1703535013
1703535014
虽然是从一个较小的数据池中处理处理，但这还是属于大数据的范畴。
1703535015
1703535016
■■■
1703535017
1703535018
动力基金的数据供应商之一Selerity技术公司，该公司开发了一个可供人工智能计算器快速获取和解读上市公司业绩报告的新闻检索系统。Selerity的算法将会处理财务报表数据，同时会找出危险信号，比如隐藏在脚注中的巨额损失。一旦出现“破产”“违约”“合并”等关键词时，会在毫秒之内向动力基金的交易机器发出警告。
1703535019
1703535020
这样的交易方式有时能带来大量的财富。2011年1月，Selerity根据微软发布盈利报告的历史网址，成功破解了微软公司下一次发布盈利报告的网址。在美国东部时间下午2点50分，盈利报告突然出现在被破解的网址上，但是，微软还没有将网址公布在网上，他们认为市场还不知道盈利报告的内容！微软公司错了。Selerity瞬间将消息从网页上下载，并将内容发送给了客户。人工智能计算机迅速做出反应，在一瞬间获得了利润！
1703535021
1703535022
在那时，动力基金的交易系统并没有上线运行。实际上，他们还需要解决一大堆的难题。原本计划于2011年2月上线的系统还没有准备好。程序员和拉多普洛斯还在不停地调试系统。他们输入的数据越来越多，希望机器能够找到隐藏在大数据之中的宝藏。
1703535023
1703535024
公司内部就风险控制和输入变量的使用展开了激烈的争论。需要解决的问题像一座座大山一样挡在面前。他们却无可奈何，事倍功半。动力基金团队夜以继日地工作着，休假成了一件十分奢侈的事情。
1703535025
1703535026
公司在开发系统时，有一个非常坚定的信念：机器永远是正确的。一个难题摆在动力基金面前：如何给不同的策略命名。这很困难，因为人工智能算法会随着时间推移而不断改变。一个策略在某个月会选择便宜的股票，到了下个月可能会去追逐价格处于高位的股票。
1703535027
1703535028
“对此，我们必须特别小心。千万不要被模型的名字愚弄了。名字只是我们给的一个记号，不必过分纠结，”一个动力基金研究员在一封发给其他团队成员的邮件中这样写道，“比如，假设我们认为某个策略能很好地捕捉动量带来的收益。要是用投资组合的数据来验证这个策略。很可能出现的情况是：一旦某个时段，资产组合的动量特征消失了，我们将遭受较大的损失。这给我们设计模型带来了一些挑战。”
1703535029
1703535030
机器反复运算着众多各式各样的策略。它会追踪过往几年交易量的变化，或者5天、10天、21天甚至63天之内波动率的变化。它会监测外汇市场上，美元兑欧元、美元兑日元的变化。它同时也会实时观测国债收益率以及纽交所股票的最高价和最低价。计算机输出的信号指令可能会让人头晕。例如某一条指令是“过去63天内配对组合相关性矩阵的最大奇异值”。
1703535031
1703535032
但是这些交易机器依然没有实盘交易。在测试期间，动力基金的交易策略的损失比收益要多出一大截（尽管并不是真实资金），这让拉多普洛斯感到十分困惑。
1703535033
1703535034
动力基金发现股票的交易环节远比发现市场信号要复杂太多。公司不得不仔细估计他们的报价单对股票价格的冲击大小。冲击成本的问题对动力基金的投资标的尤其的明显，因为小盘股平常的购买量比较低。一笔购买几千股士丹利家具的报价单都可能引起股价的快速跳跃（原因很可能是动力基金的报价单被其他人工智能机器人的订单嗅探算法捕捉到了）。动力基金的机器在股价瞬间跳高之后仍然不停买入，这笔交易最后很可能赔钱。
1703535035
1703535036
换句话说，即使动力基金的交易信号是正确的，他们糟糕的订单执行能力也会使策略最终赔钱。拉多普洛斯太过于低估人工智能机器人猎捕交易订单的能力了，这些机器人抢在他的订单执行之前，抬高了股价。
1703535037
1703535038
随着2011年夏季一天天过去，动力基金离打造出一个人工智能掘金者的梦想渐行渐远。策略始终无法盈利，数据也很难被有效利用。一些公司内部人士已经开始质疑：拉多普洛斯是否真实知道他正在做什么。他们认为研发团队的这个负责人过于相信机器学习，而忽视了量化交易的基本原则——人的影响。拉多普洛斯则反驳道：“人为地干预人工智能算法，只会让情况变得更加复杂且无意义。这是不明智的。”
1703535039
1703535040
动力基金研究员也经常在争论一个问题：何时关闭交易机器？
1703535041
1703535042
答案是：永不关闭机器。因为“交易机器是完美的”。
1703535043
1703535044
“我们不打算终止交易，”2011年夏天，一封动力基金的内部邮件这样提道，“我们需要每天都进行交易，除非我们遇到了严重的损失。当机器处于良好的状态时，就需要用风险管理措施来束缚它。”
1703535045
1703535046
这几乎已经是一种信仰——机器的力量高于其他任何一切。机器知道所有的事情。
1703535047
1703535048
要相信机器。
1703535049
1703535050
另一个争论的焦点是：应该采用“基于规则”的交易策略——交易模型中的参数采用静态直接的固定参数法，还是应该采用机器学习的方法——动态变化且灵活的方法，利用计算机实时学习更新交易参数。
1703535051
1703535052
理论上，后者让交易策略更能够适应不断变化的市场状况。交易机器里包含了所有可能的交易策略。“我们要测试的并不是策略在不同时间段内的表现，而是算法适应市场环境变化的能力。”一封动力基金公司的邮件如是说。
1703535053
1703535054
但是，要是机器莫名其妙地开始追逐泡沫了呢？市场出现泡沫时，很可能会诱发交易机器开始买入定价过高的股票。
1703535055
1703535056
不用担心。机器知道这一切。
1703535057
1703535058
“虽然测试结果表明机器学习算法给出的信号确实与泡沫有一定关系，但是，我认为这类问题不太可能是机器学习算法引起的。”动力基金的邮件内容鼓励道：“在设计策略时，我们很容易无意地将交易规则与一些泡沫因素联系在一起。不管怎样，在使用机器学习算法时，我们需要经常更新数据集合，然后重新训练算法……总之，采用简单的评估机制来测试动态策略时，我们需要格外谨慎。”
1703535059
1703535060
无论如何，最大的问题还是机器无法挣钱。所以，由“犀利飞客”领导的这支团队在不停地改进交易系统，输入越来越多的数据。
1703535061
1703535062
不幸的是，机器辜负了团队成员们的信任。2011年8月，动力基金董事会解散了拉多普洛斯的研究团队。
[
上一页 ]
[ :1.703535013e+09 ]
[
下一页 ]