から法則を導き出すことができますが、AIは大量のデータから有用な機能を学習し、その機能が間違っている可能性があります。無理がありますが、入出力結果の精度は良好です。 **
AI はデータの分析と処理において人間にはかなわないほど効率的であるため、その最後の応用シナリオは 高頻度の量と価格のデータ マイニングです。
2022 年には、A 株株は約 5,000 株になり、生成される高頻度の定量的データは約 12T になり、これにはすべての A 株参加者の規則的な行動特性が含まれます。 2017年以降、主観的なファンドマネージャーの前例のない内向き化により、月次レベルでのA株株価の有効性は新たな高みに達したが、高頻度レベルは依然として低い水準にある。
これは、AI が数理統計に基づいてある程度の未来を予測できることを意味します。 Sheng Fengyan 氏は、リカレント ニューラル ネットワーク RNN を変換の基礎として使用していると著者に共有しました。そのようなモデルは、出来高と価格のタイミング特性を処理するのに非常に適しており、その効果はレーダーを設置するようなものだからです。レーザー砲。
AI がもたらす恐るべき学習能力が、業界全体のパターンを静かに変えてきたことは疑いの余地がありません。中国欧州基金の徐文興氏はかつて筆者にこう語った、「一部のファンドマネージャーは非常に勤勉で、毎日多くの専門家の会議を聞いているが、大規模なモデルが毎日5,000件の電話会議を聞くことができると考えたことがあるだろうか？市場に勝つだけで十分です。」
02 エントロピー増加がオンになっています
ファンド会社は常にスタイリッシュなものを好みます。 Nanfang の AI プロモーション ビデオ、Xingquan の AI トレーダー、Jin Zicai のデジタル クローンに至るまで、1 日に 100 回のロードショーが開催されることもあると噂されています。時代は変わり、ファンド会社の主なマーケティング分野はアウトドアスポーツからサイバー未来へと移りました。
そして、最先端技術に最も近いと思われる公的資金調達の定量化は、当然ながらこの時代のベータ版を見逃すことはないでしょう。前回の調査で、ボダオ・ヤン・メン氏は筆者に「2018年以降、国内の量的市場全体が徐々にAIアルゴリズムの時代に入り、21～22年までAIは公募で広範な議論を引き起こした」と語った。
たとえば、今年最も人気のあるGuojin Quantitative Multi-factor Yao Jiahongチーム、Huaxia Zhisheng Pioneer Sun Meng、Guotai Junan Hu Chonghai、Wanjia Qiao Liangなどは、定量的投資に機械学習を使用していると明確に述べています。たとえば、Shengfengyan は、今年 4 月に新たに発売された Western Profit CSI 1000 で主に AI テクノロジーを使用しており、これは明らかに類似製品の平均を上回りました。
**これらはすべて、AI が中国に最速で上陸し、パフォーマンス レベルを反映する商用化の現場が、3 ピースのオフィス スイートである Microsoft 365 Copilot のアップグレード バージョンでも、偽のオンライン AI 絵画でもなく、ファンド会社の株。 **
あらゆる種類の空想的な物語を語ることができる主観的な投資とは異なり、ある者は破壊的イノベーションへの賭けについて語り、ある者は塩分とアルカリの土地で作物を育てることについて語り、ある者は星よりもむしろ月を数えることを好みます。定量的な投資は特に理解が難しいようで、外部からの説明や分析は特定の機関が何千枚のカードを保有しているかに限定されます。
しかし、AI の出現により、業界全体の物語に新たなブレークスルーがもたらされました。
Sun Meng のマーケティング資料には、2017 年の Huaxia と Microsoft Research Asia の協力に関する記述が残されています。 2018 年に華夏マイクロソフトは、業界のローテーションの問題を解決する方法を学習するためのアテンション モデルを提案し、その後、市場の状態を説明するためのオートエンコーダー モデルを提案し、マシン アルファ自動化要素を生成しました。2019 年、これらの結果は企業のオファーに使用されました。 。
MicrosoftはOpenAIに出資しているため、他の公募と比べてHuaxiaのAI+はJiminが早期に実行しやすく、系統がより純粋だと思われる。
Guojin 定量的マルチファクターに関しては、過去 2 年間で人気の点で Jin Yuan Shun An Yuan Qi と競合できる数少ない製品の 1 つです。マイクロキャップ株を定量的に破壊する「Yuanqi」人肉とは異なり、それらは純粋に定量的です。
Ma Fang氏は社内コミュニケーションの中で、純粋に多要素ゲームをプレイするのではなく、モデル自体を予測し、市場スタイルの変化を追跡するものであり、フレームワークが完成した後は、手動であまり介入しないつもりであると述べた。なぜなら、彼女の意見では、「人為的介入は長期的に安定したアルファをもたらさない」からです。
著者は「超小型株は混雑しすぎ、秘密を持っている人が多すぎる」の中で、国金定量的マルチファクター規模の拡大が早すぎると述べました。昨年は1,534株を保有しました。2,000株以上保有すると、完全に株式を保有できなくなります。小型株スタイルでお金を稼ぎます。当然のことながら、中国国家金融公庫は鉄が熱いうちに馬芳氏に新たな基金を発行した。
近年、国泰君安の量的銘柄選択と国金の量的マルチファクターは同様の過剰安定性を有しており、スノーボールでは胡崇海を宣伝する記事が数多く見られる。
彼の強みはトレード能力にあります。上級ファンド研究者は筆者に対し、** Guojun は独自の取引システムを開発している数少ない公的機関の 1 つであり、単純な VIP 分割から現在では独自の予測取引アルゴリズムを持つまでに進化しました。国泰君南証券の子会社として、低い取引手数料と速い取引速度を備えているだけでなく、サーバーホスティングの利便性を提供しており、その最大の秘密は、AIに必要な多くの代替データと高頻度データを取得できることです。 **
前述のクオンツ マスターと比較すると、Wanjia の Qiao Liang の方がよく知られており、「フォロー バンカー インデックス」 を構築しました。
彼の指数成長モデルでは、機械学習を使用して市場を 8 つのシナリオ スタイルに分割し、対応する過去のシナリオを照合してファクター割り当てを行います。最も特別なものは万家定量的選択であり、その戦略は、市場で優れたファンド商品の重量株を選択し、その保有株数を推定し、**「公的資金重量株指数強化」**を形成するためのポートフォリオを構築することです。
Xiao Mi の Harvest Research Alpha、China Europe の Quantitative Drive of the Crooked Path、Yang Meng の Bodao Yuanhang など、「仕事のコピー」に似た公募製品はかなりの数ありますが、このような戦略は過去にはうまくいきませんでした。 2 年間、弱い株式公開株は重いポジションを抱えており、それに伴い崩壊します。
今年の公募数量化には、歴史的背景を語るもの、人気製品の代替を語るもの、ハードウェアシステムを語るもの、製品のイノベーションを語るものなど、様々な特徴があります。当初は違いが分からなかった公募額の定量化が、業界全体の努力によって新たな物語を語った。
03 クールダウンの時間です
米国でChatGPTが登場して以来、中国ではトレーディングAIの主観的公募とAIの定量的公募の2つの業界が最も活発になっている。
実際、AI は確かに優れた投資支援ツールであり、株式戦略に AI が多大な貢献をしていることはクオンツ研究者の中にも確認されていますが、機械学習アルゴリズムを公募や投資全体に適用するにはまだ多くの課題があります。資産管理業界。
テスラが自動運転の実現を目指しているのと同じように、道路データを収集するにはより多くの量産車両が必要です。 AIの投資能力向上には十分な過去データしか供給できませんが、国内資本市場の過去データは比較的短く、単純に「過去5年間の情報比率」と「過去3年間の収益率」を用いると、 、過学習のリスクが生じます。
**ある意味、クオンツ・ヘッジファンドのルネッサンスがこれほど成功できる非常に重要な理由は、他の人が必ずしも見ているわけではない全体像を認識するために、1700年代まで遡ることができる正確なデータを彼らが持っているからです。 **
さらに難しいのは、金融データの S/N 比が非常に低く、音声画像のようにサンプルを無限に生成できないため、利用できるサンプルが少ないことです。さらに、金融市場全体にはいわゆる真実は存在せず、機械学習アルゴリズムが適用できるほとんどのシナリオでは、サンプルの内部と外部でデータが同じ分布則を持つと想定されています。
**したがって、アルゴリズムが不確実な環境に適応するには、短期的には機械の理解ではなく、人間の経験に頼ることになるかもしれません。 **
Egret Asset Management の Zhang Chenying 氏も、AI を使用することの難しさについて次のように述べています。「グラフ ニューラル ネットワーク (GNN) を使用する場合、まず自然言語処理を使用して、調査レポート、財務レポート、ニュースの間の上流と下流の関係を抽出する必要があります。同時に、GNN は非常に複雑で、多くのハイパーパラメーターを調整するには多くの手作業の経験が必要です**。そのため、ユーザーはデータ認識と技術的認識の両方で十分な予備力を必要とします。 [1] **。」
AI 戦略自体の複雑さはさておき、人員の確保であれ、コンピューティング能力のアルゴリズムであれ、AI を実行する際のパブリック エクイティとプライベート エクイティの間には一定のギャップがあります。
2020 年から現在に至るまで、ファンド業界全体は、A 株 ** バリュー投資、ブーム投資、過小評価、債券+、FOF、ETF、配当、そして今回の公募増資の定量化など、常に変化するテーマのようでした。ホットスポットは毎年 1 ～ 2 つ発生します。 **
公募の定量化には依然として独自の限界があり、すべての収益帰属が AI から得られるわけではないことは言うまでもなく、AI の活用にも課題があります。人工知能はもちろん人気の高い銘柄であり、新鮮な話ですが、ファンド業界にはマーケティングの勢いが欠けたことはなく、持続可能なパフォーマンスが必要です。今回のAI数値化は本当に違う活力をもたらすことができるのでしょうか？
参考文献