人机协作投资,收益还不如人类自己?

2022 年 5 月 31 日 量子位
丰色 发自 凹非寺
量子位 | 公众号 QbitAI

AI炒房,三个月亏20多亿。

如果AI来搞投资呢?

有科学家对北美市场15年间的826支对冲基金进行了一番调研,这些基金有全AI主导、人类主导、也有AI和人类一起主导的。

结果你猜怎么着?

回报率最好的居然是用纯AI进行交易的对冲基金,平均月回报率≈0.76%,比人类基金经理≈0.25%管理的要高约50个点

人类的投资水平难道这么糟糕吗?

NoNoNo,更遭的其实是人类和AI一起管理的基金…… ,一个月只有7个点。

得出这个结论时,连科学家自己都表示很懵圈。

他们在文中用了“Paradoxically”(“荒谬的”)一词来形容。

把这篇论文转发到微博上的博主提出一个灵魂发问:

“这说明人类不一定擅长投资,但擅长拖AI的后腿吗?”

AI > 人 > AI+人

这项研究成果发表在经济学期刊Applied Economics上,作者来自美国德克萨斯农工大学梅斯商学院和芬兰瓦萨大学会计与金融学院。

他们所考察的样本基金从纯AI到纯人工一共分为四类

(1)全权委托基金(Discretionary funds),尽管这类基金在交易前的分析中会使用多种技术(如数据清洗等),但其投资过程还是由人类主导

(2)系统化基金(Systematic funds),这类基金通常在其交易策略中采用基于统计方法的量化框架,并使用不同类型的算法实现自动化;与全权委托基金相比,人类基金经理的参与度大大降低

(3)混合基金(Combined funds),这类基金混合了前两种基金的决策办法,流程高度自动化的同时,人类也会参与其中,即AI与人类共同主导

(2)和(3)都算AI与人类共同主导,只不过(3)人类参与其中的程度更高。

(4)人工智能与机器学习基金(AIML funds)纯AI主导的全权委托基金。

对冲基金数据从Preqin数据库下载,覆盖全球范围内的各行业。

(Preqin是全球著名私募股权行业研究机构,成立于2003年。)

这些基金都包含一个过滤器,可以用于判断该基金是否在其交易策略中使用AI方法。

作者从近6万支基金中最终挑选出符合类型明确、有业绩数据的、在北美市场运作并以美元计价等条件的826支基金。

各类基金数目如下:

各类基金的收益率等数据如下:

然后研究人员采用多种资产定价模型对这800+支对冲基金进行绩效评估。

模型包括CAPM模型、Fama和French三因素模型、Carhart四因素模型以及Fama和French五因素模型。

结果他们就发现,在控制了市场风险因素后,由人工主导的全权委托基金DiscretionaryAI主导的AIML基金产生了统计学上显著的风险调整回报,分别为每月23和79个基点(且t值显著,高达3.94)

人工和AI共同主导的Combined和Systematic基金则分别只有12个点和7个点

在后三个模型上的分析结果也是如此

表现最好的为AIML,且甩后三类基金一大截,其次是人类主导的Discretionary,最差的是共同主导的Systematic和Combined。

这些结果还表明AI主导的对冲基金对市场因素的风险敞口最小,由人类主导的全权委托基金比其他基金更容易受到传统风险因素的影响。

AI确实比人类厉害

一个问题:纯AI管理的对冲基金经风险调整后的较高平均回报否系统性地高于人类管理的全权委托对冲基金?

为了回答这个问题,研究人员又开发了一种人机对决的策略,即做多AIML对冲基金投资组合,做空人类主导的Discretionary,重复以上资产定价模型进行回归分析。

结果出来了,每月产生了50到56个基点的回报,t值显著,从2.81到3.10不等。

这说明,机器在风险调整后的投资绩效方面的确优于人类。

研究人员在进行了一系列鲁棒性验证后,以上结论仍然成立。

他们还表示,尽管样本基金的期限很短,只从2006年9月到2021年1月,但t值接近4,显著性水平非常高了。

而在未来,“观察AI基金在未来能否继续跑赢自动化程度较低的同行,是一件很有意思的事儿。”

网友:围棋也是这样

以上结论虽然令人感到错愕,但很快就有网友指出:在围棋中也是这样,人机合作导致“两边搅和”,结果最差。

甚至有人还搬出了空难历史中,自动驾驶提示和机长指令冲突,副驾不知道听谁指挥的例子。

很形象了可以说是。

更进一步,有人认为,AI和人类其实各自擅长的东西不一样,但两头都靠并不等于优势相加。

至于为什么会这样,本研究的作者也表示有待未来研究去解开。

所以,哪天AI会不会受不了人类开始反击呢?

是个好问题。

不过,大家应该更关心哪里能买到这种AI主导的基金吧?(手动狗头)

论文地址:
https://www.tandfonline.com/doi/full/10.1080/00036846.2022.2032585?scroll=top&needAccess=true

参考链接:
https://weibo.com/1783475181/LvnyVFiDC?type=comment

「人工智能」、「智能汽车」微信社群邀你加入!

欢迎关注人工智能、智能汽车的小伙伴们加入我们,与AI从业者交流、切磋,不错过最新行业发展&技术进展。

ps.加好友请务必备注您的姓名-公司-职位哦~


点这里👇关注我,记得标星哦~

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见~


登录查看更多
0

相关内容

人工智能: 国防部应改进战略、库存流程和协作指导
专知会员服务
39+阅读 · 2022年4月11日
美国国会引入《2019年算法责任法案》
蚂蚁金服评论
66+阅读 · 2019年6月13日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
7+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年7月8日
CSKG: The CommonSense Knowledge Graph
Arxiv
18+阅读 · 2020年12月21日
Arxiv
14+阅读 · 2020年9月1日
VIP会员
相关VIP内容
人工智能: 国防部应改进战略、库存流程和协作指导
专知会员服务
39+阅读 · 2022年4月11日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
7+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员