BBG：
华尔街投资者日复一日地担忧，人工智能可能会将专家的判断转化为代码，从而颠覆白领行业。
选股似乎正好处于这种变革的风口浪尖。
一项由哈佛商学院教授领导的最新学术研究发现，主动型基金经理的许多操作都遵循机器可以学习的模式。该研究利用一种名为神经网络的机器学习算法，预测了约71%的共同基金交易决策——即基金经理在一个季度内是买入、卖出还是持有某只股票。
该模型基于1990年至2023年滚动五年窗口的数据进行训练，数据来源包括基金规模、投资者资金流动、股票特征和整体经济状况等信息。在此基础上，该模型能够预测大部分投资组合的调整。
令人意想不到的是：它的局限性或许比它的成功更具启发意义。该系统未能预测到的交易——约占29%——平均而言与超额收益更为密切相关。换句话说，那些不属于常规、可识别投资模式的活动似乎蕴藏着大部分价值。
这并非意味着机器已经攻克了市场。相反，它们似乎已经掌握了行业内许多通用的运作模式——管理者通常如何应对市场波动、趋势以及同行的行为。它们难以把握的是那些偏离既定模式的、比例较小的决策。
“如果71%的决策都能被算法预测，那么就很难证明为这部分支付主动管理费的合理性，”哈佛大学金融学教授、该论文的合著者劳伦·科恩在电子邮件中解释道。“当然，那些非常规交易，也就是我们的模型无法预测的交易，才是真正超额收益的来源。但这些交易在整体交易活动中占比相对较小。”
上周发布在国家经济研究局（NBER）的这份题为《模仿金融》（Mimicking Finance）的工作报告，正值人工智能对专业服务领域各个细分领域产生巨大冲击之际。近几周来，人们对人工智能颠覆性影响的担忧导致从财富管理公司到物流集团等众多企业的股价剧烈波动。
对于主动型基金经理而言，这种批评并不新鲜。多年来，投资者一直在将资金从选股型基金转移到低成本的指数产品。该行业的核心承诺一直是“阿尔法”（alpha）——即高于标普500等基准指数的回报——即便量化模型不断提高标准，表明广泛的市场敞口和常见的投资风格可以解释多少业绩。
这项由宾夕法尼亚大学的陆一文和德保罗大学的阮国浩共同撰写的研究，进一步深化了这种侵蚀。此前的研究大多事后分析收益，而这篇新论文则试图预测交易本身。作者认为，机器学习模型比传统的线性因子模型更适合捕捉基金经理对资金流动、市场信号以及彼此之间复杂互动的反应方式。
从这个角度来看，其结果与其说是机器战胜市场，不如说是对主动管理本质的重新定义。基金的日常运作大多遵循可绘制的模式——而且原则上，这些模式可以以更低的成本复制。
科恩表示，某些可预测的买卖交易可以发挥至关重要的作用——例如管理流动性、调整风险或重新平衡投资组合。但如果大部分此类活动实际上是基于规则的，那么就很难说它需要昂贵的自由裁量权。
科恩说：“‘人类判断’这一因素实际上比表面看起来更有系统性，但你需要足够灵活的工具才能看到这一点。”
该论文还发现，可预测性存在差异。规模较大的基金、收费较高的基金、由规模更大的团队管理的基金以及面临更激烈竞争的基金，其可预测性平均而言往往较低；而任期较长或管理多种产品的基金经理，其可预测性则往往较高。该模型预测的是交易方向而非交易规模——作者计划在未来的研究中解决这一局限性。
尽管人工智能近来备受关注，但研究结果凸显了一个区别：预测管理者的行为似乎比预测市场走势更容易。资产价格反映的是数百万参与者的互动以及不断变化的预期。相比之下，职业习惯往往遵循可识别的模式。
最终，模型未能预测到的那部分交易往往表现更好——这表明它们可能反映了人类的创造力，例如发现了其他人忽略的股票信息。仅仅依靠随机性不太可能产生同样的结果。
当然，随着机器收集更多数据，它们的性能可能会变得更好。但就目前而言，其影响更多是经济层面的，而非生存层面的。如果大多数投资组合调整都能被算法预测，那么收取主动管理费的理由就越来越依赖于那些偏离预设模板的决策所占比例的下降。
科恩表示：“真正需要技巧的部分，那些不可预测、非常规的因素，确实存在，但占比很小。政策含义与其说是要全面更换管理人员，不如说是要重新评估他们可预测活动和不可预测活动的实际价值。”
评论
发表评论