This content is from:Opinion
The Most Powerful Artificial Intelligence Knows Nothing About Investing. That’s Perfectly Okay.
的确，就是这一点。
不可否认，2020年是异常艰难的一年。很少有人能像积极的管理者一样了解这一点，他们继续努力提供承诺的回报- 也许没有更多的庆祝量化投资经理Renaissance Technologies and Two Sigma。
Clients have expressed growing失望Quantants，正如他们稳步增加的救赎所致。
量子经理肯定认识到他们所面临的危险。一些，像Ajo合作伙伴的Ted Aronson一样，他们的投资模式不再工作并放弃了幽灵。在A.采访MarketWatch.而且，aronson没有拳击他的决定赶紧他的公司：“我们的回归过去几年糟透了，”他说。“与我们的同龄人相比，我们的狗屎非常糟糕这是令人难以置信的。”
其他人，也许缺乏这种诚实的自我评估的胃，而是选择地选择性地关闭了他们的悲观表现不佳的积极管理战略（理公司）或通过“调整”他们目前的模型来弥补他们的弊病（Bridgewater Associates.）。这两个策略都提供了变化的错觉，但更有可能的是停滞策略，建立了客户惯性或运气的希望将使他们能够扩展其业务。
However, a genuine remedy for their current and, most certainly, future ills exists: artificial intelligence.
I’m not talking about machine learning (ML) techniques that quants and other managers have integrated into their investment processes over the past few years. Traditional ML techniques “represent a significant expansion of the quantitative investor’s toolkit, but they’re not qualitatively distinct from traditional statistical methods,” according to a白皮书阿卡迪亚资产管理公司。
过去常常增加传统的人类量型和方法，AI最多可以看作是人类智力的手工，也许是有助于，但受到人类智慧的限制。
然而，高级人工智能（如深度学习（DL）和深度强化学习（DRL））的力量植根于它能够直接在数据中发现模式，并独立于人类的智力或专业知识进行预测。尽管投资经理们欣然承认，这些算法将解决未来极为复杂的问题medicine那自动驾驶那工程那robotics， 和otherverticals，他们努力否认DL和DRL将解决投资问题并建立自主投资策略。
这种否认将是他们的失败。
很明显that their denial is based upon the single fundamental and universally held belief that investing is essentially and necessarily a human activity. Coldwater Economics’ Michael Taylor speaks for all of asset management when he writes:
我的出发点是，一种或他人，投资是并且仍将是从根本上的人类活动。。。。即使计算机驱动的交易代表了大部分股票市场活动，我也准备将其视为公理，即投资将仍然是一个根本的人类活动。
This human-centric view of investing is such an integral part of the status quo that even those in the vanguard of ML quants like Jeff Shen, co-head of BlackRock’s systematic active equity, are reluctant to envision a future in which humans are not central to the investment process. “Fund management is an extraordinarily high-cognitive task,”沉告诉The New York Times去年。“我们远离电脑，让它自己奔跑。”
这样的投资观很容易适应传统的ML的使用，因为作为乔治亚州立大学法学院法律分析和创新计划的教员主任Anne Tucker，指出，这个ML仅仅利用了“人类判断的组成部分”。它不是替代品，而是一种提高规模和速度的工具。”
However, this view cannot accept AI that makes possible nonhuman investing, that autonomously learns and makes all the critical investment decisions and limits the role of humans to that of developers, not portfolio managers.
What is so challenging to incumbent investment managers is that this new wave of AI requires neither programming by humans to replicate the decision-making process of human experts nor deep domain knowledge of the disciplines in which it operates. Instead, through the use of deep neural networks, data, and computer power, this AI autonomously identifies in the data itself nonlinear statistical relationships undetectable to human-based and traditional ML methods.
例如，用于癌症诊断和预后用于医学的DL模型。然而，通过对数据完全关注，可以实现“前所未有的准确性，甚至高于肿瘤学中的一般统计应用，”癌症信件。
与DL和DRL投资相同：这些模型对投资佳能，CFA课程，价值或势头一无所知。他们没有编程以模仿最伟大的人类投资者的决策。相反，这些算法通过数据捕获，识别目标和数据之间的模式和相似性，然后使用这些知识来进行投资预测。
这种强大的自学习算法的一个有效榜样可能是DeepMind的alphago零，最初是开发的，这是具有比已知的可观察宇宙中的原子数更为可能的电路板阵容，这是一个非常复杂的中国板游戏。
Unlike IBM’s Deep Blue — a human-designed, human-engineered, hard-coded computer program built in the 1990s to play the simpler game of chess — AlphaGo Zero started tabula rasa, without human data or engineering and with no domain knowledge beyond the rules of the game. A DeepMind博客文章从2017年结束，alphano零用“一种新颖的加强学习形式，其中alphago零成为自己的老师。系统开始使用一个神经网络，这对Go的游戏一无所知。然后，通过用强大的搜索算法将这种神经网络组合来播放游戏。随着它的播放，神经网络被调整并更新以预测移动，以及游戏的最终获奖者。“
在过去的数百万self-play游戏,the blog explained, “the system progressively learned the game of Go from scratch, accumulating thousands of years of human knowledge during a period of just a few days. AlphaGo Zero also discovered new knowledge, developing unconventional strategies and creative new moves.”
While AlphaGo Zero was specifically designed (but not programmed) to play Go, DeepMindreported该计划的后期版本，alphazero，与国际象棋和shogi相似醒目的成功：“尽管从随机游戏开始培训，但alphakero很快就会成为每个历史上最强的球员，没有内在的域名知识但是游戏的基本规则。“
这些和其他实验的前所未有的成功导致了深度队伍绘制了一般结论that reinforcement learning can be used to achieve superhuman results in other domains:
我们的结果全面表明，即使在域名最具挑战性的情况下，纯增强学习方法也是完全可行的：在没有人为示例或指导的情况下，可以培训到超人级别，而没有超出基本规则的领域。
In the face of this peer-reviewed and highly cited research (and other similarly robust research), investment managers continue to staunchlyclaimthat “humans will always . . . be a necessary component in the investment process.”
这是良好吟唱的争论中的准确点，应该提供丰富的经验证据，以支持他们不可能的非人投资的不可能的主张。
Yet none is offered. Instead, they rest their case on suppositions, appeals to tradition, and strawman arguments.
“Machine learning won’t crack the stock market。“
批评者使用这个MEME通常意味着DL和DRL不会达到相同的99％的预测精度，这些系统在计算机视觉，语音识别甚至癌症检测中实现。
Such a level of prediction accuracy in investing would immediately conjure up memories of Bernie Madoff. What these critics fail to point out is that in investing, we are not trying to “crack the code.” Rather, as William Cohan writes in法斯特公司“一个特殊的交易者将以51％的成功率激动 - 类似于拉斯维加斯二十一点桌的房子边缘。”
“金融市场并非静止不动。在政治、社会、经济或自然事件的推动下，它们一直在变化。“
否认者声称，与MRIs和棋盘游戏不同，市场过于复杂和随机——这种复杂性和随机性压倒了DL和DRL在数据中找到可操作见解的能力。
抛开这一事实，没有理由相信基于人类的智力的模型可以考虑这种复杂性和随机性，任何比任何AI更好，重要的是要承认复杂性和随机性是人类智能价格的观察结果的人类概念活性，并且这种现象人类认为复杂和随机可能不会被DL和DRL系统所察觉。作为汤姆西蒙蒂写入在有线，“人工智能是外星人的智慧，从根本上与我们的方式根本不同的方式感知和处理世界。”
基于AI的投资经理J4 Capital的联合创始人Jeff Glickman，使得在Cohan的论点法斯特公司文章：
Glickman使用这个词随机的谨慎地说，好像宇宙的混沌只是一个幻觉，隐藏着一个根本的，如果不可理解的，更高的秩序。“这是一种智力上的逃避，”他说，“当事情变得如此复杂，以至于人类的大脑被信息内容淹没，人类的大脑不可能理解它。”
但这并不意味着其他一些智慧不会。“尽管你或者我可能会被认为是随机的，但它没有任何关于它的无意义，”他继续。“只有一个压倒性的复杂性，超出了对人类的理解，而是在巨大超级计算机理解的能力范围内。”
“虽然AI非常擅长识别数据中的模式并识别过去所观察到的类似情况，但通常是在新的和以前看不见的情况下最佳行动的损失，例如Covid-19爆发。“
It is true that DL and DRL are trained on historical data and that circumstances not seen in the training data could prove troublesome.
Even a technology-heavy investment manager like Renaissance Technologies admits this. Bloombergreports复兴基金在9月份的一封信中对客户表示，“我们的基金依赖于根据历史数据训练的模型，在一年内表现异常（无论是好是坏）并不奇怪，按历史标准来看，这一年绝不是正常的。”
但这样的承认并不能取消DL和DRL作为可能的投资体系的资格。
如果是这样，它也将取消所有基于人类智力的投资方法的资格，因为它们也使用历史输入（例如数据、人类经验）作为模型输入，并且在如何最佳地采取行动方面无所适从。（“数量依赖于没有反映当今环境的时间段的数据。富国银行私人财富管理公司（Wells Fargo Private Wealth Management）首席投资官亚当•塔巴克（Adam Taback）说：“当市场出现波动时，它们很难抓住任何东西，因为它们会受到来回的冲击。”，告诉彭博在November.)
“[W] Hile在金融中使用的数据广度相当大，时间序列往往非常短，通常限于几十年。有限数量的时间序列观察意味着使用数据的任何模型也被限制为比例小。“
There is no question that DL and DRL are capable of ingesting massive amounts of data, and because of their large capacity, more data generally results in higher prediction accuracy.
现状的捍卫者经常指向培训计算机视觉模型或自主车辆所需的大数据集以及金融市场数据较小的事实。因此，这种限制取消了使用的高级AI。
金融数据可能有限，但批评未能考虑，与传统的量程模型不同，DL和DRL模型能够摄取非金融数据，包括非传统数据（例如，地理空间数据）。这些数据的类型，种类和体积正在日益增长，为工程师提供更广泛的调色板。作为我的朋友克里斯·斯科林指出：
今天，作为一个社会，我们每天都会创造大约2.5个新数据的新数据。对于透视，Exabyte是一种千万峰字节，这是一个有18个零的一个。换句话说，一个Exabyte是十亿千兆字节，对我们大多数人更熟悉的数字。我目前的iPhone具有大约125千兆字节的存储容量，因此我需要800万台iPhone 7s才能将一个Exabyte存储在一起，其中2000万辆以仓库每天创建的新数据。数据现在普遍存在。
Perhaps more importantly, those who disqualify DL and DRL from investing because of the perceived limitations of financial data offer no empirical evidence to support their claim. Because of the sparseness of input data (and not other factors), they cannot point to the live track record of a DL- or DRL-based investment strategy that has failed.
最后，我们得出黑匣子反对意见，如果所有其他反对意见都失败了，否认者就会打出王牌；维持现状的最后立场。
关于这种异议的事情是，与其他人不同，这是真的。通过其本质，先进的AI是一个黑匣子。虽然我们可以观察到alphago零播放的播放，但即使它的设计人员也无法解释为什么它在特定时间进行特定移动。Similarly, a manager using DL or DRL is able to provide a general overview of its approach (e.g., “we use a recursive neural network”) and can provide the model’s inputs and outputs, but it cannot explain why it makes a specific investment decision.
对于这种解释性的要求有明显的反驳。例如，一个投资模型的“黑匣子”是特定历史时代的产物；期权定价模型、技术分析、程序交易、优化程序和统计套利程序是当时的黑匣子。另一些人指出，我们认为人工智能的可解释性标准高于人类智能，因为无法解释人类决策的“原因”。作为Andreessen Horowitz的普通合伙人、斯坦福大学生物物理学项目前主任Vijay Pande，写在The New York Times，“人类智慧本身是 - 并且永远是 - 一个黑匣子。”
投资工业界做出了明确的选择。
It has chosen “why” over “what,” explainability over accuracy.
But this choice was inescapable — because it preserves investing as a human activity.
This choice both accommodates the use of AI techniques that are “not qualitatively distinct from traditional statistical methods” and disqualifies the use of AI systems like DL and DRL that learn, make decisions, and take actions autonomously.
Above all, it ensures “the quantitative investment process will remain recognizable in the foreseeable future,” in Acadian’s words, thereby preserving the status quo. And the status quo is not working for many active managers, especially quants.
这一选择应该提醒资产配置者一个简单的事实，即它几乎保证了经理人业绩不佳周期的长期存在。
It is critical that allocators realize this future is the result of managers’ explicit decision to subjugate artificial intelligence to human intelligence and abrogate advanced AI, a choice grounded in hubris and self-interest and supported by strawman arguments, misunderstandings of advanced AI, and scant empirical evidence.
人工智能投资有助于打破这种表现不佳的循环，但它要求分配者选择“什么”而不是“为什么”，并接受Selmer Bringsjord的说法告诉Vice“我们正走向一个充满黑匣子的黑暗未来。”
博士，博士道，博士，博士，罗萨蒂分析的联合创始人