撰文：徐家健、梁天卓、曾國平  經濟3.0對話錄

徐：交易員、分析師、基金經理等金融才俊飯碗不保，AI揀股是大勢所趨？幾年前，我寫了一篇名為《人工低智能揀股緊記娛樂無窮》的遊戲文章。當時，我質疑人工智能的普及將會全面取代金融才俊。財經演員，從來是提供娛樂，觀眾並非認真重視他們的投資建議。

梁：同意，情況就似今天報章上讀到的評論文章。一直以來，傳統媒體不少評論人把消息當分析。自互聯網普及，更多評論文章由消息再變成消遣，財經評論文章亦不例外。不要誤會，財經消遣有其市場價值，人工智能不容易挑戰以人為本的財經消遣。財經分析卻可以是以物為本，因此較易被人工智能取替。

曾：一個相關的問題，是主動投資（active investment）是否永遠不及被動投資（passive investment）有效。諾貝爾獎得主William Sharpe的論述是這樣的：「扣除費用前，主動投資的平均回報與被動投資的平均回報會相同（因為大市回報就是主動投資回報與被動投資回報的平均數），扣除費用後，主動投資的平均回報比被動投資的平均回報低。」當人為的主動投資敵不過被動投資，人工智能的主動投資可以嗎？

計量金融應用分三大類

徐：到目前為止，人工智能在金融業的一大應用正是對沖基金。就對沖基金而言，人工智能和機器學習之前一早已有計量金融的應用。計量金融的應用主要分三類：（一）基本因素計量投資（Fundamental Quantitative Investing）；（二）統計套利（Statistical Arbitrage）；（三）高頻交易（High-FrequencyTrading）。

梁：一般讀者都知道畢非德，應該比較熟悉的應該是基本因素投資吧？

徐：對。基本因素投資，當中的基本因素包括價值（value）、動力（momentum）、規模（size）等，背後都有經濟理論支持。香港最為人熟悉的可能是價值投資法。計量金融與傳統基金經理揀股的分別是這樣的：傳統基金經理衡量一間公司的價值時需要作出仔細研究，熟讀財務報告甚至查訪公司運作是少不了的，因此傳統的價值投資法只能集中分析有限數量的公司。至於計量投資，由於策略是量化幾個有效的基本因素，然後透過電腦程式把一個有效的數學模型應用在幾百甚至上千的公司股票，因此在分散風險上有優勢。

計量投資：量化基本因素

曾：換句話，早在人工智能機器學習普及之前，計量金融早已透過電腦程式及經濟模型處理大數據，並應用在基本因素計量投資、統計套利，以及高頻交易上。

徐：無論計量金融賺取的溢價是來自風險還是投資行為偏頗不夠「理性」，人工智能及機器學習的普及可能只是錦上添花。

曾：我先以傳統計量經濟學為基礎，介紹一下機器學習的基本概念吧。就以股票為例，你想預測將來的股票回報，於是找來一堆或許有用的因素用來預測，例如股票過去的表現、利率水平、PE比率等等。最簡單的做法，是用普通的線性迴歸分析，找出股票回報與各因素之間的關係，例如利率每升幾多股票就跌幾多之類。問題是這些因素實在太多，一般的迴歸分析會不勝負荷。

大堆因素中可能有不少「廢物」

徐：幾十年來有關股票回報的研究無數，加起來的因素也有好幾百個。

曾：對，問題是這一大堆因素之中可能有不少「廢物」，對預測沒有作用，但不容易辨別出來。更弊的是線性分析顧名思義，只容許因素對股票回報有線性的影響，亦即利率每增加多少，股票回報就下跌多少，不會因利率水平高低而變化。

梁：非線性的一個例子，就是利率愈高，對股票回報的影響更大吧？

曾：對，這是一個簡單的例子，更複雜的做法更是多不勝數。大量的因素，加上各種非線性的可能性，預測股票回報這個看似簡單的問題，就忽然變得複雜無比了。如何在眾多可能性中找到最好的一個？機器學習這時就可派上用場了。

——節錄自四月份《信報財經月刊》