- Тема
2k Популярность
5k Популярность
2k Популярность
158k Популярность
1833k Популярность
63k Популярность
112k Популярность
451k Популярность
7207k Популярность
10722k Популярность
- Закрепить
2k Популярность
5k Популярность
2k Популярность
158k Популярность
1833k Популярность
63k Популярность
112k Популярность
451k Популярность
7207k Популярность
10722k Популярность
Используют ли публичные предложения ИИ для спекуляций акциями?
Источник: Yuanchuan Investment Review (ID: caituandzd), автор | Чжан Вэйдун, редактор | Чжан Цзеюй
После изменения ландшафта индустрии прямых инвестиций количественная оценка проникает в экосистему продуктов публичного инвестирования.
Во втором квартале этого года масштаб China Sun Meng, China Merchants Wang Ping и Western Lide Shengfengyan превысил 10 миллиардов. Кроме того, масштабы Гоцзиня Ма Фана и Ваньцзя Цяо Ляна, уже насчитывающих десятки миллиардов количественных управляющих фондами, еще больше возросли. Количественный круг публичного предложения постепенно превратился из маленького в прозрачный, а способы привлечения внимания людей также отклонились от прошлого повествования о «небольших ошибках отслеживания», демонстрируя их соответствующие способности к излишествам в раковине улитки.
Неназванный управляющий количественным фондом рассказал автору, что люди, которые в этом году преуспели в количественном публичном размещении акций, по сути, оказались в двух горячих точках: одна — это микрокапитализация, а другая — искусственный интеллект. **
Легко объяснить, как делать микрокапитацию, то есть распределять пирог между компаниями с рыночной стоимостью менее 2,5 миллиардов, чтобы получить избыток, и продавать их, когда рыночная стоимость станет больше. По сравнению с этим методом перетирания мелких билетов, количественную оценку ИИ не так-то легко понять.
Не только сама стратегия, но даже роуд-шоу по количественному публичному предложению акций подобны черному ящику. Когда кто-то спрашивает, как применяются стратегии искусственного интеллекта, управляющие фондами предпочитают использовать «черные ящики» машинного обучения, чтобы избежать проблем.
На фоне принципа «соблюдение требований — это небо», из-за соображений, что коллеги не должны учиться, даже некоторые факторы неудачи неохотно раскрываются, из-за чего некоторые новички в отрасли чувствуют себя бессильными исследовать управляющих количественными фондами. В результате вся отрасль и даже сами управляющие фондами могут оценить уровень количественного управляющего фондом только на основе его исторических результатов.
Когда деньги у всех текут, а они этого не понимают, перед ними стоит серьезная проблема. Является ли количественное использование ИИ в публичных предложениях эффективным инструментом или маркетинговым трюком?
01 Открыть черный ящик
Люди часто боготворят то, чего не понимают. Специально для продуктов типа количественной оценки публичного предложения управляющий фондом щедро поделился с автором, что, говоря о стратегии ИИ во время роуд-шоу **, клиент продемонстрировал смутное понимание. **
На самом деле то, что делает общественный ИИ, нельзя объяснить простым языком. **Вестерн Лиде Шэнфэньян однажды рассказал автору, что использование искусственного интеллекта при выборе акций публичных компаний в основном отражается в трех аспектах: анализ текста, многофакторный выбор акций и высокочастотный анализ объемов и ценовых данных. **
Анализ текста проще всего понять. Обычно это относится к управляющим фондами, использующим различные модели искусственного интеллекта, основанные на архитектуре Transformer, для семантического понимания контекста текстовых данных, таких как исследовательские отчеты и выпуски новостей, и анализа эмоциональной информации, содержащейся в различных текстах, для облегчения принятия решений.
Transformer — самая популярная модель глубокого обучения в последние годы, и ее производительность при выполнении текстовых задач, таких как машинный перевод, превосходит эффективность традиционных моделей глубокого обучения, таких как RNN и CNN. Нижний уровень ChatGPT, популярность которого в этом году резко возросла, также основан на Transformer.
Например, в прошлом году продавцы могли выпускать более 200 отчетов каждый день, а количество одних только тезисов превышало 270 000 слов. Традиционная количественная оценка может понять стандартизированные финансовые показатели, но она не может понять, что средняя чашка Starbucks на самом деле является маленькой чашкой, а нейтральность, о которой пишут аналитики в исследовательских отчетах, на самом деле является медвежьей. **
Чтобы сделать хорошие инвестиции в Китай, понимание новостной политики является неизбежной частью. Управляющий количественным фондом, пожелавший остаться неизвестным, описал это автору так: «Онлайн сказал, что единственные люди, которые могут понять смысл выпусков новостей, - это, по крайней мере, кадры уровня заместителя директора. Наша модель ИИ может только меня будут считать биржевым спекулянтом при интерпретации новостей. В следующем году я постараюсь достичь уровня понимания заместителя департамента.»
Вторым сценарием применения ИИ является многофакторный выбор акций. холдинги руководства, акции, на которые никто не обращает внимания.
Для сравнения: применение ИИ в этом сценарии в основном отражается в нелинейной суперпозиции факторов. Например, государственные фонды по-прежнему вводят в модель факторы, имеющие экономическое значение и логику, но используют древовидные структуры и нейронные сети для участия в инвестициях в выбор модели.
Если ограничения будут смягчены, ИИ сможет обнаружить больше факторов, которые люди, возможно, никогда не поймут.
В 2017 году Дэни Бургер, известный репортер агентства Bloomberg, провела эксперимент: поскольку она любит кошек, она создала комбинацию компаний с тремя буквами «CAT» в названии. **Результаты: по данным ретроспективного тестирования за последние шесть лет, процент возврата составил 850 000%. **
**
**Подобный «кошачий фактор» кажется смешным Эндрю Унгеру, руководителю стратегии факторного инвестирования в BlackRock: «Я предпочитаю собак. Я считаю, что компания, которая считает лабрадора своим духовным представителем, определенно сможет преуспеть». «Результат был тот же, и комбинация собак упала на 99,6%. [2] 。
**В сфере инвестиций путь изучения человеческой природы и ИИ различен. Люди могут извлекать законы, опираясь на экономические принципы или здравый смысл; в то время как ИИ изучает полезную функцию с помощью большого количества данных, и эта функция может быть неправильной. неразумно, но имеет хорошую точность входных и выходных результатов. **
Именно потому, что ИИ очень эффективен при анализе и обработке данных, которые люди не могут сопоставить, последний сценарий его применения — высокочастотный анализ объемов и цен.
В 2022 году будет около 5000 акций A-акций, а генерируемые высокочастотные количественные данные составят около 12T, которые содержат поведенческие регулярные характеристики всех участников A-акции. С 2017 года из-за беспрецедентной инволюции субъективных управляющих фондами эффективность цен на акции А на месячном уровне достигла новой высоты, однако высокочастотный уровень все еще находится на низком уровне.
Это означает, что в определенной степени ИИ может предсказывать будущее на основе математической статистики. Шэн Фэнъянь поделился с автором, что он использует циклическую нейронную сеть RNN в качестве основы для ее преобразования, поскольку такая модель очень подходит для работы с временными характеристиками объема и цены, а эффект подобен добавлению радара к лазерная пушка.
Нет сомнений в том, что ужасающие возможности обучения, предоставляемые ИИ, незаметно изменили ландшафт всей отрасли. Сюй Вэньсин из China Europe Fund однажды сказал автору: «Некоторые управляющие фондами очень усердны и слушают множество экспертных конференций каждый день, но задумывались ли вы когда-нибудь, что крупная модель может прослушивать 5000 конференций каждый день? Вероятность достаточно обыграть рынок.»
02 Энтропия включена
Фондовые компании всегда любили стильные вещи. Ходят слухи, что за один день можно провести 100 роуд-шоу, от рекламного ролика ИИ Наньфана, ИИ-трейдера Синцюаня до цифрового клона Цзинь Цзыцая. Времена изменились, и основная маркетинговая линия фондовых компаний сместилась от спорта на открытом воздухе к кибербудущему.
И количественная оценка общественного сбора средств, которая, кажется, наиболее близка к передовым технологиям, естественно, не пропустит бета-версию этой эпохи. В предыдущем исследовании Бодао Ян Мэн рассказал автору: «Весь внутренний количественный рынок постепенно вошел в эпоху алгоритмов ИИ после 2018 года, и только в 2021 или 22 году ИИ вызвал широкое обсуждение в публичных предложениях».
Например, самая популярная в этом году команда Guojin Quantitative Multi-factor Yao Jiahong, Huaxia Zhisheng Pioneer Sun Meng, Guotai Junan Hu Chonghai и Wanjia Qiao Liang и т. д. четко заявили, что они используют машинное обучение в своих количественных инвестициях. Например, Шэн Фэнъянь в основном использовал технологию искусственного интеллекта в модели Western Lide CSI 1000, недавно выпущенной в апреле этого года, которая явно превзошла средний показатель той же категории.
**Все это доказывает, что ИИ является самым быстрым сценарием коммерциализации в Китае и отражается на уровнях производительности. Количественная оценка фондовых компаний Торговля акциями. **
В отличие от субъективных инвестиций, которые могут рассказать самые разные истории, некоторые говорят о ставках на подрывные инновации, некоторые говорят о выращивании сельскохозяйственных культур на засоленных и щелочных землях, а некоторые предпочитают считать луну, а не звезды. Количественные инвестиции кажутся особенно трудными для понимания, а внешние описания и анализ могут быть ограничены только количеством тысяч карточек, которые имеет определенное учреждение.
Однако появление ИИ дало новый прорыв в истории всей отрасли.
В маркетинговых материалах Сунь Мэн не будет описания сотрудничества China Xiaxia и Microsoft Research Asia в 2017 году. В 2018 году китайская Microsoft предложила модель внимания, чтобы научиться решать проблему ротации отрасли, а затем предложила модель автоэнкодера для описания состояния рынка и генерации фактора автоматизации альфа-машины.В 2019 году эти результаты были использованы для реальной торговли.
Поскольку Microsoft является инвестором в OpenAI, по сравнению с другими публичными предложениями, Чимину легче сделать это раньше, чем Huaxia AI+, и его происхождение кажется более чистым.
Что касается количественного мультифактора Guojin, то это один из немногих продуктов за последние два года, который по популярности может конкурировать с Jin Yuan Shun An Yuan Qi. В отличие от человеческой плоти «Юаньци», количественно уничтожающей запасы микрокапитализации, они являются чисто количественными.
Ма Фанг также рассказала во внутреннем общении, что она не играет в чисто многофакторную игру, а, скорее, прогнозирует саму модель и отслеживает изменения в стиле рынка.После того, как структура будет завершена, она не будет слишком сильно вмешиваться вручную. Потому что, по ее мнению, «искусственное вмешательство не приведет к долгосрочной стабильной альфе».
В статье «Акции с микрокапитализацией слишком многолюдны, слишком много людей имеют секреты» автор упомянул, что количественная многофакторная шкала Guojin расширилась слишком быстро. В прошлом году в ней было 1534 акции. Если вы владеете более чем 2000 акциями, вы полностью зарабатывать деньги в стиле малой капитализации. Неудивительно, что Китайская международная финансовая корпорация ковала железо, пока горячо, и выпустила новый фонд для Ма Фана.
В последние годы количественный выбор акций Готая Цзюнаня и количественный многофакторный подход Гоцзиня обладают одинаковой избыточной стабильностью.Вы можете увидеть многочисленные статьи, рекламирующие Ху Чунхая в Snowball.
Его сила заключается в его способности торговать. Старший исследователь фонда рассказал автору, что **Guojun — одно из немногих учреждений, которые публично представили свои собственные торговые системы: от первоначального простого разделения VIP-заказов до теперь имеющего собственный алгоритм прогнозной торговли. Являясь дочерней компанией Guotai Junan Securities, она не только имеет четкую комиссию за транзакцию и более высокую скорость транзакций, но также обеспечивает удобство хостинга сервера. Самое секретное заключается в том, что она может получать множество альтернативных данных и высокочастотных данных, необходимых для ИИ. . **
По сравнению с вышеупомянутыми мастерами количественного анализа более узнаваем Цяо Лян из Ваньцзя, который построил «Индекс Гунчжуан»**.
В его модели экспоненциального роста машинное обучение будет использоваться для разделения рынка на 8 стилей сценариев, а затем сопоставления соответствующих исторических сценариев для конфигурации факторов. Самым особенным из них является Wanjia Quantitative Selection. Его стратегия заключается в выборе выдающихся на рынке акций тяжеловесных фондовых продуктов, оценке их активов и построении портфеля для формирования "Улучшения индекса тяжеловесных акций государственных фондов".
Существует немало продуктов публичного предложения, похожих на «копирование рабочих мест», таких как Harvest Research Alpha Сяо Ми, Quantitative Drive of the Crooked Path от China Europe и Bodao Yuanhang Ян Мэн. Однако в прошлом такие стратегии не приносили успеха. два года, и вместе с ними падают слабые публичные предложения.
До этого года количественная оценка ** публичных предложений имела различные характеристики, некоторые из которых сосредоточены на исторических деталях, некоторые на замене популярных моделей, некоторые на аппаратных системах, а некоторые на инновациях продуктов **. Количественная оценка публичных предложений, которая изначально не могла выявить разницу, рассказала новую историю благодаря усилиям всей отрасли.
03 Пришло время остыть
После появления ChatGPT в США наиболее волнительными стали две отрасли в Китае: одна — субъективное публичное предложение торгового ИИ, а другая — количественное публичное предложение ИИ.
На самом деле, ИИ действительно является хорошим инвестиционным инструментом, и некоторые количественные исследователи подтвердили автору, что ИИ вносит большой вклад в фондовые стратегии. Вся индустрия управления активами.
Точно так же, как Tesla хочет добиться автономного вождения, ей нужно больше автомобилей массового производства для сбора дорожных данных. Улучшение инвестиционной способности ИИ может обеспечить только достаточное количество исторических данных, но исторические данные внутреннего рынка капитала относительно коротки. Если вы просто используете «коэффициент информации за последние 5 лет» и «коэффициент доходности за последние 3 года», , будет риск переобучения.
**В некоторой степени, очень важная причина, по которой количественный хедж-фонд Renaissance был настолько успешным, заключается в том, что у них есть точные данные, которые можно проследить до 1700-х годов, чтобы увидеть картину, которую другие, возможно, не смогут увидеть. **
Еще сложнее то, что отношение сигнал/шум финансовых данных очень низкое, и они не могут генерировать неограниченное количество выборок, таких как речевые изображения, поэтому доступных выборок еще меньше. Более того, на всем финансовом рынке не существует так называемой истины, и в большинстве сценариев, в которых применимы алгоритмы машинного обучения, предполагается, что данные имеют одинаковую структуру распределения внутри и за пределами выборки.
**Таким образом, чтобы алгоритм мог адаптироваться к неопределенной среде в краткосрочной перспективе, он может полагаться не на понимание машины, а больше на человеческий опыт. **
Egret Asset Management Чжан Ченин также рассказал о сложности использования ИИ: «Когда мы используем графовую нейронную сеть (GNN), нам сначала нужно использовать обработку естественного языка для извлечения восходящих и нисходящих связей исследовательских отчетов, финансовых отчетов и новостных акций. построить граф знаний. В то же время GNN очень сложна и требует большого ручного опыта для настройки многих гиперпараметров. ** Это требует от пользователей достаточных резервов как в познании данных, так и в техническом познании. [1] **。」
Даже если оставить в стороне сложность самой стратегии ИИ, будь то кадровые резервы или алгоритмы вычислительных мощностей, существует определенный разрыв между публичным и частным капиталом в использовании ИИ.
С 2020 года по настоящее время вся индустрия фондов была похожа на постоянно меняющиеся темы стоимостных инвестиций в акции A-**, бум инвестиций, недооценку, фиксированный доход +, FOF, ETF, дивиденды, а теперь и количественную оценку публичных размещений. Ежегодно возникает 1-2 горячих точки. **
Количественная оценка публичных предложений по-прежнему имеет свои ограничения, а также существуют проблемы с использованием ИИ, не говоря уже о том, что не все доходы распределяются с помощью ИИ. Искусственный интеллект, конечно, является модным ярлыком и новой историей, но инвестиционная индустрия никогда не испытывала недостатка в маркетинговых кампаниях, а также в устойчивой работе. Может ли эта количественная оценка ИИ действительно принести другую жизнеспособность?
Использованная литература