在過去三個月,如果要挑一項對世界最有影響力的新科技,我想ChatGPT絕對當之無愧,不只帶動一系列AI概念股飆漲,更讓外界關注,究竟AI會取代哪些工作?如果有AI,我們還需要傳統的股票研究員和基金經理人嗎?
剛好,前陣子筆者在清大進修金融科技,也接觸一點AI。來談談量化交易、AI會對傳統質化研究產生什麼衝擊?以及AI是否會取代分析師、經理人?
讓AI幫你賺錢!質化研究員退居幕後
你知道嗎?以往股票分析師通常依賴主觀的質化研究方法,但現在有了AI,量化交易能夠更精準的預測股市,也讓質化研究員逐漸成為幕後角色。
傳統上,證券商有自營、經紀等業務,其中研究員寫報告、經理人操盤資金,絕對是當中關鍵。不論是總經和產業研究、技術分析、個股評價、股票推介,乃至交易買賣,通通都由「人」來進行質化分析和主觀決策。然而,在金融商品、交易策略多元化的現代,這套以人為主的模式,卻正面臨兩大挑戰:
首先是人性偏誤。就如價值投資大師巴菲特曾說的,「多數情況下,基金經理人無法打敗沒人管理的市場指數,甚至不能打成平手。」這件事在2022年的台股基金表現上尤其明顯。據統計,2022年台灣加權指全年報酬率為-22.4%,於此同時,台股基金平均報酬率卻是-28.7%,整整落後6.3個百分點。
原因是,不論研究員、經理人再厲害、再理性,他們終究是人,也無法逃避人性和情緒,可能因爲績效壓力、FOMO、擔心太獨樹一格等,導致錯誤決策,進而在績效表現上,反倒輸給零管理費的大盤指數。
第二個挑戰是高成本。如果攤開台灣2022年主計處數據,會發現證券期貨業薪資竟高居全體產業前十名,而這樣高昂的人力成本,也反映在主動式基金動輒1%以上的管理費。然而,如今低管理費、指數化投資的ETF日益盛行。如果我們買大盤型ETF,就能享受超越主動式基金平均以上報酬,內扣管理費還更低,那我們還需要這麼多研究員孜孜不倦寫報告、經理人想破頭操盤嗎?不久前,某國內大型券商主管也指出類似趨勢:一來現在愈來愈少人看研究報告,二來現在資訊透明,跑產業、call公司效益也不如以往,要將報告轉換成商業價值的難度也愈來愈高,導致公司對質化研究投入也逐漸放緩。
你可能不知道的量化交易三大優勢
量化交易讓投資變得更加精準、更快速,並且能夠降低風險。但是這樣的優勢真的能夠威脅到以往獨大的質化研究嗎?
如果主觀交易、質化研究正在式微,誰會取而代之?短期內可能是量化交易和ETF;中長期來看,AI也可能參戰。
先談量化交易,相較傳統模式,量化不靠人為判斷,而是依照數學、統計模型、程式來進行交易。
舉例來說,一套量化策略,可能會先從總經、技術、基本、籌碼數據中,篩出可能有超額報酬的因子;接著經過回測分析,將因子設計成明確進出場訊號;最後結合程式,開發成自動化執行的策略。細心一點的,可能還會在策略中設計濾網、優化績效,甚至透過濾網即時檢驗因子是否失效。綜上所述,可見量化和質化最大差異,在於消除人為主觀偏誤,只在最初的數據篩選、策略設計中,加入少部分人為決策,而在後續的買進賣出、判斷策略是否失效等,通通交給程式來執行。
這樣有三個好處,其一是成本低,不再需要研究員費心call公司、經理人盯盤買進賣出;其二是克服人性,不再會有FOMO、恐慌、貪婪、壓力攪亂,一切交給程式和策略;其三是策略可以廣泛適用,不再受限於人力研究範圍。
時下火熱的ETF產品,其實也可理解為量化交易的一種。一旦ETF設計出指數,基本上就如同一套自動化、按紀律執行的量化策略,也因此管理費遠低於主動式基金。如果再更進一步,我們把量化交易的因子挖掘、進出場訊號也設計交給機器來執行,那就會是目前最火熱的AI了。在美國,AI機器人理財已不是新聞,台灣也有阿爾發、Growin等團隊開發相關技術。
AI是否會全面取代股票經理人和質化研究員?
隨著科技的進步,量化交易和AI投資已經成為風頭正勁的趨勢,但是這樣的科技是否能夠取代質化研究員和股票經理人呢?
不過,要說量化交易、機器人理財(AI)要全盤取代傳統偏種質化的研究員、經理人,恐怕還言之過早。首先,對許多大型資金(如壽險業)來說,放在有價證券的資金部位動輒上億,不太可能利用量化交易策略頻繁進出市場,且過大的資金量體進出,也可能造成市場動盪,或者令某些因子、策略失效。
其次是,目前在台灣法令規範上,壽險業也不大能用程式進行量化交易,所以多半還是仰賴研究員進行股市、債市研究,並找出中長期的投資標的。就算撇除壽險等大型資金的特殊情況,其實目前市場上仍有許多非結構化資料可能影響股價,卻未必能放入量化交易策略中。也因此,質化分析依舊能在投資市場保有一席之地。
再者,開發量化交易策略的前提,仍需要對數據的理論認知、解讀、分析,才能進行篩選,否則開發策略只會像是無頭蒼蠅。所以,要找出市場數據與股價關聯性,依舊需要經濟、產業、商業模式分析等質化知識。當然,最理想的情況,應該是結合質化與量化優勢,才能確保投資組合有最佳效益。
AI機器人理財,仍有三大挑戰要過
至於AI,受到的法令限制則更為嚴苛。雖然在美國,機器人理財相對普及,但目前台灣並不允許金融機構提供「機器人理財的全委自動化交易」,意思是,你不能把錢完全交給AI操作,AI只能提供投資建議,最終使用者仍須親自按下同意,才能操作,便利度並不高。
但就算退一萬步,假設台灣法律全部鬆綁,AI機器人理財發展仍有三大挑戰:
其一是,機器人理財的原理,是透過AI的機器學習演算法(如SVM、LightGBM、RF等)進行訓練,進而去辨識、分群股票的漲跌,最後做成投資決策。然而問題在於,這整段訓練過程中,開發者能做的只有兩件事,一是選擇要餵入哪些資料做訓練,二是可以微調演算法中的訓練參數,但除此之外,關鍵的訓練、演算過程基本上是黑盒子,也導致要優化、調校AI模型難度相當高。
況且,在股市沒有標準答案,又有諸多人性因素參雜的前提下,連人類都未必能做出正確決策,更何況要去訓練、調校AI,更是不易。
更糟的是,萬一沒有慎選餵入的數據,還可能產生Garbage in, garbage out.的窘境;又或者,如果過度優化,則會有Overfitting的疑慮,這些技術問題都還有待一一克服。
其二是,量化交易策略中的「有效因子」,其實在過去幾十年間,已經被人類實驗地差不多了,AI能找出的因子可能也都大同小異,要開發全新因子尚有難度,除非有將更多非結構化資料放入訓練,才有望突破。
最後,如果AI策略普及,反而可能造成的現象是,大家都在捕捉相似feature,使得市場變得更加有效率、快速修正錯誤定價,投資人可以獲得的Alpha(超額報酬)也會因此減少。另一方面,如果大家都在使用相似的模型和feature,也可能在市場動盪時產生大跌風險(大家都因為同樣訊號集體賣出)。
若將來發展到極致,可能會演變成AI算力大戰,誰擁有更多的算力,誰就能訓練出更強的策略和模型,不過,屆時大概也不是小散戶能插手置喙的餘地了。
雖說,台灣距離AI大舉入主市場的日子或許還很遙遠,目前多半侷限在小規模的2C市場和金融機構中使用,但在長遠的未來中,投資人仍須認知到AI的效益、用途和風險,比起被工具取代或打敗,更應該去善用工具。能將質化、量化、AI三者,截長補短、發揮綜效的人,或許才有望笑到最後。
原文出處
本文經 羊羽 授權轉載