- Тема
2k Популярність
5k Популярність
2k Популярність
158k Популярність
1833k Популярність
63k Популярність
112k Популярність
451k Популярність
7207k Популярність
10722k Популярність
- Закріпити
2k Популярність
5k Популярність
2k Популярність
158k Популярність
1833k Популярність
63k Популярність
112k Популярність
451k Популярність
7207k Популярність
10722k Популярність
Чи публічні пропозиції також використовують ШІ для спекуляцій на акціях?
Джерело: Yuanchuan Investment Review (ID: caituandzd), автор | Чжан Вейдун, редактор | Чжан Цзеюй
Після зміни ландшафту індустрії прямих інвестицій кількісна оцінка проникає в екосистему продуктів публічних інвестицій.
У другому кварталі цього року масштаби China Sun Meng, China Merchants Wang Ping і Western Lide Shengfengyan перевищили 10 мільярдів. Крім того, масштаб Гуоцзінь Ма Фанг і Ванцзя Цяо Лян, які вже є десятками мільярдів кількісних менеджерів фондів, ще більше зріс. Кількісне коло публічних пропозицій поступово перемістилося від малого до прозорого, і спосіб привернути увагу людей також відхилився від минулого наративу про «невелику помилку відстеження», демонструючи відповідні здібності робити надлишки в мушлі равлика.
Менеджер кількісного фонду, який не захотів, щоб його ім’я називали, сказав автору, що люди, які цього року добре показали кількісні результати розміщення публічних пропозицій, в основному наступили на два виходи: один – це мікрокапи, а інший – штучний інтелект. **
Легко пояснити, що робити мікрокапіталізації — це розподіляти пиріг між компаніями з ринковою капіталізацією менше 2,5 мільярдів і продавати їх, коли ринкова капіталізація зростає. Порівняно з цим методом натирання дрібних квитків, кількісну оцінку AI не так легко зрозуміти.
Не тільки сама стратегія, але навіть кількісне публічне розміщення акцій схоже на чорний ящик. Коли хтось запитує, як застосовуються стратегії штучного інтелекту, менеджери фондів люблять використовувати чорні ящики машинного навчання, щоб уникнути проблем. Я більше не можу ставити жодних запитань.
У контексті «відповідність має першочергове значення», щоб запобігти навчанню колег, навіть деякі фактори невдач не бажають розголошувати. Це змушує деяких новачків у галузі відчувати себе безсилими досліджувати кількісні менеджери фондів. У результаті вся галузь і навіть самі менеджери фондів можуть оцінити рівень керуючого фондом лише кількісно на основі його історичних показників.
Коли всі гроші ллються, але вони не можуть цього зрозуміти, виникає важливе питання. Чи є використання штучного інтелекту для кількісної оцінки збору коштів ефективним інструментом чи маркетинговим трюком?
01 Відкрийте чорну скриньку
Люди часто поклоняються тому, чого вони не розуміють. Спеціально для продуктів такого типу кількісної оцінки публічних пропозицій, деякі менеджери фондів щедро поділилися з автором.Говорячи про стратегії штучного інтелекту під час **роуд-шоу, клієнти демонстрували напіврозбірливе вираз, що є найкращим станом. **
Насправді те, що робить публічний ШІ, неможливо зрозуміти простою мовою. **Western Lide Shengfengyan одного разу сказав автору, що використання штучного інтелекту у виборі публічних акцій в основному відображається в трьох аспектах: текстовий аналіз, багатофакторний вибір акцій і високочастотний аналіз даних про обсяг і ціну. **
Аналіз тексту є найпростішим для розуміння. Зазвичай це стосується менеджерів фондів, які використовують різні моделі штучного інтелекту на основі архітектури Transformer для семантичного розуміння контексту текстових даних, таких як дослідницькі звіти та випуски новин, і аналізу емоційної інформації, що міститься в різних текстах, для сприяння прийняттю рішень.
Transformer є найпопулярнішою моделлю глибокого навчання за останні роки, і її продуктивність у текстових завданнях, таких як машинний переклад, перевищує показники традиційних моделей глибокого навчання, таких як RNN і CNN. Нижній рівень ChatGPT, популярність якого цього року вибухнула, також базується на Transformer.
Наприклад, минулого року продавці щодня виготовляли понад 200 звітів, а кількість одних лише тез перевищувала 270 тис. слів. Традиційна кількісна оцінка може зрозуміти стандартизовані фінансові цифри, але вона не може зрозуміти, що середня чашка Starbucks насправді є маленькою чашкою, а нейтральність, яку пишуть аналітики у звітах про дослідження, насправді є ведмежою. **
Щоб добре інвестувати в Китай, розуміння новинної політики є невід’ємною частиною. Менеджер із кількісних фондів, який не побажав бути названим, описав це автору: «Мережева передача може зрозуміти глибокий зміст трансляції новин принаймні на рівні заступника директора. Нашу модель ШІ можна розглядати лише як хобі в інтерпретація новин. Наступного року я прагнутиму мати здатність розуміння, як заступник відділу.”
Другий сценарій застосування штучного інтелекту – це багатофакторний вибір акцій. Традиційна кількісна багатофакторна структура використовує характеристики історичних акцій бика, щоб знайти появу потенційних акцій бика в майбутньому, наприклад, акції з низькою оцінкою, хорошими показниками, підвищеними холдинги керівництва, Акції, на які ніхто не звертає уваги.
Для порівняння, застосування штучного інтелекту в цьому сценарії в основному відображається в нелінійній суперпозиції факторів. Наприклад, державні фонди все ще вводять у модель фактори з економічним значенням і логікою, але вони використовують деревоподібні структури та нейронні мережі для участі в інвестиціях у виборі моделі.
Якщо обмеження послабити, ШІ зможе виявити більше факторів, які люди можуть ніколи не зрозуміти.
У 2017 році відома репортерка Bloomberg Дані Бургер провела експеримент: оскільки їй подобаються коти, вона створила фірмову комбінацію з трьома буквами «CAT» у назві. **Як результат, за попередніми тестами за останні шість років, норма прибутку досягла 850 000%. **
**
**Такий «котячий фактор» здається смішним для Ендрю Ангера, керівника стратегії інвестування факторів у BlackRock: «Я віддаю перевагу собакам. Я вважаю, що компанія, яка розглядає лабрадора як свого духовного представника, безперечно зможе досягти успіху». Добре. «Результат був той самий, а комбінація собак впала на 99,6%. [2] .
**У сфері інвестицій людська природа та шляхи навчання штучного інтелекту різні. Люди можуть уточнювати правила за допомогою економічних принципів або здорового глузду; тоді як штучний інтелект вивчає велику кількість даних, щоб отримати корисну функцію, що може бути неправильним. , нерозумно , але має хорошу точність результатів введення та виведення. **
Саме тому, що штучний інтелект високоефективний в аналізі та обробці даних, які люди не можуть порівняти, його останнім сценарієм застосування є високочастотний аналіз даних про обсяги та ціни.
У 2022 році існує майже 5000 акцій класу А, а згенеровані високочастотні кількісні дані становлять близько 12 Т, які містять поведінкові характеристики всіх учасників пакета А. З 2017 року через безпрецедентну замкнутість суб’єктивних менеджерів фондів ефективність цін на акції А на місячному рівні досягла нового рівня, але рівень високої частоти все ще залишається на низькому рівні.
Це означає, що до певної міри ШІ може передбачати майбутнє на основі математичної статистики. Шен Феньян поділився з автором, що він використовує рекурентну нейронну мережу RNN як основу для її трансформації, оскільки така модель дуже підходить для обробки часових характеристик обсягу та ціни, а ефект схожий на встановлення радара на лазерна гармата.
Немає сумніву, що жахливі можливості навчання, представлені ШІ, тихо змінили ландшафт усієї галузі. Сюй Веньсін з China Europe Fund якось сказав автору: «Деякі менеджери фондів дуже старанні і щодня слухають багато експертних конференцій, але чи думали ви коли-небудь, що велика модель може слухати 5000 телефонних конференцій щодня? Імовірність достатньо подолати ринок.”
02 Entropy On
Фондові компанії завжди любили речі зі стилем. Подейкують, що в день може бути 100 роуд-шоу, починаючи з рекламного відео ШІ Nanfang, трейдера ШІ Xingquan і закінчуючи цифровим клоном Jin Zicai. Час змінився, і основна маркетингова лінія компаній-фондів змістилася зі спорту на відкритому повітрі в кібермайбутнє.
І кількісна оцінка публічних пропозицій, яка, здається, є найближчою до передових технологій, природно, не пропустить бета-версію цієї епохи. У попередньому дослідженні Бодао Ян Менг сказав автору: «Після 2018 року весь внутрішній кількісний ринок поступово вступив в еру алгоритмів штучного інтелекту, і лише у 2021 чи 22 роках ШІ викликав широке обговорення під час публічних пропозицій».
Наприклад, найпопулярніша цього року команда Guojin Quantitative Multi-factor Yao Jiahong, Huaxia Zhisheng Pioneer Sun Meng, Guotai Junan Hu Chonghai і Wanjia Qiao Liang тощо чітко заявили, що вони використовують машинне навчання у своїх кількісних інвестиціях. Наприклад, Shengfengyan в основному використовував технологію штучного інтелекту в нещодавно запущеному Western Profit CSI 1000 у квітні цього року, який явно перевершив середні показники аналогічних продуктів.
**Все це доводить, що сцена комерціалізації, де штучний інтелект найшвидше приземляється в Китаї та відображає рівень продуктивності, — це не оновлена версія трикомпонентного офісного пакету Microsoft 365 Copilot і не фальшива онлайн-картина ШІ, а кількісна оцінка акції інвестиційних компаній. **
На відміну від суб’єктивного інвестування, яке може розповідати всі види фантастичних історій, дехто говорить про ставку на руйнівні інновації, дехто говорить про вирощування сільськогосподарських культур на солончаково-лужній землі, а дехто радше рахує місяць, ніж зірки. Пояснити кількісні інвестиції здається надзвичайно складним, а зовнішній світ може лише описати та проаналізувати кількість карток, якими володіє певна установа.
Однак поява штучного інтелекту дала новий прорив у наративі всієї галузі.
У маркетингових матеріалах Sun Meng не залишиться осторонь опис співпраці між Huaxia і Microsoft Research Asia в 2017 році. У 2018 році China Microsoft запропонувала модель уваги, щоб навчитися розв’язувати проблему ротації галузі, а потім запропонувала модель Autoencoder для опису стану ринку та генерації фактора автоматизації Machine alpha. У 2019 ці результати були використані для реальної торгівлі.
Оскільки Microsoft є інвестором OpenAI, у порівнянні з іншими публічними пропозиціями, Чіміну легко зробити рано для Huaxia AI+, і походження виглядає більш чистим.
Що стосується кількісного мультифактору Guojin, то це один із небагатьох продуктів за останні два роки, який може конкурувати з Jin Yuan Shun An Yuan Qi за популярністю. На відміну від "Yuanqi" людської плоті, яка кількісно руйнує запаси мікрокришок, вони є чисто кількісними.
Ма Фанг також сказала у внутрішньому спілкуванні, що вона не грає в суто багатофакторну гру, а скоріше передбачає саму модель і відстежує зміни в стилі ринку.Після завершення фреймворку вона не буде надто втручатися вручну. Оскільки, на її думку, «штучне втручання не принесе довгострокової стабільної альфи».
Автор згадав у статті «Акції з мікрокапіталізацією занадто переповнені, занадто багато людей мають секрети», що кількісний багатофакторний масштаб China International Finance Corporation Limited розширився надто швидко. Минулого року вона тримала 1534 акції. Якщо вона тримала понад 2000 акцій , це було б цілком вигідно в стилі малої капіталізації. Не дивно, що Китайська міжнародна фінансова корпорація вдарила, поки залізо гаряче, і випустила новий фонд для Ма Фанга.
Останніми роками Guotai Junan Quantitative Stock Selection і Guojin Quantitative Multi-factor мають аналогічну надмірну стабільність. У Xueqiu ви можете побачити щільні статті, які рекламують Hu Chonghai.
Його сила полягає в його торгових здібностях. Старший дослідник фонду сказав автору, що ** Гоцзюнь є однією з небагатьох державних установ, які розробляють власну торгову систему. Вона еволюціонувала від простого розділення VIP до тепер має власний прогнозний торговий алгоритм. Будучи дочірньою компанією Guotai Junan Securities, вона не тільки має низькі комісії за транзакції та високу швидкість транзакцій, але й забезпечує зручність серверного хостингу.Найбільш секретним є те, що він може отримувати багато альтернативних даних і високочастотних даних, необхідних ШІ. **
У порівнянні з вищезгаданими кількісними майстрами, Цяо Лян з Ваньцзя є більш впізнаваним.Він побудував «Індекс наступного банкіра».
У його моделі зростання індексів машинне навчання використовується для поділу ринку на 8 сценаріїв, а потім відповідні історичні сценарії зіставляються для розподілу факторів. Найбільш особливим є Wanjia Quantitative Selection. Його стратегія полягає у виборі акцій з найбільшими холдингами чудових інвестиційних продуктів на ринку, оцінці їхніх холдингів і створенні портфеля для формування *"Підвищення індексу суми холдингів у державних фондах" *.
Існує чимало публічних пропозицій, подібних до «копіювання завдань», як-от Harvest Research Alpha від Xiao Mi, Quantitative Drive of the Crooked Path від China Europe та Bodao Yuanhang від Yang Meng. Однак у минулому такі стратегії не мали успіху. два роки, і слабкі публічні пропозиції мають важкі позиції.
До цього року кількісна оцінка ** публічних пропозицій має різні характеристики, деякі з яких зосереджуються на історичних деталях, деякі — на заміні популярних моделей, деякі — на апаратних системах, а деякі — на інноваційних продуктах**. Кількісна оцінка публічних пропозицій, яка спочатку не могла визначити різницю, розповіла нову історію зусиллями всієї галузі.
03 Час охолонути
Після народження ChatGPT у Сполучених Штатах є дві вітчизняні галузі, які є найбільш неспокійними: одна – це суб’єктивна публічна пропозиція торгівлі штучним інтелектом, а інша – кількісна оцінка штучного інтелекту.
Насправді штучний інтелект справді є хорошим інструментом підтримки інвестицій, і деякі кількісні дослідники підтвердили мені, що штучний інтелект зробив великий внесок у фондові стратегії, але все ще існує багато проблем із застосуванням алгоритмів машинного навчання в публічних пропозиціях і навіть у цілому. галузь управління активами.
Так само, як Tesla хоче досягти автономного водіння, їй потрібно більше автомобілів масового виробництва для збору даних про дороги. Покращення інвестиційних можливостей штучного інтелекту може отримати лише достатньо історичних даних, але історичні дані внутрішнього ринку капіталу є відносно короткими. Якщо ви просто використовуєте «коефіцієнт інформації за останні п’ять років» і «рівень прибутковості за останні три роки», буде переобладнання ризик.
**До певної міри дуже важливою причиною, чому Ренесанс кількісних хедж-фондів може бути таким успішним, є те, що вони мають точні дані, які можна відстежити до 1700-х років, щоб сприймати картину, яку інші можуть не бачити. **
Що складніше, так це те, що співвідношення сигнал/шум фінансових даних дуже низьке, і вони не можуть генерувати необмежену кількість зразків, таких як мовні зображення, тому доступних зразків ще менше. Більше того, на всьому фінансовому ринку немає так званої правди, і більшість сценаріїв, де застосовуються алгоритми машинного навчання, припускають, що дані мають однаковий шаблон розподілу всередині та поза вибіркою.
**Отже, щоб алгоритм адаптувався до невизначеного середовища, у короткостроковій перспективі він може покладатися не на розуміння машини, а більше на людський досвід. **
Чжан Ченьїн з Egret Asset Management також розповів про складність використання штучного інтелекту: «Коли ми використовуємо графові нейронні мережі (GNN), нам спочатку потрібно використовувати обробку природної мови, щоб витягти взаємозв’язки між звітами про дослідження, фінансовими звітами та новинами. У той же час GNN є дуже складним і потребує великого ручного досвіду для налаштування багатьох гіперпараметрів,** що вимагає від користувачів достатнього резерву як для пізнання даних, так і для технічного пізнання. [1] **。」
Навіть якщо відкинути складність самої стратегії штучного інтелекту, будь то кадрові резерви чи алгоритми обчислювальної потужності, існує певний розрив між державним і приватним капіталом у створенні ШІ.
З 2020 року до сьогоднішнього дня вся індустрія фондів була схожою на тему, що постійно змінюється: інвестиції в вартість акцій A**, інвестиції в бум, низька оцінка, фіксований прибуток+, FOF, ETF, дивіденди, а тепер кількісна оцінка публічної пропозиції, здається Є 1-2 гарячі точки щороку. **
Кількісна оцінка публічних пропозицій все ще має свої обмеження, і існують проблеми з використанням штучного інтелекту, не кажучи вже про те, що не весь припис доходу походить від штучного інтелекту. Штучний інтелект, безумовно, є популярним лейблом і свіжою історією, але індустрії фондів ніколи не бракувало маркетингових кампаній, але стабільної ефективності. Чи може кількісна оцінка штучного інтелекту цього разу справді принести іншу життєвість?
Посилання