人工智能的崛起，依靠着大数据相关软硬件技术的成熟和计算性能的提升。金融领域较高的数据量化比率，历史数据的存储以及其可计算性使得金融成为人工智能相关技术的最佳落脚点之一。

目前人工智能和金融创新的结合点，已经在智能投顾、风控等领域有了较多尝试。在国外，传统金融机构和各类智能投顾金融科技创新公司结合的例子已经不胜枚举，如Blackrock收购Future Advisor，Legg Mason收购Financial Guard，Goldman Sachs收购Honest Dollar等等。而国内目前也有一部分公司在做着智能策略的探索。

除了上述内容外，将人工智能技术运用到交易策略中是目前较受关注的一大应用点。通常而言，智能交易策略主要有两种直观形式，投资择时和投资配置的最优化（在此我们主要针对证券资产）。交易择时即根据资产价格在不同时间的波动进行低买高卖，从而获利。投资配置，即选出所有投资配置可能组合中最优的一个配置进行组合。两种形式的结合可以构成极高数量级的量化策略，通过人工智能的相关方法，我们可以在有限的时间内从这些量化策略中找到适合交易员需求的一个策略子集。

今天笔者主要想从国外流行的玩法讲起，谈谈国内智能策略探索进展和未来突破点。

国外流行的交易策略模型

▲传统量化模型

早在19世纪上叶，就开始有交易者手动采用数学的方法去研究股价随市场涨跌的规律，陆陆续续诞生了趋势策略，反转策略，做市策略等等不同风格的交易策略。随着市场的发展成熟和技术的日益革新，为了摈弃人来手动执行策略所引起的不稳定因素，这些策略被改成半自动或者全自动的执行方式。提高了策略研究的效率，降低了交易成本，使得金融市场运转更高效。而直到现在，市场上绝大多数参与者都还在研究和应用这类交易策略。本质上讲，现在我们采用的策略和过去采用的策略是一样的，都需要人为去研究产生，而研究数据和人的研究风格都具有片面性，过去手动操作盈利的策略现在量化后依然大概率盈利，而思路不正确的策略量化后也不能变得盈利。

▲基于大数据统计产生的交易模型

目前已知市场上，跟股价相关的市场数据至少上万种，而且不断有尚未被利用的数据被策略研究人员开发利用，典型的例子就是17年底纽交所上市了全球首只机器人选股的ETF基金AIEQ。

AIEQ是第一个由AI算法管理的ETF，每天根据当天的数据计算来对投资组合调整，而AI算法引入的目的，是为了实时最小化跟踪误差，根据市场状态调整成分组合对指数的拟合程度，而且还能在此之上追求一定的alpha收益。相对于通过研究员来人为研究得到投资组合，用人工智能的方法来构建这个组合更具有数学上的合理性，所用到的数据量更大，理论上能够更接近真实的市场情况，并且整个构建过程全部由计算机实现，更加迅速，能及时反应市场的变化，解放的人力可以转型到更深层次的市场理论研究。

经过将近三个月的时间检验，我们也能从AIEQ ETF的价格变化中看出市场对它的反应，如图1所示。

图1：（2018年1月17日截图）AIEQ的月K线图

▲基于蒙特卡洛方法学习模型

除了备受关注的AIEQ基金，还有Trading System Lab这样的运用遗传规划来产生CTA交易策略。TSL的秘密武器就是它被用作寻优的底层算法引擎——AIM-GP(遗传基因程序二元机器代码自动归纳合成算法)。这类算法的本质是基于带有启发式的蒙特卡洛算法。引擎会根据用户的设定源源不断的产生交易策略，然后用特定的目标去筛选出合适的策略来作为基策略产生出下一轮迭代用的策略集。最后产生出的策略还需要用户去人为判断是否符合需求。

图2：2012年TSL产生的CTA策略的投资收益

▲基于事件驱动的交易模型

试问：苹果公司发布新iPad，哪家苹果供应商的股票涨幅最大？豪威科技股份有限公司(生产iPad内置摄像头的传感器)。

诸如此类的事件发生时，一个对冲基金的分析师团队需要花上数天的时间，在数据充足的情况下，得出如上的结论。而如果用智能金融数据分析系统，却只需要数分钟甚至数秒内，就可以给出答案。Kensho的Warren就是一个这样的系统，通过处理药物审批，经济报告，货币政策变更，政治事件以及这些数据对相关联的金融资产所产生的影响，可以回答出6500万个类似上面提到的问题。那么在已知历史特定事件对某金融资产的影响程度的条件下，当相同事件再次发生的时候，自然就可以做出同样的预测。更进一步的，有了类似关系的因果推理图谱，不是相同事件而只是类同的情况时，也可以用同一推理链给出一定程度的预测。有了事件，有了预测，那么后续的基于事件驱动的交易模型将会很容易得到。

国内智能策略探索进展

在国内，经历了近两年智能投顾的生存考验之后，随着传统金融机构和大型互联网巨头的不断进入，这一领域的竞争早已经进入白热化，一些早先进入智能投顾领域的金融科技创新公司也正在探索B端转型之路，如推出数字化资产配置系统服务，建立智能投顾能力；将个人智能投顾的业务，转型成为财富管理机构的企业端提供服务。

基于目前国内的技术环境和市场环境，还没有在某一领域成为热点的公司出现，仍然在追赶国外公司的脚步，但是长期来看一定会出现这样的公司，也许就像行业内预测的那样：未来只有两种公司，有人工智能的和没有人工智能的。

国内智能策略的突破口在哪里？

目前国内大多数量化交易人员的思路还是K线如何走出形态后追趋势的阶段或者基差到达一定程度的套利模型，本质上来说，还是处于用计算机技术来表达主观交易逻辑的层次，而量化的意义只是让交易更客观、尽量消除人行为的影响，真正的大数据量的统计模型驱动的高等级策略市场上其实很少，可能有极少量技术实力强大的团队在做一定的尝试。从对冲的角度来看，如果能基于统计学习提升现有的指数跟踪的拟合误差，那么显然能够提高套利模型的收益稳定性，降低风险。假如，统计模型对后市趋势的判断比人的判断有更高的准确率和精确的置信区间，那么显然除了获得价差套利收益之外，还能从敞口中获得alpha收益。

未来国内的智能交易应该是什么样的一种形态呢？以后的智能交易就像一个投资管家，投资者把钱放到账户里，然后系统根据实时的各种结构化非结构化数据去计算市场上存在的最佳投资组合，然后直接去进行投资操作，依靠系统去判断什么时候该买，什么时候该卖，什么时候能做对冲，应该用哪些来对冲或者做alpha。

而这些判断背后都是符合投资逻辑的数学投资模型来触发的，这些模型本身不仅基于通过过去的历史数据训练得到，实时也会根据数据的变化去更改修正模型自身，使得投资收益效率更高或者承担的风险更小。交易员更多地应该用自己的交易逻辑配合AI工程师去修改提高背后人工智能的训练生成逻辑，或者去探索市场中还没有被发现和利用的信息宝藏来提高系统的性能。

要达到这样的高度，在国内的智能策略中，机器学习算法对非结构化数据，例如文本，语音，视频，图像等信息的抽取量化需要更加准确有效，逐步接近人类的认知。