AQR"难以置信"研究引发量化界对AI应用的激烈争论——彭博社

华尔街的量化分析师与顶尖金融学者正在激烈争论，人工智能是否颠覆了系统化投资的核心原则之一。

量化交易员长期认为，基于数据分析制定的规则策略模型若过于复杂，其有效性会降低。这是因为过度复杂的模型会吸收过多失真噪音——这些噪音本就是预测市场如此困难的根本原因。

但AQR资本管理公司一位研究者的论文引发了强烈反对，该研究声称：更大更复杂的模型非但不是负担，反而可能在金融领域具有优势。这篇题为《回报预测中复杂性的优势》的论文显示，基于超1万个参数和仅一年数据训练的美股交易策略，表现优于简单的买入持有基准。

布莱恩·凯利来源：AQR"偏好小型简约模型的想法是一种后天偏见，“AQR机器学习主管、论文三位作者之一的布莱恩·凯利表示，“我们日常使用的大型语言模型之所以取得革命性成功，正是源于这种超大规模参数化的推动。”

自去年这篇论文发表在权威的《金融杂志》以来，不仅在量化行业同行中，也在相关学术界引发了激烈辩论。

至少六篇论文，包括来自牛津大学和斯坦福大学学者的研究，现已对其结论提出质疑。部分学者认为《复杂性之德》研究的设计存在缺陷，使其对实际交易缺乏参考价值。另一些人则指出，该研究的前沿性远不如表面呈现的那样。（凯利随后撰写了一篇辩护文章。）

其中最著名的批评者之一是芝加哥大学金融学教授斯特凡·纳格尔——这所大学正是AQR两位创始人的母校，也是该公司原始投资理念的诞生地。他的第一反应是？“我发现这些结果令人难以置信”，他表示。

在深入研究《复杂性之德》的细节后，纳格尔得出结论：由于该模型仅分析12个月的数据，它只是在复制近期有效的信号。换言之，它遵循的是一种动量策略——这是种成熟的交易方法。

“并非这种方法从数据中发现了有效规律”，纳格尔说，“而是他们隐含地采用了机械化操作，而这种机械操作恰好因运气取得了好效果。”

斯特凡·纳格尔斯坦福大学经济学家乔纳森·伯克是最早且最激烈的《复杂性之德》论文批评者之一，他复杂性之德该论文“几乎无用”，因为它旨在做出的预测无法揭示资产回报的驱动因素。斯德哥尔摩商学院的丹尼尔·邦西奇指出该研究为得出结论做出了一些明显错误的设计选择。

这篇与瑞士洛桑联邦理工学院塞米昂·马拉穆德及耶鲁大学周康颖合著的复杂性之德论文之所以引发争议，是因为它挑战了关于预测金融市场的长期固有假设。

尽管现代人工智能能完成诸如区分图像中猫狗这样的惊人任务，但这得益于海量照片样本的学习基础，以及动物具有明确不变的特征。相比之下，股票数据天生有限（尤其对每月仅交易一次的慢速策略而言），且每支股票都可能受无数不同力量影响。

人们始终担忧过拟合问题——复杂模型会从历史数据的所有噪声中学习，而这些噪声大多在未来交易中并不适用。因此量化分析师传统上依赖相对简单的洞察，如著名的法玛-弗伦奇三因子模型（通过公司规模、估值与整体市场关系来分析回报）。

AQR本身建立在所谓的因子投资基础上，这些因子旨在长期跑赢市场。直到近年，这家管理着1460亿美元资产的机构才募集资金投入机器学习策略，并宣称并非所有交易信号都需要经济理论支撑。凯利的核心论点是传统量化模型过于简单导致欠拟合，产生低质量预测，而足够复杂的模型实际上能学会避免过度拟合。

来源：布莱恩·凯利与谢苗·马拉穆德合著《理解复杂性的价值》来源：布莱恩·凯利与谢苗·马拉穆德合著《理解复杂性的价值》必须指出，《复杂性的价值》的批评者们并非否定机器学习对金融的贡献。他们主要认为该论文的成果好得令人难以置信。

“这些方法确实有用武之地，“哈佛大学经济学教授、量化公司Arrowstreet Capital联合创始人约翰·坎贝尔表示，“但某些最引人注目的结论已受到合理质疑。”

就连加州大学伯克利分校的本·雷希特——这位2007年曾参与开发《复杂性的价值》论文所用方法的著名计算机科学家——也在其博客中表态称’炒作周期让所有人困惑’。他表示论文方法远非尖端AI技术，且对当前任务似乎并非必要。

对于在耶鲁大学任教并同时在AQR工作的凯利来说，对《复杂性的美德》论文的批评“有点空洞”，因为这些批评只关注了最终概念验证研究的狭隘方面。

“实践界明白，这些概念性方法如果以更复杂的方式实施，将会带来益处，”他说。“关于使用多少前沿机器学习方法与更传统的经济导向方法的确切理想组合——这仍然是我们正在努力理解的问题。”