【KIBD-228】ギャルの高速騎乗位が超ヤベェ功绩远超巴菲特和达利欧，西蒙斯若何作念量化投资

2024-08-09 08:40 点击次数：173

1【KIBD-228】ギャルの高速騎乗位が超ヤベェ

先让我再一次援用恩格斯这段盛名的“协力论”——

“……有无数相互交错的力量，有无数个力的平行四边形，而由此就产生出一个协力，即历史事变，这个结果又不错看作一个算作合座的、不自愿地和不自主地起着述用的力量的产物。因为任何一个东谈主的愿望皆会受到任何另一个东谈主的妨碍，而临了出现的结果就是谁皆莫得但愿过的事物……”

我在一篇著作里写过，来回与鼎新皆是这种“谁皆莫得但愿过的事物”。目下这篇触及投资、数学、东谈主工智能、机器学习，你会发现，它们亦然。中枢等于，影响东谈主的采用以及事物变化的因素太多了，况且这些因素之间还无间地相互反馈轮回作用，这使得你简直不可能着实准确地估量其走向；所谓对的估量，绝大多数只是运谈够好，剩下的，则是估量的模子在一段时期内因为收拢了最蹙迫的几个变量而显得相对得手，但你的得手反过来依然改革了通盘变量（包括那些你莫得纳入模子的变量）偏激作用方法和相互关系，因而时期再拉长一丝，惟一你陷在得手的模子里（东谈主性决定了你很难不陷在内部），你一定会撞墙。

计较机尤其是深度学习，让数据的高维建模变得现实了视觉中国图

恩格斯的“协力论”虽然大体沿用了19世纪略显僵硬的形而上学言语，但20和21世纪最前沿的数学赓续，比如非线性偏微分方程，比如高维拓扑流形，再比如它们当下的执行应用——机器深度学习，究其本色，无非是用更科学和严格的方法，重写了“协力论”——所谓“无数个力的平行四边形”，无非当代数学中向量和向量丛的二维简化版已矣。

而我时常以为，东谈主们之是以对“量化投资”之类炫预备新事物一启动就抱有深深的扭曲，其根本便在于对着实的当代数学，包括以当代数学言语重写的恩格斯“协力论”齐集太浅显。

以下是我在知乎上读到的一位“专科东谈主士”（个东谈主标签是“算法想象东谈主工智能”），基于（对大数据和本事分析的）陈腐之见，对量化投资所作的终点典型的一种“误读”：

“基同意趣，短线、高频商业，即所谓的‘见利就走’。所谓的‘见利’是基于估量模子的‘及时机器学习’模子，对某个操作对象的价钱数据及时监测进行序列价钱弧线拟合，得到估量弧线y=f(t)和短处概率P(t)，其中t为估量未出现序列号，y为该序列号时的价钱，计较机把柄跟定的但愿收获值（此时的买进价和估量卖出价的差值），要领化自动下单。因此，西蒙斯量化模子十足不接洽外部条件（x1，x2，x3……xn）对价钱的影响，只和蔼价钱变化，快速买进卖出作念高频短线商业，虽然每单收获很小，但保证高频收获的前提下，取得最大收获概率Max[P(t)]。”

这种误读的关节，正在于劝诫让他难以高出低维度的视线，将数据偏激建模只是视作“弧线”以及弧线与数据之间的精真金不怕火“拟合”。而事实上，咱们知谈，以詹姆斯·西蒙斯在微分几何范围的数学配置，以文艺回报科技公司所集结的那数百位顶级的数学家、物理学家、天文体家、生物学家对着实前沿的数学的齐集，这里出现的模子起码应该是“曲面”，更大可能则是自便维度的拓扑流形。

文艺回报的模子为什么如斯玄妙？为什么于今莫得离开的东谈主能着实“泄密”？除了用东谈主契约中严格的隐蔽条件（其实我以为其中高深莫测的因素居多），更大的可能，在于它根底儿很难被泄密，打开了让你抄，你也不会抄。正如文艺回报的高管们所深刻的，连他们我方皆无法确凿地知谈公司为什么会收获，为什么会亏钱。用非线性偏微分方程处理数据+高维拓扑流形建模+机器深度学习，其中每相通皆是高度流动、自组织演化的，并莫得一个不错让你径直抄下来用的方程或图表。终点是机器深度学习，其基于海量历史数据的高维模子（想想弦论中的六维卡拉比-丘流形），遍地随时皆在无间自我修正、深化、变形和涌现中，你抄什么？抄一个切片有什么用？

量化的高维建模与常见的统计学建模的最大区别，我以为在于统计学更多接洽的不是算作原因的变量偏激相互作用，而是最闭幕果的概率散布，因此统计学模子概况在表面上终点有劲，却不见得有若干执行价值——你按照统计学散布去投资，很可能会踩坑，因为统计学散布是多数结果的轮廓效应，而你的每一次投资却是一个当下的、高度不细主见一次性事件；按统计学散布去作念，总体上虽然有较高的收获概率，但你很可能莫得充足的成本，在统计学效应充足显赫过去，你就输光了。

而高维流形建模并不是只是基于概率，而是基于对多数可能关联的变量的鉴别、筛选与测试，与统计学模子的“过后特征”不同的是，它十足是即时反应型的，时刻在（自动）维持模子中变量的特色、数目与相互关系。在东谈主力计较时间，这天然诟谇常清贫以至不切执行的事情——绝大多数多变量的非线性偏微分方程，在数学上是极难以致无法求解的，数学家们在这些范围的中枢使命，早已从求解酿成了估值，以致不是对解自身估值，而只是对可能有若干个解进行界限估值。然则计较机尤其是深度学习，让数据的高维建模变得现实了。计较机的高速数据处聪敏力，使其能在无数变量中进出自如，对这些变量偏激关系进行多数的筛选、评估和运算；而深度学习使得计较机能够在东谈主的脑力十足莫得智力处理的层面上，通过多数的比对、拟合、回测，来自动建模、运转和改进。

同城约炮

高维模子不是针对大数据画图一目了然的统计学弧线（如咱们在股市K线图之类“本事分析”中常见的），而是针对无限的局部少许据构建无数极其复杂的、高度流动性的拓扑流形——事实上，早在19世纪中世，一度担任过罗斯柴尔德家眷掌门东谈主私东谈主通告的法国管帐师亨利·勒菲弗，就一语谈出了其中的关节：“套利行动是往常代数的景仰应用，而投契行动则需乞助于几何学，因为无法仅单独使用算术、代数或精真金不怕火言语就能将这些商业组书籍合明晰。”只不外今天数学家们对几何，终点是高维的拓扑几何和代数几何的齐集，依然远远高出了勒菲弗阿谁时间的数学水平。

举个不那么准确但充足无为的例子。比如石油价钱的涨跌，在简化模子的时间，频频会出于想考和计较的效劳接洽，被设定为几个主要因素的作用，比如欧佩克限售、好意思国探明的页岩储量又有增多、中亚的某条输油管因为民族突破而被截断……你轮廓接洽这几个看上去很蹙迫的变量，采用性漠视其他可能但不那么蹙迫的变量，然后比对历史上近似情况下发生的价钱波动，从而建立一个模子，去估量其价钱走势。时下比拟流行的因子投资，其所使用的多因子模子，其实就是这么通过一系列本事技巧筛选出3~5个被认为是关节性的变量，围绕它们建模以测定钞票的预期收益率。而在（着实的）机器主导的量化投资中，被接洽的变量可能暴增千百倍，那几个变量概况依然是最蹙迫的，然则不那么蹙迫的也不会被删除，只是占的权重稍低已矣。

更有甚者，咱们还应该进一步利用计较机的纷乱算力和客不雅性，去发掘更多咱们可能十足没成心志到在起作用的变量，因为咱们对事物的解析势必被偏见与情感等主不雅因素所极大局限，计较机的“非东谈主性”偶合不错用来“对冲”这一“东谈主性的，太东谈主性的”根本颓势，从而大大扩张咱们的视线。

而目下国内主流的量化投资机构，似乎主要如故靠策略斥地东谈主员个东谈主去挖掘因子、维持模子参数，不错说从根本上偏离了量化投资的中枢要旨——利用计较机捕捉东谈主类因受限于眼界、防范力、反应速率等因素而无力捕捉的信息，从而收拢——简直是用之不断但极其轻微的——瞬时契机。着实的计较机量化模子势必不是一个或几个“策略”（虽然这好像是咱们目下拿起量化时的表面禅），而是东谈主根本无从察觉更无法去主动建立的无数局部小模子的高度灵活的组合。这就是为什么在量化投资中，“要领化”远远要比“数目化”或“数据化”更根本，只不外这里的“要领”也不是往常的“要领猿”写得出来的——若是码农就能写，文艺回报还招汗牛充栋的顶级科学家干吗？

任一事件，皆是无数变量作用与相互作用的结果，纳入尽可能多的变量来建立高维模子，利用当代数学在比如高维流形向量丛上的效劳，来建立从前难以想象的复杂空间，以基于微分几何、几何分析等前沿数学的一系列本事器具，对其合座与局部的形态和度量加以把抓，才能使数据的内在丰富性和相互关联性得到深度挖掘。

况且高维模子在判断当下方位的时候，并不是在精真金不怕火地（也就是说粗陋地）拟合和比对历史与现实两条宏不雅弧线，而是在近似极小曲面这么最微不雅的层面上，对海量的历史数据中具有相似性的多变量作用模式进行筛选和匹配，作念极为精细和即时性的具体对比。因此着实的高维模子恰恰不作念估量，只作念当下的高度生动性的即时应答——正如纳特·西尔弗所说：“咱们要罢手对事物进行估量的作念法，况且承认咱们的预言有问题。咱们可爱对事物作念出估量，而咱们的预言却老是出错。”量化投资之是以景仰高频极短线商业，除了通过放大商业量来进步总收益，另一个，我以为亦然更蹙迫的原因就怕就在这里——靠近根本的不细目性，反应聪敏的即时应答比中长久估量要“科学”得多。

估量一般只对中万古段有用。比如所谓“分久必合，合久必分”，就是通过不雅察数个为期两三百年的万古段而作出的估量。而长度约为50~80年的康德拉季耶夫长周期，不错视为典型的中时段，其波动周期性也具有一定的估量功能。然则通盘这些估量对短时段皆无效，因为短时段上的事物处于类布朗剖析中，尚未体现出统计学特征，即便你能计较出关联的概率，执行的指挥景仰也极为有限。

咱们皆知谈比如一个中国古代王朝的人命周期约莫是两三百年，是以在万古段上不错把柄咱们身处的时期点，大致估量今后蓬勃或调谢的走向。然则开元初年的东谈主赫然不可能估量到安史之乱正在蓬勃重生的高潮中大踏步走来。东谈主最容易犯的舛错之一，是将估量的功能扩大化，试图将只对中万古段有用的估量技巧强行应用于短时段以至当下。执行上，当下之事只可竭尽灵活之能事地加以具体应答，而不可基于先入之见的估量接受行动——这是绝大多数股民是韭菜的“科学原因”（天然，韭菜之为韭菜还有其“政事经济学原因”，在此不触及）。

基于高维流形的东谈主工智能——目下的机器深度学习是其很低级的形态——关节就是最大结果地缩减了固有模子的估量惯性，相悖，模子自身在数据环境下物换星移皆在进行自反馈、自符合乃至自涌现。

天然，对于降服标志主义阶梯的东谈主，这一丝是很难接受的，是以他们天然会膺惩机器深度学习只是“黑箱”。关联词着实的高维智能对东谈主来说势必是无法齐集的“黑箱”，因为它势必远远高出于东谈主脑的数据处聪敏力，并进而远远高出于东谈主的感知和想维智力。这个质疑执行上恰恰应该反过来，算作对高度推崇的东谈主工智能的判准，即通盘未能呈现出“黑箱”特征的东谈主工智能，根本算不上着实的东谈主工智能。