30年前，在給崇拜他的投資者的年度致信中，沃倫•巴菲特(Warren Buffett)嘲弄了一種開始在資產管理業嶄露頭角但不易察覺的新趨勢：電腦時代
1987年，巴菲特在年度致股東的信中笑稱：“在我看來，晦澀難懂的公式、電腦程序或者顯示股票和市場價格變化的閃爍信號都不會帶來投資的成功。”但這位以長遠戰略思維著稱的伯克希爾哈撒韋公司(Berkshire Hathaway)董事長，也許低估了重塑投資的一股巨大力量。
計算機運算能力的巨大進步徹底改變了現代生活的方方面面，金融市場也不例外。全球最成功的對沖基金如今都在招募計算機科學家，而非經濟學家和擁有MBA學位的投資銀行家。甚至連古板的、管理著大量嬰兒潮一代和石油國家儲蓄的共同基金，現在都在急切地利用現代計算機技術和複雜的數學模型帶來的“量化”技術。
此輪金融科技“軍備競賽”的下一個前沿是人工智能（AI）。人工智能研究取得的進步已經引起了金融業的巨大興趣，有金融人士認為，一臺能思考、學習、從事交易的電腦甚至將使當前的超高速、超複雜的投資算法看起來過時——而且有可能使人類基金經理成為多餘。下一代的巴菲特會是一種超級算法嗎？
世界最大的一些資產管理公司都在押注人工智能。人工智能從事投資或許聽起來有些異想天開，但正如科幻作家威廉•吉布森(William Gibson)所言：“未來已經到來，只是分佈不均。”2012年，世界最大的對沖基金集團——橋水公司(Bridgewater)挖走了IBM人工智能部門沃森(Watson)的負責人；去年，貝萊德(BlackRock)與另一家使用量化模型的快速成長的對沖基金Two Sigma延攬了兩名前任谷歌(Google)頂級工程師。獵頭表示，計算機科學家如今已成為金融業最炙手可熱的財富。
量化投資界人士在談及機器取代人類基金經理的前景時很淡然，指出完全的人工智能仍很遙遠，而人類智慧仍發揮著關鍵作用。但這些資產管理電腦狂人的自信是確定無疑的。在金融市場，早已經有準人工智能交易策略發揮了奇效，而他們預測，未來是屬於這類策略的。
“投資界面臨的挑戰是，人的智力比100年前沒有什麼長進，人們很難用傳統方式在大腦中處理全球經濟的所有信息，”Two Sigma聯合創始人戴維•西格爾(David Siegel)去年在一次會議上說，“人類投資經理無法打敗計算機的時刻最終將會到來。”或者，正如探員史密斯(Smith)在《黑客帝國》(The Matrix)中更簡潔地表達的：“絕對不要讓人類去幹機器的工作。” Two Sigma是一家使用計算機技術的領先對沖基金。
機器學習曲線
羅殷（音）第一次學習編碼是在11歲，是在他父親1985年去西德出差帶回一臺二手蘋果II型(Apple II)電腦之後。但在他的家鄉——黑龍江省伊春市——買不到任何遊戲。於是，他自學編程，並製作了一款簡單的“坦克世界”遊戲。在遊戲中，玩家可以擊落隨機生成的飛機。
這是一項艱苦的工作。由於電腦內存不足，每當程序編碼變得過於複雜時，電腦就會崩潰。沒有軟盤，於是他就學會了如何在磁帶上存儲數據。“我真的只是想搗鼓點什麼玩玩，”羅殷回憶說。
但這方面的經驗帶來了回報。如今，他已是華爾街不斷增多的、探索計算機科學尖端技術的高智商人士中的一員。羅殷在德意志銀行(Deutsche Bank)擔任首席“量化分析師”（quantitative analyst，簡稱quant），他的團隊為德銀開發了一套人工智能算法，可以自主搜索金融系統尋找投資機會，分析大到不可思議的數據集以發掘可盈利模式並提供給客戶。
運行這個超級智能的“線性自適應式循環”模型需要一個由20臺Linux服務器組成的網絡，該模型基於一種被稱為AdaBoost的“機器學習”算法。
機器學習是人工智能的一個分支，而人工智能本身就是一個經常被誤用或誤解的發散性術語。雖然很多人認為，人工智能等同於有感知能力的電腦，就像《終結者》(Terminator)系列電影中的大反派“天網”(SkyNet)或者《2001太空漫遊》(2001: A Space Odyssey)中的智能電腦哈爾(HAL 9000)，但在實踐中，谷歌(Google)的語言翻譯服務、Netflix的電影推薦引擎或者蘋果的Siri虛擬助手等日常工具都使用了基本的人工智能形式。
量化分析師一直在利用日益強大的計算機徹底解構數據併發掘出獲利機會的統計信號，但機器學習走得更遠。從本質上講，機器學習算法是一個充滿活力的“生命體”，它可以掃描大型數據集——如股價、氣象模式、盈利電話會議記錄、Facebook帖子或者谷歌搜索記錄——並在嘈雜中分辨出預測性的信號。
伊利諾伊理工學院(Illinois Institute of Technology)金融學助理教授馬修•迪克森(Matthew Dixon)將機器學習稱為“使混亂最小化的優化機器”。它可以區分香蕉與蘋果之間的不同並將它們分類，甚至可以教一臺計算機從零開始、迅速掌握如何玩一款《超級馬里奧》(Super Mario)之類的遊戲。機器學習還可以用於分析“非結構化數據”，如亂七八糟的數字以及計算機通常難以理解的圖像和視頻。
這項技術並不是全新的，但更強大的計算機意味著如今它可以被應用到金融市場。“這是一個非常有前景的領域，”羅殷說，“人工智能可以幫助你找到人類永遠發現不了的模式。這可以為你帶來巨大優勢。”
但這不是機器學習的唯一優勢。當市場經歷業內人士所稱的“體制變革”、而之前信賴的策略不再適用時，量化分析師遭遇的經典挑戰之一是，他們的模型往往被證明是無用的——或者更糟。今天還賺錢如流水的算法交易策略或許明天就會失靈。
機器VS人腦？
機器學習算法可以自主進化並搜尋新模式，根據當天、當週或當年奏效的市場策略做出調整。
這意味著資產經理可以利用它們作為工具（比如篩查人工無法察覺的模式）來改善自己的投資流程，或者甚至讓它們自動開發策略和進行交易。
對於量化對沖基金Man AHL的基金經理尼克•格蘭傑(Nick Granger)而言，這是至關重要的優勢。“你會看見它自下而上地創建直覺般的交易策略，並根據有效策略切換風格，”他說，“過去幾年，我們一直在成功地利用機器學習，而且有興趣對其加大投資。”
儘管如此，機器學習也存在缺陷。量化分析師的最大挑戰之一是一種被稱為“過度擬合”(overfitting)的現象：一個過於複雜或編碼錯誤的算法可能在龐雜的數據中發現貌似合理的相關性或錯誤信號。例如，一篇名為“偽相關性”的博客說，在緬因州，人造黃油的消費量與離婚率密切相關，而尼克•凱奇(Nick Cage)的電影與泳池溺亡事件的數量相關。
即便一個模型在測試中表現很好，在面對真正的市場時也可能崩潰。此外，新數據自身也會受到交易算法的影響，高盛(Goldman Sachs)資產管理部門的量化分析師奧斯曼•阿里(Osman Ali)說，“解構氣象數據，不會影響到天氣，但進行市場交易時，你會影響到市場。”
即便最先進的人工智能交易算法系統也無法像人類一樣進行創造性思維，尤其是在危機時刻。美國國家航空航天局(NASA)前計算機科學家、現在供職於貝萊德“科學主動股票投資”部門的布拉德•貝茨(Brad Betts)，將2009年切斯利•薩倫博格(Chesley Sullenberger)駕駛飛機緊急迫降於哈德遜河視為人勝過機器的範例。
事實上，一些量化分析師對於機器學習（或者更廣泛的人工智能）是否是投資人的“聖盃”仍持懷疑態度。許多人認為它只是一種新的、先進的小玩意兒，可以對他們現有的工具組合起到補充作用；有些人則認為它多半隻是一種聰明的營銷方式，而非真正革命性的發明。
“人們總是渴望在金融市場找到賺錢的新方式，但這些方式並非總是奏效。空話易說，時髦的概念一文不值，”量化對沖基金溫頓資本(Winton Capital)負責人戴維•哈丁(David Harding)說。他指出，人的大腦尤其擅長模式識別，“無論是人臉、三角形物體還是愛情。投資管理非常適合藉助旨在發現模式的電腦，但我不會急於使用最新的熱門算法去做。”
未來結合？
那麼，人類基金經理會像渡渡鳥一樣消失嗎？那也未必，但未來看起來將更具挑戰性。
Two Sigma的戴維•西格爾說，由於市場和經濟變得更加複雜，資產管理變得更為不易。“50年前，一名基金經理或許能夠通曉做好投資所需要的所有知識。以後再也不可能這樣了，”他說。
他將這看作好事，而非危險。“將來某一天（全球經濟）可能變得過於複雜而難以控制，沒人能保證其平穩運行。但算法可以幫助我們更好地理解它。人們喜歡談論機器人將如何毀滅世界，但是我認為機器人將拯救世界。”
未來的方向很明確。投資事關信息管理、理性分析和速度。這是機器的強項。但是資產經理將會適應新情況，而非消亡。最有可能的是，未來的投資管理將是人類與人工智能的結合，兩種力量同時利用。
例如，雖然一臺超級計算機如今可以擊敗國際象棋大師，但二者都可能輸給一位擁有一臺普通筆記本電腦以及象棋模擬程序的人類棋手。有史以來全球最成功的對沖基金集團之一——文藝復興科技(Renaissance Technologies)前執行董事羅伯特•弗雷(Robert Frey)認為，類似的組合將成為資產管理的未來。弗雷目前經營著自己的“基金的基金”(FOF)，並且在紐約州立大學石溪分校(State University of New York at Stony Brook)教授計量金融學。“我們應該讓人腦和電腦分別做各自擅長的事情，”他說，“二者的結合將十分強大。”
閱讀更多 財言基語 的文章
