讲堂 | 刘铁岩：跨界共创AI的产业价值和科学价值( 二 ) 某种意义上讲

人工智能的优势在于能够以人所不能及的细粒度和高通量分析数据。当我们面临的数据是高频数据时，需要处理的就是抑制噪声，并从海量数据里抽取有用信息。以此为目的，我们研发了一套自监督对比学习技术，它将时空的依赖关系作为约束，去其糟粕，取其精华，希望能够从高频数据中抽取有效信号。当我们使用这种自监督对比学习的方法后，与只使用日频数据或者使用高频和日频结合的数据相比，新方法都有更好的表现，能够获得稳定的信号。

文章图片
针对市场动态性方面的挑战，微软亚洲研究院开发了一套基于注意力机制的神经网络，它可以自动判断当前市场是否处于异常状态。如果异常，我们就会建议投资机构采取一些被动的投资手段。如果这个市场在历史上似曾相识，我们就会利用注意力机制，从历史数据里寻找到最适用于当前市场的信息，通过数据或规律，让投资机构能够在金融市场的风云变幻之下，总是立于风口浪尖上，获得稳定的投资回报。

文章图片
同样，关于风险控制，这是一个非常持久且重要的话题，只有我们对风险有了非常好的控制，才能实现稳定的投资。虽然这个话题很重要，但是在历史上人们对风险因子的研究道路崎岖、发展缓慢。历史的做法通常是，由专家定义出少量用来解释当前市场的因子，然后考察特定投资组合在这些因子上的暴露情况。从经典的CAPM模型发展到FamaTFM模型历时31年，仅增加了Value、Size几个少量的因子。而从Fama模型进化到当前大多数投资机构都在使用的BARRA模型，又经历了20年，也不过只增加了成长、动量等少数因子。而人工智能则可以通过优化的手段，自动找到对市场有最佳解释能力并且彼此相互独立的非线性风险因子，同时还可以对预测模型自身带来的风险进行刻画和消减。这样一来，我们用人工智能的手段去做风控，就可以比人类专家更周全、更系统、更及时。

文章图片
最后，订单的执行同样非常重要，但非常困难，因为在日内的整个市场波动更加剧烈，基于简单的规则去做订单交易，通常很难实现非常理想的平均交易价格。我们和合作伙伴一起探索了用强化学习的方法来做自动订单交易，这种方法可以在非常细的粒度下明察秋毫，找到执行订单的最佳时机和最佳执行速率，从而大幅度降低交易成本，获得良好的预期平均交易价格。一旦投资机构可以非常好地控制交易成本，那么久可以为寻找最佳投资组合创造更大空间，从而有更加亮眼的表现。

文章图片
【讲堂 | 刘铁岩：跨界共创AI的产业价值和科学价值】上述研究不是纸上谈兵，我们和合作伙伴一起在实盘上进行了大规模的测试。测试结果与中证500指数相比，获得了非常明显的超额收益。尤其在今年年初，市场有些动荡，很多基金“崩盘”的情况下，我们的技术更是表现非常稳健。