终于有人把量化投资讲明白了( 二 ) 导读：股市起起伏伏

2.大数据
量化投资在研究或者决策中，通常会引入大量的数据来进行分析。比如股票，只需要一套代码，就可以同时分析全市场3600多支股票。这种大数据的分析效率在传统投研方法中是做不到的（当然，不可否认的是，传统投研对公司基本面的研究是更深入的）。
3.响应快
由于是用计算机进行自动分析，所以分析和响应速度都十分迅速，一般能达到秒级，高频交易甚至是以微秒为单位的。比如，笔者以前做高频交易的时候，程序从接受行情到下单的优化都是以微秒为单位的，因为你比别人更快一点就有更大的可能抢到单子，就能赚到更多的钱。
就算是非高频交易领域，也有一些响应速度较快的需求，比如，笔者曾参与一个公告解析的项目，从公告发布爬取，再到解析出公告对应的意义，基本上在几分钟内就能解决。当然，公告的极速解析对交易的意义并不大，因为公告都是在盘后发布的，不会在交易时间发布，因此大家都有足够的反应时间来进行投资决策。
但是，对新闻的解析，其意义是十分巨大的，因为新闻随时随地都有可能发生，这也是通常所说的舆情分析，虽然目前这块的进展不算太大，但是其未来的发展空间却是巨大的。
虽然具有上述这些优势，但是量化投资本身并不是一把“金钥匙” 。实际上，很难有一种策略，在任何市场中都能持续赚钱。即使是很多夏普比率极高的高频交易策略（比如，股灾之前的股指高频交易策略），也会面临政策的不确定性。如果交易所调高手续费，限制交易量，那么这些高频策略也就不再有利可图了。
所以不要迷信量化投资能够解决一切问题。我们只需要想办法利用好量化的特性，在投资竞争中不断积累优势即可。

文章图片
04量化、AI并不是一切
随着围棋比赛中阿尔法狗完胜人类，近几年人工智能（大数据）将占领华尔街的新闻也是铺天盖地、甚嚣尘上。其实笔者并不相信目前纯粹的人工智能在投资上能够超过最好的基金经理。为什么这么说呢？因为围棋与投资有着本质的区别。
棋类游戏，很早的时候人类就已经被计算机打败了（如国际象棋）。不过围棋的难点在于，可能的状态数太多，无法穷举，但这些难点终究只是一个数量上的问题，所以围棋算法的核心要点在于，在有限算力的情况下，通过优化算法，放弃部分搜索空间，同时保证寻找到的是较优的解。在计算机领域，这其实就是个“优化”问题。
但是投资完全不一样，投资不是“优化”问题，投资是“预测”问题，是要预测市场的下一步应该怎么走。 “预测”问题可以说极其困难。
Facebook人工智能掌门杨立昆（YannLeCun）演讲时曾提到过这个问题，人工智能最缺乏的是“常识” ，这一缺陷导致了人工智能作出预测极为困难。
杨立昆列举的例子是视频，比如某个视频的上半段是乔丹运球冲向篮筐，那么下半段会是什么样子呢？这个问题对人类来说很容易，大概率就是投篮或者扣篮。因为我们的常识已经熟知了篮球的套路。但这个问题对于人工智能来说，却是极为困难的。
实际上，很多大公司都曾在预测问题上遭遇尴尬。很早的时候， Google就尝试使用大数据来预测流感，最后证明预测效果并不好。
国内也有一些互联网大公司（如百度和腾讯）使用大数据发布了相应的指数基金，业绩相当一般。据笔者所知， Facebook目前甚至没有人去做股票的投资研究，他们肯定深知其中的困难——如果人工智能在投资上能有那么厉害，那么他们早就借此发家致富了。
至于国内很多所谓的人工智能，低级一点的，将神经网络套用在行情数据上，试图拟合出一个表现不错的策略，在实盘中往往会遭受事实无情的打击。高级一点的，扒取网上相关的舆情数据，先进行自然语言分析再根据信息做出决策。
这些与我们“想象中”的人工智能其实都相差很远，也不太见得会有什么上佳表现。即使有表现较好的策略，其本质与用简单的回归模型做出的策略并无太大区别。实际上，国内很多做P2P风险分析的，用的都是Logistic回归，易懂又好用。
由于媒体的吹捧，大家对AI在金融投资领域的应用普遍存在着过高的期待，甚至有人危言耸听地号称将来AI会替代投资经理的职务。