人工智能挑選股票的限制

運用人工智能在股巿賺取利潤，一直是金融業界的終極目標。不少業內人士曾作多番嘗試，亦取得不同程度的成功。就以全球最大的環球資產管理公司貝萊德（BlackRock）為例，較早前曾表示其人工智能演算法持續擊敗由投資管理顧問及專家所管理的投資組合。然而，香港中文大學（中大）最近發表的研究顯示，機器學習的有效性或許值得三思。

這項研究題為《從預測股票收益審視經濟約束對機器學習的影響》，針對大量1987至2017年間的美國股巿交易資料作深入分析。研究人員使用了三種成熟的深度學習方法，成功獲得每月高達0.75%至1.87%的價值加權及風險調整後收益，反映機器學習在賺取投資回報方面十分成功。然而，研究人員亦發現，如果限制這些機器學習演算法只能選擇相對容易交易和交易成本低的股票時，投資回報便會隨之下降。

 

中大商學院金融學系助理教授程斯是合著這份研究論文的作者之一，她表示：「我們發現，如果考慮實證金融學中常用的經濟約束條件，比如剔除微型市值股票及陷入財務困境的企業，將會大大削弱深度學習方法對股票收益的可預測性。」

顯著降低的回報

程教授聯同IDC Herzliya的Doron Avramov教授和耶路撒冷希伯來大學博士生Lior Metzker攜手進行這項研究，他們發現：剔除了因為巿值太低而難於交易的微型市值股票後，投資組合回報下跌了62%；剔除了未能獲得標準普爾長期發行人信用評級的股票後，回報更下跌了68%；剔除了信用評級下調陷入財務困境的不良企業後，回報甚至下跌了80%。

根據這項研究，在套利變得特別困難的時期，例如投資者情緒高漲、市場大幅波動和市場流動性低的時候，運用機器學習交易策略的回報會較豐厚。

機器學習策略的一個弊端在於交易成本較為高昂。程教授表示：「機器學習方法需要頻繁交易和極高股票倉位才能發揮威力。考慮到交易成本，一般投資者較難獲得投資組合的超額收益。」但她補充說，這個發現並不代表機器學習策略對所有交易者都是無利可圖。

程教授繼續指出：「我們發現在合理的交易成本下，所研究的機器學習方法將難以達到在統計學和經濟學上實現有意義的超額收益。因此，投資者應調整自己對潛在淨回報的期望。」

機器學習的未來

程教授解釋：「然而，不應把我們的研究結果視為反對將機器學習技術應用於定量投資領域。相反，基於機器學習的交易策略在資產管理方面有可觀的前景，例如有能力處理多種股票交易的弱信號並將其整合成有意義的訊息，從而作為制定交易策略的基礎。」

此外，機器學習投資策略顯示出較低的下行風險，並且在經濟危機時仍繼續產生正收益。這項研究發現，在過往多次市場大幅下滑時期，例如1987年黑色星期一（Black Monday）美國股災、俄羅斯違約、科網股泡沫破裂以及近期的金融危機，最佳的機器學習投資方法所產生的價值加權回報每月高達3.56%（已排除微型市值股票），相比之下，同期市場回報則為負6.91%。

程教授表示，通過識別個別股票的異象（走勢與傳統資本市場定價理論預測背道而馳的股票）來進行交易的策略，獲利能力主要來自空頭倉位，而且這種策略近年已逐漸式微。然而，機器學習投資策略藉多頭倉位獲利的能力更高，並且在2001年後仍然行之有效。

程教授補充：「這對於即時交易、風險管理和只做多的機構特別有價值。此外，機器學習方法更趨於擅長於選股而不是採用板塊輪動的策略。」她指的板塊輪動是將投資組合中的資金在行業板塊之間進行輪動交換，從而追趕下一輪經濟週期來獲利的策略。

她補充說，這是首個提供大量證據來對機器學習方法的經濟價值進行的研究。

程教授指出：「我們的實證分析表明，大多數機器學習方法都面臨着預測股票收益的共同挑戰，即超額收益主要集中於難以套利的股票以及在套利困難的時期。因此，雖然機器學習提供了讓我們加深了解資產定價的寶貴機會，但在評估各種新方法的成效時，考慮常見的經濟約束條件也至關重要。在推廣機器學習模型到不同的場景前，也應確認有關模型是否具備足夠的外在效度。」

資料來源：

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