尧图网站建设 
【热点聚焦AI投资访谈干货多】为大家推荐一篇Ben Wellington的访谈内容极具价值对AI投研、AI投资有着独到见解。Ben Wellington是全球顶级量化基金Two Sigma的特征引擎负责人。此次是用AlphaEngine对视频进行摘要总结后逐段学习的主要内容涵盖量化投资中Alpha的三大来源、AI是每个人“独特能力的放大器”、Two Sigma当前的重要研究方向——Idiosyncrasy at Scale、AI时代投资人才的新标准等。【问题1量化投资中Alpha的三大来源是什么】AI投资的Alpha主要有三大来源。第一是数据层即获取其他机构没有的另类数据像用卫星图像数据分析沃尔玛停车场车位占用情况、用信用卡数据跟踪销售公司当季营收、用招聘JD跟踪公司扩产节奏等。第二是特征层即从相同的数据中提炼出别家机构没有的独特特征例如从上市公司业绩交流会中通过语音识别技术提取出公司高管回避型回答的次数、答非所问的次数等。第三是预测层即基于相同的数据和特征通过新的机器学习算法提取出更多的有效预测信息如从传统的线性回归预测法升级到GBDT捕捉因子与收益的非线性关系。【问题2三大Alpha来源中哪个更重要】数据层固然重要但其权重在逐年下降。过去15 - 20年数据大幅商品化Two Sigma是第一批要求数据供应商进行全市场标的覆盖的数据买家承担了市场教育的作用那时数据优势的相对权重很大。相比之下特征层的权重最大。把同样的数据用巧妙、独特的方式转化为特征是最大的Alpha来源。一个好的特征背后往往蕴含着经济意义和投资直觉比如“上市公司的财报披露时间”就是个有价值的特征尤其是看一家公司是否选择在周五盘后才发出新闻稿。特征的背后本质是源于人的创造力。Ben以“分析师”作为研究对象举了个例子要研究“分析师”和“目标公司股价”之间的关系不能只看“分析师评级”这一个特征Two Sigma还会关注分析师是否与被覆盖公司CEO毕业自同一所高校。单个特征的有效性也许十分微弱比如胜率是50.001%但提出200个类似的问题生成200个角度各异的特征后聚合效应非常显著。预测层也非常重要Two Sigma专门设立了Techniques团队研究机器学习算法如何发挥最大效用。【问题3如何从高度商品化的数据中构思出别人没发现的特征】Ben的回答很直接靠持续性和科学方法而非算力堆砌。首先所有因子都要经过人工先验筛选像分析师身高、瞳色这类明显低先验的指标不值得花时间反而会引入噪音。所以一个好的特征往往会受到一些灵感的启发Ben总结了一些有价值的灵感来源。第一个灵感来源是学术研究成果比如有论文通过分析师的社交发帖推断其是否有子女再以此预测其选股能力。第二个灵感来源是培养一支具备认知多样性的团队Two Sigma的研究团队包含物理学家、数学家、计算机科学家等因为背景不同大家思考问题的方式也不同往往能碰撞出有价值的特征。第三个灵感来源是从现实个案出发做泛化比如当看到“某地火车脱轨导致某股下跌”这样的新闻立刻思考能否抽象成通用特征覆盖全市场的所有公司并回溯十年进行回测。【问题4共线性为何是特征的坟墓】特征挖掘的一个难点在于团队可能产出成百上千个看似独立有效、实则高度共线的信号。在因子挖掘中有些看似是“低垂的果实”实则毫无价值。比如“新闻情绪因子”很多时候只是在跟踪财报发布后的新闻报告这些新闻本质上只是一个“脏版的盈利数据”而已没有带来任何新信息。在Two Sigma建模团队设有明确的正交性阈值新特征只有达标后才会纳入因子库。此外每个特征都有其内在的预测周期而预测周期取决于其经济传导路径。比如沃尔玛的客流数据不可能在5秒内被市场定价它必须经由同店销售数据披露等渠道传导周期是数月级别。因此不同特征有不同的“入市路径”这决定了它的预测周期。【问题5LLM对新想法的探索成本有何影响】过去若要检验“CEO财报电话会上眨眼频率”这类另类特征需要专门的计算机视觉团队投入半年时间ROI太低。即便直觉上认为这个特征可能有价值也只能先搁置它去做一些先验价值更高的研究。现在借助LLM进行分析新特征的研究成本急剧下降决策天平被彻底改写。这相当于把科学家的实验预算变成无限不必再为“造一台粒子对撞机”发愁实现难度不再是思维的约束条件。如果现在案头堆积着2000个没来得及深入研究的特征想法在AI时代这就是一座金矿。【问题6为何说AI是每个人“独特能力的放大器”】Ben认为AI投研工具的核心风险在于“降低投资决策输出的熵”。自动化对标准生产流程如纸箱制造是好事但投资组合的超额收益恰恰依赖正交性与原创性。如果给所有人一个“一键决策”的按钮产出投资决策的速度虽然很快但会高度同质化这对于投资组合而言是很危险的。正确的方法是把AI定位成每个投研人员独特研究能力的放大器而非替代品。通过上下文、Skill等机制AI可以理解使用者各自的背景和思考问题的方式这使得不同分析师面对同一个问题仍能得出不同的答案。【问题7为何不要坐等技术成熟而要勇于碰壁】AI发展速度非常陡峭业内流传着“只要我学得足够慢就不用学了”这样一句话。Ben建议投资者千万不要对AI抱有这样的想法不要因为等待技术成熟而放弃硬碰难题。首先撞墙本身有价值亲手体验“技术还做不到”的边界等于拿手电筒照清了挡路的那面墙。否则当新工具出现时根本不知道该往哪儿用只能临时去找墙那就太晚了。正因为反复撞了半年墙新技术一出现立刻知道它能解决什么。在量化投资这种竞争极度激烈的市场12到18个月就是永恒。等待AI技术成熟或许可以省下工程上的折腾但抢先成为市场上唯一采用某种方法的人信号的有效性和影响力会大得多。因此只要判断自己处于领先位置就应该把研究范围推到AI当前能力的边界之外趁市场还没跟上时充分利用这段窗口期来获取Alpha。【问题8AI如何让“规模化特异性”成为可能】Ben在访谈中提出了“规模化的特异性”idiosyncrasy at scale这个说法。直觉上只能覆盖一家公司的因子远不如能覆盖一百家的因子诱人。但是AI打开了一种独特能力使得投资者可以深挖某家公司极其特殊的细节构建高度个性化的特征同时又能把这类特征的“范式”泛化到其他公司。AI的推理路径可以完全因公司而异落点却是可归纳的统一问题比如“公司对未来的销售展望如何”。这本质上是主观投资者的优势所在主观投资者依靠对标的公司的深度认知可以捕捉到那些不会出现在财务报表里独特特征。这是当下Two Sigma最重要的研究方向即让AI深入到公司层面里那些个性化、难以建模的角落然后用AI将这些特异性进行规模化。【问题9未来投资人才的标准是什么】以Two Sigma为例Ben给出了AI时代人才的标准。首先要熟悉AI的能力边界。过去那种“别人告诉你做什么、你能做得又快又好”的人附加价值正在下降因为AI也能干而且会更快更好。真正升值的是指挥AI做什么的能力而要做到这点必须清晰地了解AI的能力边界以及与AI的有效交互方式。其次要把AI当成放大器而非替代者。成功需要同时做到与众不同正交性 规模化优秀的分析师应该通过AI把自己独有的知识和视角规模化放大。未来的世界执行会越来越廉价最终决胜的是想法本身。如何更有效、更有创造性地用AI工具达成目标这才是能长期产生复利的技能。那么你认为自己符合AI时代投资人才的标准吗 AI时代投资新趋势：Ben Wellington谈量化投资Alpha来源与人才标准
【热点聚焦AI投资访谈干货多】为大家推荐一篇Ben Wellington的访谈内容极具价值对AI投研、AI投资有着独到见解。Ben Wellington是全球顶级量化基金Two Sigma的特征引擎负责人。此次是用AlphaEngine对视频进行摘要总结后逐段学习的主要内容涵盖量化投资中Alpha的三大来源、AI是每个人“独特能力的放大器”、Two Sigma当前的重要研究方向——Idiosyncrasy at Scale、AI时代投资人才的新标准等。【问题1量化投资中Alpha的三大来源是什么】AI投资的Alpha主要有三大来源。第一是数据层即获取其他机构没有的另类数据像用卫星图像数据分析沃尔玛停车场车位占用情况、用信用卡数据跟踪销售公司当季营收、用招聘JD跟踪公司扩产节奏等。第二是特征层即从相同的数据中提炼出别家机构没有的独特特征例如从上市公司业绩交流会中通过语音识别技术提取出公司高管回避型回答的次数、答非所问的次数等。第三是预测层即基于相同的数据和特征通过新的机器学习算法提取出更多的有效预测信息如从传统的线性回归预测法升级到GBDT捕捉因子与收益的非线性关系。【问题2三大Alpha来源中哪个更重要】数据层固然重要但其权重在逐年下降。过去15 - 20年数据大幅商品化Two Sigma是第一批要求数据供应商进行全市场标的覆盖的数据买家承担了市场教育的作用那时数据优势的相对权重很大。相比之下特征层的权重最大。把同样的数据用巧妙、独特的方式转化为特征是最大的Alpha来源。一个好的特征背后往往蕴含着经济意义和投资直觉比如“上市公司的财报披露时间”就是个有价值的特征尤其是看一家公司是否选择在周五盘后才发出新闻稿。特征的背后本质是源于人的创造力。Ben以“分析师”作为研究对象举了个例子要研究“分析师”和“目标公司股价”之间的关系不能只看“分析师评级”这一个特征Two Sigma还会关注分析师是否与被覆盖公司CEO毕业自同一所高校。单个特征的有效性也许十分微弱比如胜率是50.001%但提出200个类似的问题生成200个角度各异的特征后聚合效应非常显著。预测层也非常重要Two Sigma专门设立了Techniques团队研究机器学习算法如何发挥最大效用。【问题3如何从高度商品化的数据中构思出别人没发现的特征】Ben的回答很直接靠持续性和科学方法而非算力堆砌。首先所有因子都要经过人工先验筛选像分析师身高、瞳色这类明显低先验的指标不值得花时间反而会引入噪音。所以一个好的特征往往会受到一些灵感的启发Ben总结了一些有价值的灵感来源。第一个灵感来源是学术研究成果比如有论文通过分析师的社交发帖推断其是否有子女再以此预测其选股能力。第二个灵感来源是培养一支具备认知多样性的团队Two Sigma的研究团队包含物理学家、数学家、计算机科学家等因为背景不同大家思考问题的方式也不同往往能碰撞出有价值的特征。第三个灵感来源是从现实个案出发做泛化比如当看到“某地火车脱轨导致某股下跌”这样的新闻立刻思考能否抽象成通用特征覆盖全市场的所有公司并回溯十年进行回测。【问题4共线性为何是特征的坟墓】特征挖掘的一个难点在于团队可能产出成百上千个看似独立有效、实则高度共线的信号。在因子挖掘中有些看似是“低垂的果实”实则毫无价值。比如“新闻情绪因子”很多时候只是在跟踪财报发布后的新闻报告这些新闻本质上只是一个“脏版的盈利数据”而已没有带来任何新信息。在Two Sigma建模团队设有明确的正交性阈值新特征只有达标后才会纳入因子库。此外每个特征都有其内在的预测周期而预测周期取决于其经济传导路径。比如沃尔玛的客流数据不可能在5秒内被市场定价它必须经由同店销售数据披露等渠道传导周期是数月级别。因此不同特征有不同的“入市路径”这决定了它的预测周期。【问题5LLM对新想法的探索成本有何影响】过去若要检验“CEO财报电话会上眨眼频率”这类另类特征需要专门的计算机视觉团队投入半年时间ROI太低。即便直觉上认为这个特征可能有价值也只能先搁置它去做一些先验价值更高的研究。现在借助LLM进行分析新特征的研究成本急剧下降决策天平被彻底改写。这相当于把科学家的实验预算变成无限不必再为“造一台粒子对撞机”发愁实现难度不再是思维的约束条件。如果现在案头堆积着2000个没来得及深入研究的特征想法在AI时代这就是一座金矿。【问题6为何说AI是每个人“独特能力的放大器”】Ben认为AI投研工具的核心风险在于“降低投资决策输出的熵”。自动化对标准生产流程如纸箱制造是好事但投资组合的超额收益恰恰依赖正交性与原创性。如果给所有人一个“一键决策”的按钮产出投资决策的速度虽然很快但会高度同质化这对于投资组合而言是很危险的。正确的方法是把AI定位成每个投研人员独特研究能力的放大器而非替代品。通过上下文、Skill等机制AI可以理解使用者各自的背景和思考问题的方式这使得不同分析师面对同一个问题仍能得出不同的答案。【问题7为何不要坐等技术成熟而要勇于碰壁】AI发展速度非常陡峭业内流传着“只要我学得足够慢就不用学了”这样一句话。Ben建议投资者千万不要对AI抱有这样的想法不要因为等待技术成熟而放弃硬碰难题。首先撞墙本身有价值亲手体验“技术还做不到”的边界等于拿手电筒照清了挡路的那面墙。否则当新工具出现时根本不知道该往哪儿用只能临时去找墙那就太晚了。正因为反复撞了半年墙新技术一出现立刻知道它能解决什么。在量化投资这种竞争极度激烈的市场12到18个月就是永恒。等待AI技术成熟或许可以省下工程上的折腾但抢先成为市场上唯一采用某种方法的人信号的有效性和影响力会大得多。因此只要判断自己处于领先位置就应该把研究范围推到AI当前能力的边界之外趁市场还没跟上时充分利用这段窗口期来获取Alpha。【问题8AI如何让“规模化特异性”成为可能】Ben在访谈中提出了“规模化的特异性”idiosyncrasy at scale这个说法。直觉上只能覆盖一家公司的因子远不如能覆盖一百家的因子诱人。但是AI打开了一种独特能力使得投资者可以深挖某家公司极其特殊的细节构建高度个性化的特征同时又能把这类特征的“范式”泛化到其他公司。AI的推理路径可以完全因公司而异落点却是可归纳的统一问题比如“公司对未来的销售展望如何”。这本质上是主观投资者的优势所在主观投资者依靠对标的公司的深度认知可以捕捉到那些不会出现在财务报表里独特特征。这是当下Two Sigma最重要的研究方向即让AI深入到公司层面里那些个性化、难以建模的角落然后用AI将这些特异性进行规模化。【问题9未来投资人才的标准是什么】以Two Sigma为例Ben给出了AI时代人才的标准。首先要熟悉AI的能力边界。过去那种“别人告诉你做什么、你能做得又快又好”的人附加价值正在下降因为AI也能干而且会更快更好。真正升值的是指挥AI做什么的能力而要做到这点必须清晰地了解AI的能力边界以及与AI的有效交互方式。其次要把AI当成放大器而非替代者。成功需要同时做到与众不同正交性 规模化优秀的分析师应该通过AI把自己独有的知识和视角规模化放大。未来的世界执行会越来越廉价最终决胜的是想法本身。如何更有效、更有创造性地用AI工具达成目标这才是能长期产生复利的技能。那么你认为自己符合AI时代投资人才的标准吗