用神经网络代替数学模型，DeltaGrad想成为量化投资界的阿尔法狗

在量化交易这个领域，36氪此前报道过不少项目。有私人量化交易平台JoinQuant、RiceQuant以及优矿，为量化交易领域提供核心算法支持的众加，量化策略商城微量网、以量财富为代表的量化理财平台，以及为量化投资者提供智能交易和分析工具的名策数据。如果你不懂算法，只懂投资逻辑，还有专门帮你生成量化投资策略的果仁网。

目前市场上看到的量化交易，背后大多有某种交易逻辑。每一个量化交易策略的建立，都需要输入与这套逻辑相关联的因子，比如历史表现、公司财务数据、宏观经济数据、上下游供应商数据等众多参数，建立一套模型以算出标的上涨或下跌的概率，并生成投资组合和调仓策略。随着近几年人工智能兴起，不少人开始选用机器学习等方式，输入众多因子，让AI自己生成策略。

36氪最近接触到的DetlaGrad的做法则跟这些都有不同，它们的定位是基于人工智能的量化投资公司，只输入交易数据，利用神经网络来训练模型。创始人说他们想做的是中国的桥水基金，但是从他的表述来看，我认为应该说他们想做量化交易界的Deepmind（研发阿尔法狗的团队），就连他们A股机器人的名字，都叫“智富狗”。

DetlaGrad的创始人庞然表示，团队早几年是做计算机围棋的，传统将人类下围棋的逻辑梳理成策略算法，庞然称此为“穷尽”的方法，最多只能将机器训练到五到六段，阿尔法狗的成功则说明，用深度学习网络的算法，能将机器训练到超过人类中的九段高手。他不否认策略的方式有效，国外大量量化基金的成功就说明了这一点，但是他认为这种方法难以超越人类。

庞然认为，这说明有些过于复杂的决策，影响的因子和情况的可能性太多，传统用逻辑和策略等“穷尽”的算法可能是搞不定的，现实中高手做判断也许是依靠长期经验积累下来的直觉，比如有的基金经理和操盘手只需要看K线，不需要看基本面，凭借“盘感”就能做出很好的判断，资深医生也是类似。直觉不代表瞎想，但他们却不一定能清楚说出背后判断的逻辑，实际上人脑的思考方式就是如此。

DetlaGrad的团队认为今年阿尔法狗的升级版Master是变革点，用神经管网络替代原来用逻辑和策略构建的数学模型这种思路，可以用到金融领域之上。阿尔法狗不知道选手怎么思考，它光看选手怎么走，就学习并超越了人类。因此，量化投资并不需要知道最好的操盘手怎么想，只需要知道最好的操盘怎么操作。

“世界第一的操盘手，就是交易数据。”我们目前从公开渠道所看到的交易数据，包括每日走势、交易量等，尤其买单卖单，是经过系统整合而成的数据，颗粒度不够细。因此，除了公开数据之外，DetlaGrad还会购买颗粒度更细的交易数据来训练模型，培养机器的“盘感”。

根据庞然介绍，DetlaGrad的模型目前做的是针对A股的量化交易，分为以下几个部分：

市场顶部风险预警和个股及大盘未来上涨概率预测（分为短、中、长三个维度，目前一只新股票需要1天的训练时间）。

策略发现和仓位调整，从后台15万策略中，找到最新触发，风险最小、年平均收益最大的策略。目前团队所使用的策略，均经过2011年以来的历史数据回测，保证平均年收益大于100%，最大回撤小于10%，然后基于上述上涨概率找到当天风险最小，收益最大的操作方法，输出成策略，告诉操盘手（现在有人把关，未来纯机器）仓位该调到多少，止损怎么设置，这样的操作对应的风险及收益分别是多少。根据最新股票预测数据，系统会每日调仓。

系统性风险预测，DetlaGrad有专门的预测系统性风险的模型，测算未来三天、五天、七天等出现系统性风险的概率，达到一定概率就清仓。

由于国内缺少高频交易和对冲工具、市场受政策影响大，国外对冲基金的策略拿到国内常常会失效，庞然认为，借助以深度神经网络为代表的新技术，也许可以解决这个问题。DetlaGrad的模型从6月份开始测试，模拟账户单月收益6.9%，同月大盘是6.4%；8月15日起启动了100万的实盘资金做测试，截止9月中旬实盘收益4.7%，最大回撤1.7%。

庞然认为，目前团队的优势在于团队了解计算机围棋变革的全过程，知道如何将变革应用到证券投资市场；使用自行设计并开发的网络结构而不是开源了网络结构，算法有领先性。

目前看来，DetlaGrad团队的实盘测试金额较小，毕竟不同管理规模的策略不同；同时模型还没有经历过现实中“跨周期”（经历过熊市和牛市）的考验，单凭历史数据无法预料“黑天鹅”事件。比如由诺奖得主成立的文艺复兴科技公司，旗下的量化基金在成立前三年成绩骄人，但后来因1998年俄罗斯债券违约事件的连锁反应产生巨额亏损。

另外一个问题是，投资者真的能对纯AI的决策有信息吗？作为一家私募基金，假设某天超越人类智商的模型做出了人类无法理解的决定，我们要听之任之还是阻止？天弘基金智能投资部总经理助理刘硕凌分享内部用AI 技术改进投资的经验，他们一共选124个因子，来识别某个股票是成好的还是坏的。第一版的效果非常好，但是无法解释，在这阶段，目前投资者还是不能接受，所以我们最后用了相对简单的决策树模型，我们可以看清楚AI 的思考模式。