吴唯 编译自 WSJ

　　量子位出品 | 公众号 QbitAI

　　再怎么炒，把AI用到投资上问题依然很大。

　　十年前，在自动投资算法突然失控，导致数十亿美金损失和高盛旗舰量化基金的最终关闭后，人们一度拔掉了计算机的插头。

　　如今，十年过去，人工智能和机器学习成了自动化投资领域最热门的词汇。但在那些铺天盖地的宣传之下，将AI用在投资上依然存在着三个严重的问题：运行得太“好”，难以理解，以及只知道最近的历史。更糟糕的是，随着各种不同的算法在市场上刚正面，这类工具的流行其实是在自掘坟墓。

　　现在的机器学习系统非常擅长发现模式。但过犹不及，计算机常常运转过度，以至于发现一些并不存在的模式。

　　安盛罗森堡股票的首席策略师Michael Kollo指出，一个由三名华盛顿大学研究者开发的神经网络，在分辨狼和狗的图片时其实是将狼和雪联系在一起。

　　“它能轻易地辨认出某些‘不妥协’的性质，并将其作为一条规则来学习。”Kollo说。如果用过去35年的市场状况对一个AI进行训练，它可能只会得出一条简单的规则：买债券。

　　1982年7月，当时国债的债息是13.7%；而本周一，这个数字是2.31%——从事后诸葛亮的角度看，AI的想法非常不错。然而，未来35年里债息绝不可能再下降这么多了。

　　在业内，识别出某些不会重复的模式被称作“过度拟合”，比如在图片中的雪与狼之间建立相关性，或者用在过去股市中发现的模式去冒未来的险。

　　温顿集团对冲基金的创始人David Harding说，寻求某些方式，来避免用上这些假模式是计算机驱动投资的核心。

　　“避免过度拟合是一种心态。”他说，“这跟避免那些一厢情愿的事情是一回事。”

　　△在度过了经济危机后，计算机驱动的对冲基金表现非常好，并且正在吸引越来越多新的投资。

　　Man AHL量化基金的首席科学家Anthony Ledford说，更高级的机器学习系统有时会更没用。“你用的模型越复杂，它对你用于训练的那些数据解释得就越好，j2直播，但它解释未来数据的能力就不那么好。“他说。一个模型需要接受这样的事实，即市场上大部分的东西都是无意义的，同时模型需要去收纳更广阔的信号，即便它会落下某些过去数据的波动。

　　许多量化投资者坚持，他们所采纳的任何规则，其背后必须存在一条经济或行为学上的一条基本原理，以此来避免过度拟合。如果计算机发现每月的第三个周三堪萨斯下雨时，在巴黎登记的石油公司股价都会上涨，在未来以此为依据进行投资无异于“信仰之跃”。

　　不幸的是，要解释系统做出某种决定的原因是不可能的。美国的国防研究机构正在资助团队试图解决的，也正是这一问题。

　　透明度的缺失意味着绝大部分先进的系统只能处于试运行的状态，投入的资金很少，同时需要人类的意见进行辅助。

　　Charles Ellis就是典型的案例。他在11月加入都柏林的Mediolanum资产管理公司，负责开发机器学习系统，为各个部门提供建议。这套系统用了与美国股市相关的1500个变量上20年的数据进行训练，并用随机森林回归模型来避免过度拟合。

　　据Ellis的说法，初期的结果不错。但它只被用于200亿美元资金投资组合中的一小部分，而且最终的决定依然由基金经理完成。另一种为预测经济周期而设计的系统目前也被看好。

　　随机森林方法的弊端是很难理解计算机为何会做出特定决策。

　　“这是个黑箱。你不知道它为何会产生这种效果。”他说。

　　Kollo说，如果难以被理解，那么在赔钱的情况下，恐怕只能将那个系统关闭。

　　“所有东西走到最后都不对，每个算法都有倒霉的那天。”他说，“存活与否，其实就在于它们能否解释自己干的那些事情。”

　　一些投资者不在乎透明度的缺失。Jeffrey Tarrant的Protégé Partners公司投资对冲基金，atv，他说“这对我来讲根本没什么”。他投资了六支使用AI方法的基金，都是典型地使用了不寻常的数据来源，同时有着非标准背景的基金经理。他估计至少有75家基金声称自己用了AI，但他觉得也就25家是真的。

　　长期使用计算机管理资产的投资者对最近的AI风潮不以为意。

　　“因为告诉别人你可以用电脑来管钱，自己已经像被对待白痴一样对待了三十年，然后现在那些人走过来又告诉我说，你可以用电脑来管钱。”Harding说。