AQR押注机器学习 阿斯内斯成为人工智能信徒——彭博社

克里夫·阿斯内斯摄影师：乔·巴格莱维奇/彭博社华尔街传统量化金融的标杆人物克里夫·阿斯内斯，曾对机器学习能否在AQR资本管理公司掀起波澜持怀疑态度。

然而在这位AQR联合创始人发出技术潜力警告七年后，情况已截然不同。该公司正为两种机器学习策略募集外部资金，如今这类人工智能技术为其旗舰多策略基金提供了约五分之一的交易信号。

这一转变堪称惊人。阿斯内斯凭借价值投资等经典规则化证券选择方法——这些基于数十年学术研究验证的经济原理——将公司打造成规模1280亿美元的巨头。但机器学习技术通过发掘缺乏直接经济逻辑的潜在盈利交易思路，正在颠覆传统量化方法。

在发现计算工具能使选股模型更智能灵活后，阿斯内斯及其高层团队已成为信徒——这也在系统化资金管理的关键领域引发了新的争议。

布莱恩·凯利来源：AQR“有时你可能会在市场数据中发现可靠的模式，却无法从经济学角度充分解释这些模式存在的原因，”机器学习部门负责人布莱恩·凯利在AQR位于康涅狄格州格林威治的总部接受采访时表示，“如果仅因不理解信号为何有效就放弃那些具有可靠预测性的信号，我认为这是伪科学——更无疑是糟糕的资产管理。”

凯利的同事托比亚斯·莫斯科维茨指出，机器学习方法通过使这家系统化投资公司能更灵活快速地整合最新研究成果，从而提升业绩表现。虽然这项技术尚处早期阶段，但在今年关税引发的市场波动中已初见成效。

据知情人士透露，AQR旗下规模34亿美元的多策略旗舰基金Apex一季度上涨9%，表现优于多数同业基金（该人士因信息涉密要求匿名）。与许多对冲基金类似，受关税引发的市场动荡影响，Apex基金在4月22日前当月已下跌2.8%。这家量化机构在2023年推出聚焦机器学习的图灵股票策略和图灵宏观策略后，于今年初开始为外部资本运作这些策略。

AQR的转型是人工智能热潮席卷资产管理领域的最新例证。桥水基金去年就推出了20亿美元规模的AI基金，该机构近期表示该基金已创造出独特的阿尔法收益来源（即超额收益）。

人工智能的拥抱发生在疫情前几年经典多因子量化交易表现不佳的艰难时期，这给AQR等机构带来了打击。根据阿斯内斯自己的说法，市场效率有所下降，部分原因是社交媒体助长了投资者的从众行为。

虽然这一点尚无定论，但有一件事是确定的：人们对这项技术在当今市场中的潜力越来越有信心。在日常交易中，AQR正在使用机器学习来解析收益电话会议记录等非结构化数据，并为决定是否买入或卖出资产的交易信号分配权重。

AQR负责人莫斯科维茨表示，这些由人工智能增强的新模型特别擅长对各种不断变化的数据点做出反应，比如交易成本、市场相关性和交易条件。

“我一直对把握因子时机和其他事情持怀疑态度，”他说，指的是预测每个因子何时表现良好的做法——阿斯内斯曾称这种做法为“罪过”。“我现在相信我们可以做到一点点。”

AQR的传统与这个新奇的世界截然不同。阿斯内斯在诺贝尔奖得主、芝加哥大学的尤金·法玛指导下攻读博士学位，法玛在20世纪90年代初用线性回归建立了经典的三因子模型。

“老实说，人工智能让我们在某种程度上偏离了一些我们过去讨论的传统东西，这让我感到不舒服，”阿斯内斯说去年12月在彭博电视台上表示。“我可能让公司在这一点上放慢了一两年。”

要理解两者的区别：传统量化分析师和经济学家通常采用线性方法。简而言之，这种方法试图将股票预测简化为几条简单规则（即所谓因子），例如估值倍数较低的公司长期表现更优。相比之下，机器学习模型则致力于识别更复杂的模式，比如估值倍数如何与众多其他市场变量相互作用来预测股票表现。

新旧方法各有利弊。前者易于解释和理解，但可能忽略现实世界的真实样貌及实际运作中的微妙之处。例如，基于线性模型训练的系统永远无法学会准确识别照片中的人脸或创作歌曲。

反观机器学习，它可能发现仅存在于特定历史数据集中的虚假模式——从而导致预测未来失败。量化分析师称之为"过拟合"。这在金融领域尤为棘手，因为证券数据噪声更多且更有限，尤其对那些每月才交易一次的投资策略而言。

复杂系统

近年来，2018年加入AQR的耶鲁大学经济学家布莱恩·凯利率先指出这些担忧被夸大了。他在合著的论文《回报预测中复杂性的价值》中更进一步颠覆传统认知，主张模型越复杂，预测股票收益的能力可能越强。

这一切都引发了争议。

牛津曼量化金融研究所的三位学者在最近一篇论文中警告称，鉴于金融数据的噪音特性，模型复杂度增加可能导致表现更差。

合著者、牛津大学教授阿尔瓦罗·卡蒂亚表示：“在现实应用中，复杂度的提升终将到达收益递减的临界点。虽然无人能预知转折点何时出现，但我们认为重金投入基础设施的机构理应拥有更远的临界阈值。”

AQR资本管理公司的凯利指出，最新计算技术能有效解决过拟合问题。

“机器学习方法对过拟合成本的控制非常出色，其风险程度已远低于我们既往认知。“他解释道，“而欠拟合成本在业内长期未被充分重视。”

不过凯利坦言AQR不会完全转型为纯机器学习机构，公司仍坚持将经济学原理嵌入算法框架，而非放任算法自由发挥。对于看似有利可图但缺乏合理解释的交易信号，其纳入门槛会更高，持续探究信号背后的逻辑依然至关重要。

谈及经济学与人工智能的融合比例时，他表示：“五五开的稳态配置是否合理？我认为这个目标可行。当前达标了吗？尚未。未来几年能实现吗？毫无疑问。”