美国留学

金融市场提供了无数赚钱（或亏损）的方式。它们之间的一个重要区别是投资期限，可以从几毫秒到几年不等。核桃算法和Global Systematic Investors是两家新的投资管理公司，分别是高频交易界和低频交易界的代表。

我与两家公司的创始人讨论了投资、数据和创业挑战。本文是我和胡桃算法公司联合创始人兼首席执行官Guillaume Vidal 之间的对话。下一篇即将发布的文章将是与Global Systematic Investors 联合创始人兼联席首席投资官的对话。贝恩德·汉克访谈。

为什么把你的公司命名为“核桃算法”？ Vidal：因为核桃的形状像大脑，从初创公司的角度来看，过去有苹果和黑莓，现在有核桃，这会很有趣。这个名字仍然意味着我们有点像由智能算法创建的核桃树。我们觉得把“算法”放在“核桃”之后很重要。 “核桃”和“算法”的结合很有趣，也有很好的寓意。

您会如何总结您的工作？ Vidal：我们将最先进的人工智能应用于系统化的投资策略。

这是最初的想法，还是后来才产生的？维达尔：我认为这个想法是自然而然的。六位联合创始人拥有人工智能、投资管理和金融背景，我们认为我们的专业知识绝对有一席之地。我们研究了很多人工智能初创公司，发现他们中的许多人都在试图弄清楚他们应该用人工智能做什么。

法国有一家优秀的人工智能初创公司叫Snips，就连他们也很难拿出一款产品。从一开始，我们就专注于金融服务和投资管理，我们认为这些领域非常适合用人工智能来处理。我们确实花了一些时间来寻找合适的商业模式，而我们现在的答案实际上是按照监管要求管理资金并提供投资建议。但刚开始时，我们有点天真，认为“我们要使用人工智能”。

我们希望取得像DeepMind 在强化学习和AlphaGo 方面所做的那样的成果。这些算法非常强大，我们想把它们用在投资管理中，而这些算法最多也才出现四五年。能够利用它们不仅需要人工智能方面的进步，还需要其他领域的进步：数据访问、具有正确库的编程语言以及谷歌云或亚马逊云服务提供的计算能力。要实现这一目标，需要多方面的结合。我认为对我们来说最困难的事情也可能是最幸运的事情是我们拥有这种技能组合。我认为最大的门槛是人工智能、计算机科学、量化金融和商业技能的结合。

您关注哪些金融工具？ Vidal：我们专注于美国和欧洲的高流动性股指期货，因为我们既需要流动性，又需要非常低的交易成本，而无需在做多或做空时支付额外成本。

您是如何找到自己的商业模式的？ Vidal：我们首先确定人工智能在金融领域的应用是可行的。毫无疑问，它会起作用。问题是，如何使其可行？这一点非常重要。是只搞分析研究，还是只生产一种产品？您应该向对冲基金或对冲基金的合作伙伴收取服务费吗？是被对冲基金吸收，还是提供交易信号？进入咨询行业还是创办自己的对冲基金？所有这些潜在的商业模式都被考虑了。我们申请加入Startup Bootcamp，一个创业加速器，在选拔阶段，我们告诉他们我们还没有找到商业模式。他们不介意。现在，我们从独立管理的帐户开始。这在金融行业已经是很正常的事情了。许多商品交易顾问(CTA) 都会这样做。基金架构可能要等到晚些时候才能开始，因为这将涉及更多合规和监管问题，并且成本更高、耗时更长。

使用机器学习生成交易信号有何创新之处？ Vidal：传统的系统策略是基于规则的。例如，您在Quantopian 平台上编写了一个系统策略，其中规定：“如果这三个移动平均线交叉，那么这个交叉点就是我的年度枢轴点。或者，如果我的相对强弱指数超过特定阈值，那么我将买入或卖。”这些都是固定的规则。我们打造的是一台没有固定规则、更加灵活的机器。机器学习算法可以发展为真正关注市场配置，并以不同的置信水平对买卖信号进行分类。这有点像一个交易大厅，有很多交易者，或者在我们的例子中有很多机器交易者，都是人工智能算法，然后有一个投资组合经理，充当资金的分配者，使用不同的人工智能提供的潜在交易信号该算法根据风险约束和敞口约束、多头和空头、工具、地理位置和其他因素优化分配给这些信号的资金。

看起来你的客户必须足够精通人工智能才能理解你工作的价值，但又不够精通才能自己完成这项工作。 Vidal：全球有超过80,000只基金。当然，总会有一些人对人工智能感兴趣，甚至有对冲基金直接来找我们。但有时他们只有一种全球宏观策略、一种债券策略或某种其他形式的非系统性策略。我认为内部的金融工程师团队不一定有足够的人来做我们一直在做的事情。

过去我们所有的代码都是12个人写的，现在很快就会增加到15个人，全都是科学家。我们必须为整个基础设施编写代码，我们必须进行分析和研究，并且我们必须自己做所有事情。许多传统基金有时会聘请一位博士并说：“让他解决一个问题，让我们通过机器学习来增强我们的一个系统。”这不一定行得通，因为你可能还需要一家初创公司，而不是暂时雇佣一个博士。与基金的金融工程师一起做数据科学工作。我们完全是在一个紧密的团队中工作，总是集思广益，让计算机科学家、数学家和人工智能专家思考什么是真正有效的，什么应该是可行的，我们应该如何用代码实现它，以及我们应该如何设计它。这需要创新思维。

成熟的对冲基金一直在使用自己的系统，也许已经有20 年了。他们有自己的战略，可能是长期的系统战略、长期的趋势跟踪战略或其他什么，他们很难想出一些全新的东西，雇用新类型的员工，引入新的员工。内部研究。有些人也会尝试这个。可以说，其中最精通人工智能的对冲基金已经取得了成功，例如Renaissance Technology、Two Sigma和Winton。这个行业非常不透明，我们不一定知道谁在做什么，但也许他们有某种人工智能策略。

这些对冲基金的算法将在市场上与你的算法竞争。你有办法处理吗？维达尔：我认为主要有两点。一是我们暂时比他们小很多，我们关注的资产类别也不一定相同。规模较大的对冲基金无疑处于非常深度、流动性非常强的市场中。这些基金可能具有截然不同的投资策略和各种投资时间范围，因此它们可以投资从高频交易到年度趋势跟踪的所有领域。当您管理的资产达到600 亿美元时，您别无选择，只能扩大投资以涵盖所有资产。虽然我们一开始的资产管理规模较小，但我们能够对特定资产采用日间交易策略。

其次，CTA趋势跟踪系统通常具有80%到90%的相关性，因为它们在相同的时间间隔内跟踪相同的趋势。当您开始使用更复杂的机器学习策略时，有很多方法可以实际应用机器学习。我们考虑的是模块化，所以我们有数据收集、数据清洗、特征工程、入口点和退出策略，有配置，有市场影响。所有这些都可以通过机器学习来改进和自动化，并且有很多具体的方法可以用来做到这一点，所以最终每个人制作的系统都会有很大的不同。我们提供了一些新的投资方式，而我们提供的一些交易信号并不适合所有人。这并不是说我们的机器是只下金蛋的鹅，只赚钱不赔钱。它也有风险调整回报，也有回撤，也有固有风险，但从投资组合管理策略的角度来看，它确实优于其他一些绝对回报策略，并且与它们没有相关性。这就是人们感兴趣的。

您是否担心您的模型过度拟合，在您开发模型时它可以工作，但随后就停止工作？ Vidal：我们关注的重点是尽可能减少过度拟合。有很多方法。第一个是数据维度，这就是我们进行日间交易的原因。我们尝试捕获尽可能多的数据点。分类时，我们最小化特征向量，本质上是降低输入数据维度。在这方面，利用人类专家的知识非常重要。我们还进行了大量的稳健性测试并设计了稳健性模块。我们也会在系统上线之前进行虚拟交易。但某种程度的过度拟合总是存在的。因为您将使用历史数据并要求您的模型拟合历史数据，所以会发生过度拟合。一些拟合很有用，因为您必须确保算法适合当前的市场机制，但算法必须具有概括性。

你的算法能否意识到机制已经改变，或者是否需要人类的帮助？ Vidal：是的，我们已经实现了自动化。我们非常努力地实现多个级别决策的自动化，无论是配置部分还是进入信号部分。因此，底层算法本身可能知道市场已经发生变化，并相应地调高或调低信号的置信度。但在配置方面，您可能会说，“某个算法向我发送了某个信号，但我决定忽略它，因为它没有遵循正确的机制。”所以，我们实际上是从多个层面来考虑这个机制的。种类。我们根本不引入人为干预，除非出现重大事件，比如严重的金融危机或者闪崩，我们认为算法可能无法正常运行，应该彻底关闭它。

您认为投资管理的未来会由人工智能主导吗？维达尔：很难说，但是投资组合经理或对冲基金经理可能会从原来的交易员、经济学家和商人群体转变为数据科学家和数学家，转变为能够使用数据、理解数据和管理数据的人。科学家和工程师团队的人群。鉴于人工智能变得越来越容易获得，数据和计算能力也变得越来越容易获得。你可能会看到像我们这样的公司不断涌现，并扰乱较大的对冲基金，在某些时候，那些较大的对冲基金将被迫捍卫自己的地位或像这样收购我们。公司要么正在创新，因为他们现在并没有真正这样做。

您认为在未来的某个时候，用于投资的人工智能将会商品化吗？ Vidal：人工智能不是自动的，也不是单一的架构。这并不像“我创造人工智能”那么简单。我不认为人工智能会完全商品化。这不像“我有一个人工智能算法，把数据放进去，它就会起作用”。现实要复杂得多。你必须做很多特征工程，你必须有交易经验和市场经验，并且涉及很多不同的参数和很多不同的方法。可能存在某种形式的商品化。比如Quantopian平台在一定程度上成功地将系统算法编写商业化，吸引了很多人。但与使用相同平台并获得相同特征和数据的人相比，使用不同平台的人可能具有优势。

这让我们回到了人工智能交易团队的理想组成这个话题。 Vidal：你需要交易老手、数据科学家和计算机专家，还需要基础设施、代码优化和执行方面优秀的IT 人员。对我们来说，数据科学和人工智能几乎是一回事，但人工智能从业者和人工智能研究人员不同。数据科学家知道如何编写代码并知道如何使用机器学习函数库，而研究人员则了解神经网络背后的真正原理。也许他们会致力于重写一个更具成本效益的功能或类似的东西。这不是数据科学家所做的。事物。

当不同背景的人对于如何进行存在分歧时会发生什么？维达尔：这很重要。我认为这就是我们的与众不同之处。整个团队思想开放，可以整天争论，最好的想法获胜。这就是创意管理，试图让大家一开始不同意，最后达成共识。就优先事项达成一致也很重要，因为我们总是有很多想法，而将它们一一实施需要无数的人力和时间。我们必须确定哪些最容易实施？我们现在可以做什么来最大化我们的结果？那么，就会有更注重技术的人说“没问题，我可以实现这部分代码”、“要实现这个，需要写的代码会太长”或者“我们应该如何实现”使用代码来实现这部分？” ”

您对非传统数据源的大数据有何看法？ Vidal：我们区分人工智能和大数据，但其他人通常不这样做。人工智能是让你探索大数据价值的一种手段，但我们关注的是人工智能取得的进展。比如当AI成为围棋高手、雅达利游戏高手时，这些其实都是算法的进步。这些都是非常小的数据集或非常有限的数据集，但真正的进步在于人工智能本身。我们的重点是强大的人工智能，而不是其他数据源。原因之一就是我谈到的数据维度问题。我们寻求统计上足够稳健的策略。

其他行业对数据科学家的需求量很大。如何吸引数据科学家从事金融工作？ Vidal：首先，我们将自己定位为一家科技公司。而所有在金融AI上取得成功的公司和基金实际上都是这么做的。看看Two Sigma、元盛和Renaissance Tech的宣传，他们本质上是在说“我们是一家科技公司，一家恰好从事金融交易的研究公司”。这对于吸引合适的人才非常重要。如果你只是一家对冲基金，人们不会真的愿意为你工作，主要是因为金融危机的影响以及对冲基金行业的坏名声。但这份工作其实很有趣。您将分析非常复杂的数据集。你会做各种各样的研究，并且会有非常清晰和直接的应用。结果是好是坏，一试就知道，白纸黑字。优化代码，将数据科学应用到新的数据集、新的策略、新的市场、新的工具上，其实每天做起来都很有趣，可能比在媒体公司做类似的工作更有趣。有趣的。从长远来看，比如五年后，我们希望扩展到其他领域。 Renaissance Tech是一家总部位于纽约的对冲基金，被认为是世界上最好的理论物理实验室之一。同样，我们希望虎套算法公司能够成为全球最好的人工智能实验室之一。

翻译：于波

资料来源：数据经济

创造：剧场式线下演讲平台，发现最有创意的想法