觀點新聞

資產管理產業正在探索人工智慧具有的潛力以及它在提升投資決策品質上的解決方案。在演算法交易使用財務模型的方面已有數十年的歷史,而人工智慧正成為一股在資產管理業中崛起的新趨勢。不同於傳統交易演算法多建立於特定交易機會的使用上,新一代的演算法藉助了人工智慧的力量,讓演算法成為一個可以二十四小時日夜不停地參與市場交易的代理人( Independent Agents ),這是過往人類所無法企及的境界。

從狹義的角度來看,人工智慧的技術組成包含了機器學習、深度學習、自然語言處理、對話式互動系統以及各式各樣的機器人科技( Bot Technology )。資產管理業與這些技術的聯結將深化於為未來各種使用場景之中。以華夏基金與微軟為例,兩家公司也就下表之合作項目展開智能投資的研究與開發。

人工智慧讀取與理解巨量資料的能力,將為判斷趨勢與價格帶來更高的準確度,並降低投資人、基金經理人與機構法人受情緒性投資造成的負面影響。人工智慧導向的資產管理,可說是一個正在崛起的新興市場,引導資金轉往這些具有低成本以及在風險分散與報酬表現上更為優異的投資載具上。

人工智慧賦予業者完整發揮資料價值並加速核心業務發展的能力,例如:市場情緒追蹤、投資組合管理的強化以及提升後台營運的效率等等。根據ESI Thoughtlab於2017年針對全球1,503多家資產管理業相關業者的調查,目前人工智慧已落實於下列十項在公司經營與業務發展的相關場景中,該報告也同時調查了預計在五年內導入人工智慧的公司成長幅度。

上表針對全球1,503多家資產管理業相關業者調查,列出各個使用場景中,目前已導入以及未來五年預計導入人工智慧之公司比例。

透過對資料處理的效率優勢,人工智能可以在各個資產管理業務模式中加以運用,主要能表現在投資、研究及交易等方面,對於產品發行也有很大的幫助。以下我們分別針對投資端、研究端、交易端、風險管理等面向,進一步觀察目前國際上資產管理業的智能化發展趨勢以及實務上的技術結合。

人工智慧於投資端的運用
從投資層面上看,人工智能在投資研究的運用上,主要是利用大數據和機器學習,將資料轉化為資訊並進行決策的智慧整合。全球最大的資產管理公司貝萊德(BlackRock)在2017年3月28日宣佈,將裁掉超過40個主動型基金部門的員工崗位,其中包括7名投資組合經理,轉而用機器人代替,原因是人工智慧已經能夠勝任挑選股票的工作。現在一些基金的運作已經利用人工智慧做為其投資交易過程的部分甚至全部的投入。

而在投資組合管理的部分,人工智慧與機器學習等工具可被用於辨識價格波動的訊號,並且更有效的使用巨量的市場研究資料。其運作原理事實上與系統性投資方法相同,一樣是從資料中進行價格或者波動度變化的預測,在不同的投資期間中創造出具有更高報酬但低相關度的投資組合。目前業界普遍看法認為,要讓人工智慧與機器學習更有效利用的話,交易單位、量化人員與基金經理人需要更密切的合作且深度的瞭解這項新工具。

人工智慧於研究端的運用
人工智慧在執行標準化與重複性工作時的優勢,可以讓機構投資人與基金經理人將更多的時間用於策略建構與決策,降低資料處理、研究分析的準備時間,並在市場中持有更多複雜的部位。

以往投資端的分析師與研究員需要例行性地花費大量的時間於瀏覽各種資訊來源以進行資訊的蒐集與研究判讀。機器學習與自然語言處理 (NLP, Nature Language Processing) 的導入,分析師與研究人員能更快速的解析歷史交易資料以及不斷產生資料的社群媒體、圖片、空間數據以及新聞資訊,並對於預測公司營收成長的幅度進行更正確的估算。

自然語言處理是一門關於讓電腦程式具有分析與理解人類語言能力的學科,這門技術目前被廣泛應用在機器翻譯、垃圾郵件偵測以及問答系統中。透過分析人類由語音或文字所產生出的語句,並以斷詞技術 (Text Segmentation)將每句話分解為更小的單位、詞性判斷,將長度不固定的語句轉為結構化的資料型態,以利機器去理解語言的規則以及語句的意涵。

這門技術也可應用於財報資料以及研究報告的解讀,有國外研究人員就表示,自然語言技術導入後每週可以對超過40家公司進行研究分析,相較於以往每週只能研究四至五家,在質與量的表現上都有顯著的成長。

人工智慧於風險管理的運用
目前學界與業界普遍認為隨著AI的推展,模型回測與檢驗的相關方法也能跟著取得更多的進步。

已有銀行利用機器學習的方法對巨量非結構化資料 (例如圖片,影音,圖像…)或半結構化資料 (資料型態介於結構與非結構資料之間) 來強化目前所使用的模型。透過設定不同的金融條件參數,對市場行為以及趨勢的變化產生時進行各方面的考量,降低未來類似情境出現時低估風險的可能性。

許多跨國企業與投資銀行也將非監督式學習的演算法使用於模型檢驗。例如在衍生性金融商品的交易上,透過演算法進行壓力測試來偵測是否有出現異常情況。透過大量的計算,壓力測試模型協助內部資金的分配以及風險控管單位的監控。非監督式學習的演算法除了用於檢驗壓力測試模型的表現外,同樣也使用於營運風險模型在偵測網路安全漏洞的應用上。

BlackRock (貝萊德)在2000年成立了貝萊德解決方案公司 (BlackRock Solutions),開發出一個被稱作阿拉丁(Aladdin)的風險管理系統。這是個一體化的投資交易風控平臺,叫做Aladdin Platform。依照貝萊德網站上的介紹,Aladdin這個平台能將複雜的風險分析與投資組合管理和交易工具都整合在一個平台上,幫助使用者做出更明智的投資決策且提高運營效率,達到有效管理投資風險的目的。

人工智慧於交易端的運用
目前資產管理業者與證券交易商也積極在人工智慧與機器學習的領域進行研究與發展。不光只是研發上的投入,已有業者將機器學習實際應用於交易與投資策略當中。按照個案情況的不同,這些AI導向的投資策略由AI自主決策或是結合人類監督等方式來執行。對於證券交易而言,每天都有巨量的交易紀錄產生。人工智慧與機器學習透過大量資料的訓練後能夠更積極的對曝險部位進行管理。

目前國際上已有公司嘗試利用AI工具來評估交易時所帶來的市場衝擊。機構法人在巨額交易時對於市價的影響通常難以使用模型估算,特別是對於那些缺乏流動性的標的物,只有少量的歷史交易資料可用做參考時,人工智慧與機器學習的技術將為機構法人投資者帶來更有助於決策使用的工具。

從交易層面上看,目前的技術已能完成自動化的執行交易。現在的交易執行,一般強調快速且在降低市場衝擊成本的前提下成交。這種交易方式多是機構法人投資者需要的,因其資金量較大,為了減少市場波動,通常都會將需要進行交易的單量拆細,在一定時間區間內進行交易,例如均時均量成交,以減少大量資金進出可能造成對交易價格的不利影響。

2017年8月,據《金融時報》報導,摩根大通宣佈公司將使用全球首創的機器人來進行他們的全球股票演算法交易,即在全球的股票演算法業務部門採用AI機器人LOXM執行交易。摩根大通同時表示LOXM能透過歷史的數十億筆真實和模擬交易,學習該如何解決各種問題及處理交易,然後用最合適的方式賣出大筆股權而不會影響市場價格。

摩根大通EMEA電子交易量化研究主管Vaslav Glukhov在2018年5月的QuantMinds訪問中,提到了LOXM的挑戰來自於為客戶做最好的執行,同時也必須讓監管機關感到滿意。他們將人工智能的代理集中在限價訂單中,學習如何在買/賣價格環境下操作,以及雙方掛單流動性的可用性。從他的談話裡已可見現在LOXM交易系統的執行,不僅是自動化的掛單成交,更能即時的評估市場流動性以決定掛單方式。

人工智慧時代的自動交易除了自動化的執行交易以外,還要加上智能化的管理。在交易的決策過程中,藉由對大量歷史資料的學習,選擇最適合的交易模型,優化交易決策以獲得更好的交易結果。值得注意的是,這一個趨勢是否會改變市場交易動態,改變市場的某些交易慣性。而摩根大通同時也表示,已經對這項技術的應用領域做了限制,LOXM只分析客戶的交易模式,並不會執行決策者的角色,也就是說,在人工智能的領域裡,機器並不是全部,「人類智慧+人工智慧」才是最好的結果。

人工智慧被比爾蓋茲稱為當代最重大的技術突破。根據獨立智庫CB Insights的調查,光2016年就有50億美金的風險投資資金投入到人工智慧產業,而IBM、Google等居於產業領導地位的公司,更是投入數倍之多的資金於人工智慧的技術發展上。商業模式與法令環境快速變遷的今天,正驅使著資產管理業者重新思考智能轉型的整體策略以及如何透過科技的幫助提升經營效率。

資料來源: CB Insights,BlackRock,元大投信整理,2018/10{DS}