機器學習助你管理資產

What Machine Learning Will Mean for Asset Managers
羅伯.博任 Robert C. Pozen , 強納森.魯安 Jonathan Ruane
瀏覽人數:2594
隨著演算法變得愈來愈聰明,華爾街誰會是贏家,誰又會是輸家?機器學習讓強大的演算法能夠分析大型資料集,以便針對所界定的目標來做預測。這些演算法能透過試誤而自行調整,隨著取得更多資料,使預測愈趨準確。然而,機器學習雖然能大幅強化投資決策,但本身仍有重大限制,嚴重削弱表面上可望達到的成效。

某些產業專家認為,機器學習將逆轉目前逐漸走向消極型(passive)投資基金的趨勢(編按:消極型投資指長期持股,不求短期獲利)。然而,機器學習雖然提供一些新工具,有助於積極型投資人的績效超越大盤,但目前仍不清楚,未來機器學習能否為積極型資產管理者提供可永續的商業模式。

讓我們先談正面的影響。

機器學習是人工智慧的一種形式,讓強大的演算法能夠分析大型資料集,以便針對所界定的目標來做預測。這些演算法並非確切地遵循人類用程式碼撰寫的指示,而是能夠透過嘗試錯誤的過程而自行調整,得以隨著取得更多資料,而產生愈來愈準確的規範式建議(prescription)。

機器學習特別適用於證券投資,因為它產生的見解能夠迅速且有效率地成為行動依據。相較之下,如果是在其他產業透過機器學習而得到新見解,公司必須先克服重大限制,才能讓見解化為行動。舉例來說,Google若是開發出一款以機器學習來推動的自動駕駛汽車,必須先得到一連串利害關係人的許可,才能讓這輛車正式上路。這些利害關係人包括聯邦政府法規監管機構、汽車保險業者,以及業者希望自駕車獲准上路的那些區域的地方政府。投資組合經理則不必先得到主管機關同意,就能將機器學習產生的見解轉化為投資決策。

在投資管理的情境中,機器學習可在三個方面,擴增強化證券分析師已經在做的量化工作:

機器學習能找出現有資料集裡面的新模式,因而看出哪些股票有可能表現突出。

舉例來說,機器學習可以檢視過去二十年間所有標準普爾五百大企業的季度法人說明會裡,所有執行長答覆的內容與風格。機器學習分析這些法說會歷史資料與股價表現的關係之後,也許會得到一些見解,可用來分析現任執行長的聲明。這類見解的範圍很廣,從評估某些公司領導人提出的預測數字是否可信,到評估同產業或同地區企業績效的相關性。

其中有些技巧所產生的重大改善,已經超越傳統技巧。舉例來說,分析師在評估債券違約的可能性時,通常採用精細複雜的統計模型,這些模型分別在1960與1980年代由愛德華.奧特曼(Edward Altman)與詹姆斯.奧爾森(James Ohlson)這兩位教授開發出來(也就是著名的Z分數與O分數)。研究人員發現,機器學習技巧在預測債券違約方面,準確度比過去這些模型高出10%。

運用機器學習,得以分析新形式的資料。

在過去,許多形式的資訊只有人類能夠理解,例如圖像與聲音;這類形式很難被當成電腦輸入資料,供投資管理者使用。目前,經過訓練的機器學習演算法,辨識圖像裡面各項元素的速度與效果,已經超越人類。舉例來說,機器學習演算法可幾乎即時檢視數百萬張衛星照片,以預測中國農田裡尚未收割的農作物在未來的產量,或是預測美國週末假期購物商場停車場裡的車輛數量。

針對這些新形式的另類資料集,已經逐漸出現一個蓬勃的市場。分析師可以用手機的GPS定位,來了解特定零售商店內的人流,或是根據銷售時點系統(POS)的資料,來預測同一商店相對於前期的營收情形。消費者使用的電子郵件系統的各種應用程式附件,產生的一個副產品就是銷售收據,電腦程式可以收集這些收據資料。分析師大規模探索這些資料集,就能偵測出有用的趨勢,用以預測公司業績。

機器學習能減少人類偏誤對投資決策的負面影響。

行為經濟學家和認知心理學家近年發現,大多數人會做出各種非理性決策。例如投資人會表現出其中許多偏誤,像是損失趨避(偏好避免損失,勝於產生同樣金額的收益),或者確認偏誤(在詮釋新證據時,傾向確認自己先前已存在的信念)。

機器學習可用於查詢投資組合經理和分析師團隊的歷史交易紀錄,以尋找是否有一些模式顯示出這些偏誤。接著個人就能複查自己的投資決策,以了解是否出現這些無益的模式。如果想達到最佳效果,個人應使用機器學習來查核投資流程的各個階段(包括挑選投資標的、建立投資組合與執行交易),看看其中是否有偏誤。

然而,機器學習雖然能大幅強化投資決策,但本身有很重大的限制,嚴重削弱表面上可望達到的成效。

首先,機器學習演算法本身就可能帶有嚴重的偏誤,而這些偏誤可能來自訓練演算法時所用的資料來源,或是來自演算法的不足。雖然機器學習能夠減少投資時的人類偏誤,但公司必須要讓資料科學家來挑選另類資料的恰當來源、處理那些資料,並且把這些資料與公司內部既有的知識整合在一起,以避免新的偏誤默默滲入。這是個持續進行的過程,需要用到許多傳統資產管理者目前並不具備的能力。

其次,雖然機器學習能夠極有效地檢視特定領域的大量過去資料,從中找出與某個明確目標有關的新模式,但它無法妥善調整應用在罕見的情況,例如政變或自然災害等。此外,如果事件和過去的趨勢並無密切關連(例如2008年的金融危機),機器學習也無法預測到那些事件。在這種情況下,投資專業人員必須判斷未來的趨勢走向,部分是根據自己的直覺和常識來判斷。

最後,機器學習在大型資料集裡找出的模式當中,有許多只是呈現相關性,無法指出潛在的真正原因;這表示投資公司未來仍然需要技能熟練的專業人員,來判斷這些相關性是訊號,還是雜訊。一家大型美國投資管理公司的機器學習專家表示,他的團隊會花上數天,評估機器學習偵測到的各種模式是否通過以下四項測試:合理性、預測性、一致性、可累加(additive)。

機器學習找出的模式即使完全符合這四項要求,也不見得一定能輕易轉換成能夠帶來獲利的投資決策,這仍然需要專業人員的判斷。舉例來說,機器學習篩選大量社群媒體之後,或許能夠預測到川普會在2016年當選美國總統(當時大多數的民意調查沒有預測到這個結果)。然而,根據這項預測做出投資決定,會引發一個很難回答的問題。川普當選會讓股市上漲、下跌,還是盤整震盪?

重點在於,機器學習雖然能夠大幅改善資料分析的品質,但無法取代人類的判斷。若要有效運用這些新工具,資產管理公司必須讓電腦與人互補。因此,企業未來必須大量投資在科技和人身上,不過,減少傳統分析師的人數,可以抵消掉這些成本的一部分。

遺憾的是,其他大多數資產管理業者尚未大幅進展到實施機器學習。根據CFA協會(CFA Institute)2019年的調查,目前很少有投資專業人員使用通常與機器學習有關的電腦程式。相反地,大多數投資組合經理仍持續依賴Excel試算表與桌上型電腦的資料工具。此外,回覆CFA調查的投資組合經理當中,只有10%曾在受訪之前的12個月期間運用機器學習技巧。

或許不難想像,目前是由那些規模最大的資產管理公司,例如貝萊德(BlackRock)和富達(Fidelity),在領導這股潮流,並培養與資訊供應商、科技供應商和學術專家的關係。但它們不可能大幅拉大與競爭對手的差距,因為在積極型投資的領域,規模不見得是一種優勢。舉例來說,大量交易可能造成巨額成本,而公司對某支股票所能承受的整體曝險也有限。

中型資產管理公司應該也能受益,因為它們可能吸引到並留住高素質的資料科學家,這些專家可能會覺得,這類公司的升遷機會多於很大型的公司。此外,中型公司能負擔得起取得另類金融資料的費用,管道包括第三方供應商、開放原始碼程式庫,以及已經向許多產業提供雲端服務的科技公司所供應的精細複雜工具(例如亞馬遜和Google)。

輸家可能是那些小型公司(旗下管理的資產不到十億美元)。它們可能很難吸引到足夠的人才,也無法負擔開發所需技術的成本,因為積極型投資公司承受調降費用的沉重壓力。積極型基金經理在2018年的管理費用,比2008年低了約20%,部分原因在於消極型基金的費用已經變得很低。資產管理公司也面臨法規壓力,必須自行付費進行外部的證券研究,而不能用「軟錢」(soft dollar)來支付,後者是指動用經紀佣金來付費給研究公司。因此,資產管理業目前的環境已經十分艱困,還需要投資在機器學習,這對小型公司的挑戰特別大。

此外,目前仍不明朗,對機器學習的大量投資,實際上能否為積極型資產管理公司帶來長期而永續的商業模式。即使機器學習為投資公司帶來獨特的報酬率,公司也無法長期保有優異地位,因為其他公司可能會仿效它的投資方法。如果其他資產管理公司也透過類似的機器學習技巧而取得類似見解,它們就會同時買進賣出相同的股票,而這可能消除掉那些見解能夠帶來的任何收益。這種情況已多次發生。例如在2007年有三天時間,幾家大型避險基金使用了考慮相同因素的量化模型,於是同時出清手中部位,結果蒙受重大損失。

總而言之,起初機器學習可能被認為是積極型投資的救星。它確實有可能讓早期採用者得到報酬率的新來源,因而表現優於大盤指數。但如果其他資產管理公司在培養機器學習能力時,也獲得了同樣的機器學習見解,那麼可能就更難以找出真正表現優於基準的上市股票和債券。長期來說,由機器學習強化的積極型投資是否會提升證券定價的效率,因而增強了目前走向消極型投資的趨勢?若是如此,採用機器學習的成本將由積極型投資人來承擔,但所創造的效益,有大部分會落入搭順風車的指數基金手中。

(林俊宏譯)



羅伯.博任 Robert C. Pozen

曾擔任富達投資(Fidelity Investments)總裁,目前是麻省理工史隆管理學院(MIT Sloan School of Management)資深講師,也是布魯金斯學會(Brookings Institution)非駐會資深研究員。


強納森.魯安 Jonathan Ruane

麻省理工史隆管理學院(MIT Sloan School of Management)講師,也是麻省理工學院數位經濟計畫(Initiative on the Digital Economy)研究科學家。


本篇文章主題財務分析