基于机器学习的人工智能模型似乎是量化投资的天然伙伴，因为量化投资通常会使用复杂的数学和统计模型来发掘买卖证券的机会。
就其本质而言，量化投资策略依赖于大量数据分析，而AI/ML模型也是如此。事实上，随着这些技术变得更为主流，量化方法和AI/ML方法之间的界限也正在变得模糊。
传统的量化模型和AI/ML模型都试图从市场、经济和公司相关数据的模式中做出预测。两者都寻求识别相关性，也都将明确因果关系作为成功的关键。目前，它们都正在成为投资者的重要工具。
在许多券商和资产管理公司，量化策略应用于所有资产类别，通常是对主要策略的补充。人工智能也越来越受欢迎。例如，英格兰银行和英国金融行为监管局于2019年开展的一项调查发现，三分之二的英国金融公司已经在使用机器学习。1
然而，人工智能的局限性依然存在。虽然协同作用相当明显，但相对于选股，人工智能在流程自动化和市场营销上更受欢迎。特许金融分析师协会于2019年开展的一项调查发现，在过去12个月中，只有10%的受访的投资经理使用过AI/ML方法。2对于如何将人工智能方法纳入投资流程，人们仍然持怀疑态度，因为从人类投资者的角度看，许多建模方法的输出结果可能并不具有直观意义。当决策是由机器做出时，又该如何向客户解释业绩表现或调仓结果？
从短期看，虽然人工智能肯定是一个非常值得探索的领域，并且正在帮助拓宽量化技术的边界，但它取代量化投资经理的可能性较小；更可能发生的是配合量化投资经理协同合作，根据日益庞大、非线性和全新（另类）的数据集范畴得出更好的预测。
图1：量化与AI/ML策略
AI是否可以改进预测模型？
量化投资策略已经大量依赖于数据运算。基本面和宏观策略也可能依赖大量数据得出投资结论，无论是以经济、股市还是公司特定信息的形式。人工智能可以提供协助的地方之一就是帮助过滤掉效率较低的信号或想法，从而把时间花在对投资流程而言最重要的事情上。
人工智能还可以处理更多类型的数据（结构化和非结构化数据），以及更为庞大的数据量。机器可以学习研读利润报表和汇总高管观点，扫描新闻发布会音频，或者在图像、视频或天气报告中查找特定信息。此外，人工智能还可以使用卫星图像、航班和航运信息、社交媒体内容等数据集的非数值型数据，为量化投资铺平寻找圣杯（新的、未被发现且不相关的阿尔法因子）的道路。
由于AI/ML模型擅长在数据中发现模式，因此或可通过改进对数据的解释，并将其应用于投资决策，来增强传统数据驱动型投资策略。此外，这些模型并不受限于人类研究员对识别收益驱动因素，或对数据之间任何关系的想象，帮助人们发现可能因为表现不明显而被忽视的新模式或独到见解。
人工智能还可以通过识别典型风险模型会遗漏的一些复杂的相关风险敞口，来加强风险管理。如果构建方式正确，基于规则的人工智能系统比人类更不易出错，因为算法的运行没有偏见和情绪——而这些偏见和情绪可能会无意中损害投资组合经理的利益。
偏见这一因素极为重要。《哈佛商业评论》最近的一项研究对天使投资者和算法进行了测试对比，发现算法的平均内部收益率为7.26%，而255名天使投资者的平均内部收益率为2.56%。3造成区别的主要原因是决策过程中的偏见。
不过，还有一群精英投资者却实现了22.75%的平均内部收益率，这主要是因为他们能够抑制自己的偏见并信赖数据，同时也有足够的经验和直觉来发现算法忽略的机会。
人工智能面临的限制因素
人工智能能力的一个重要限制因素在于组织是否愿意采用。大型数据集管理起来非常复杂，它们需要合并、标准化、剔除异常值，并转化为有用的投资见解。虽然在投资策略中使用人工智能可以帮助消除偏见，但人工智能的表现完全取决于它所依赖的数据。有缺陷的数据会导致不良结果。
例如，在瀚亚投资，我们采用自然语言处理（NLP）（机器学习的一个子集）记录公司季度收益电话会议内容，来利用非传统数据。但是，原始数据远非完美，后续仍然需要做大量工作。我们还可以通过利用人工智能技术来微调现有的、经过反复测试的因子策略，从而根据市场趋势对因子做出权衡。
人工智能的方法通常需要具备专门的技能，或可导致成本高昂，并且很难招聘到相关人才。另外，人工智能还可能引发围绕数据所有权和流程透明度的潜在问题。因此，许多企业认为，他们必须谨慎对待人工智能的应用。这一点不足为奇。
但是，还有一个更基本的问题。虽然大多数人认为股市拥有海量数据，但事实上数据问题依然存在。即使是在股市统计数据最完整、最早可追溯到上世纪20年代的美国，其高质量的基本面数据也是从上世纪60年代开始才有的。在其他地方，体量和数量差别很大。人工智能要发挥作用，建立的模型就需要很多观察；观察得越多，大型神经网络的训练就越好。
更糟糕的是，某些特定（但非常重要的）类型的事件可提供的数据特别少。去年3月份，新冠疫情导致市场陷入混乱，许多以人工智能为主的模型表现非常糟糕。4背后的主要原因是波动性加剧——在此之前，类似的情况屈指可数。因此，在这样一个独特的环境中，算法无法理解市场状况，给出有效见解。
投资专家手中的利器
随着企业采用新技术大幅提高生产率，人工智能可能在未来几年极大地重塑劳动力和整个经济。但在投资管理领域，想要让机器复制一些人类思维过程，还有很长的路要走。
在可预见的未来，投资经理不会被机器取代。未来，更可能出现的是，投资专业人士与人工智能工具和技术密切合作；而最大化投资成果的方式，可能就是让机器向专业投资者学习，并利用算法来扩大覆盖范围。投资经理将花更多的时间开发策略，确定新的数据源，更新算法，并解释他们的结果。使用AI/ML模型来补充现有模型，最终将有助于更好地管理客户的投资组合风险。