人工智能挑选股票的限制

运用人工智能在股巿赚取利润，一直是金融业界的终极目标。不少业内人士曾作多番尝试，亦取得不同程度的成功。就以全球最大的环球资产管理公司贝莱德（BlackRock）为例，较早前曾表示其人工智能算法持续击败由投资管理顾问及专家所管理的投资组合。然而，香港中文大学（中大）最近发表的研究显示，机器学习的有效性或许值得三思。

这项研究题为《从预测股票收益审视经济约束对机器学习的影响》，针对大量1987至2017年间的美国股巿交易数据作深入分析。研究人员使用了三种成熟的深度学习方法，成功获得每月高达0.75%至1.87%的价值加权及风险调整后收益，反映机器学习在赚取投资回报方面十分成功。然而，研究人员亦发现，如果限制这些机器学习算法只能选择相对容易交易和交易成本低的股票时，投资回报便会随之下降。

 

中大商学院金融学系助理教授程斯是合著这份研究论文的作者之一，她表示：“我们发现，如果考虑实证金融学中常用的经济约束条件，比如剔除微型市值股票及陷入财务困境的企业，将会大大削弱深度学习方法对股票收益的可预测性。”

显著降低的回报

程教授联同IDC Herzliya的Doron Avramov教授和耶路撒冷希伯来大学博士生Lior Metzker携手进行这项研究，他们发现：剔除了因为巿值太低而难于交易的微型市值股票后，投资组合回报下跌了62%；剔除了未能获得标准普尔长期发行人信用评级的股票后，回报更下跌了68%；剔除了信用评级下调陷入财务困境的不良企业后，回报甚至下跌了80%。

根据这项研究，在套利变得特别困难的时期，例如投资者情绪高涨、市场大幅波动和市场流动性低的时候，运用机器学习交易策略的回报会较丰厚。

机器学习策略的一个弊端在于交易成本较为高昂。程教授表示：“机器学习方法需要频繁交易和极高股票仓位才能发挥威力。考虑到交易成本，一般投资者较难获得投资组合的超额收益。”但她补充说，这个发现并不代表机器学习策略对所有交易者都是无利可图。

程教授继续指出：“我们发现在合理的交易成本下，所研究的机器学习方法将难以达到在统计学和经济学上实现有意义的超额收益。因此，投资者应调整自己对潜在净回报的期望。”

机器学习的未来

程教授解释：“然而，不应把我们的研究结果视为反对将机器学习技术应用于定量投资领域。相反，基于机器学习的交易策略在资产管理方面有可观的前景，例如有能力处理多种股票交易的弱信号并将其整合成有意义的讯息，从而作为制定交易策略的基础。”

此外，机器学习投资策略显示出较低的下行风险，并且在经济危机时仍继续产生正收益。这项研究发现，在过往多次市场大幅下滑时期，例如1987年黑色星期一（Black Monday）美国股灾、俄罗斯违约、科网股泡沫破裂以及近期的金融危机，最佳的机器学习投资方法所产生的价值加权回报每月高达3.56%（已排除微型市值股票），相比之下，同期市场回报则为负6.91%。

程教授表示，通过识别个别股票的异象（走势与传统资本市场定价理论预测背道而驰的股票）来进行交易的策略，获利能力主要来自空头仓位，而且这种策略近年已逐渐势微。然而，机器学习投资策略藉多头仓位获利的能力更高，并且在2001年后仍然行之有效。

程教授补充：“这对于实时交易、风险管理和只做多的机构特别有价值。此外，机器学习方法更趋于擅长于选股而不是采用板块轮动的策略。”她指的板块轮动是将投资组合中的资金在行业板块之间进行轮动交换，从而追赶下一轮经济周期来获利的策略。

她补充说，这是首个提供大量证据来对机器学习方法的经济价值进行的研究。

程教授指出：“我们的实证分析表明，大多数机器学习方法都面临着预测股票收益的共同挑战，即超额收益主要集中于难以套利的股票以及在套利困难的时期。因此，虽然机器学习提供了让我们加深了解资产定价的宝贵机会，但在评估各种新方法的成效时，考虑常见的经济约束条件也至关重要。在推广机器学习模型到不同的场景前，也应确认有关模型是否具备足够的外在效度。”

资料来源：

Avramov, Doron and Cheng, Si and Metzker, Lior, Machine Learning versus Economic Restrictions: Evidence from Stock Return Predictability (April 5, 2020). Available at SSRN: https://ssrn.com/abstract=3450322 or http://dx.doi.org/10.2139/ssrn.3450322