行為經濟學的應用 (5) 機器與人性 下篇

2017 0811 James

 

ETF 追蹤大盤採被動式投資,但要買哪檔ETF,何時該進場出場則有賴人為判斷;程式交易法套用現成技術指標來判斷何時自動執行交易,偏向交易執行而不是投資;演算法交易則是專家運用電腦從歷史量價資料中去找出各式各樣沒有被發現的規則來進行自動化交易,但人為選用或修改算法規律仍是必要關鍵;如果更進一步,嘗試完全排除人為介入,純粹交由電腦替代人腦,從歷史資料、即時資料、浩瀚無垠的網路資料中去自動搜尋、自行找到規律、自動交易執行,以擺脫人性的弱點,這個夢想有可能實現嗎? 對於把金融投資、經濟活動看成物理世界般有自動運轉定律的科學決定論者,非常具有吸引力,這就進入了人工智慧 (Artificial Intelligence) 的領域。

 

這些極端科學決定論者所看到的世界,包含人的知覺、感受、思考、選擇、乃至意識,一切都是物理現象,都可以用數學形式來表達,任何的人類行為也以找到一個函數來對應描述,從而可以交給機器來模擬或代替,也就是人工智慧。這個理論發想,至少已經發展了一百年,如今,目前似乎就要進入可大量實踐的階段。

 

機器與人性系列之下篇將接著討論兩個主題:  AI 投資法,及高頻交易法,最後再對這個系列作個綜合,交互比對後找出有用的心得,作為投資研判的參考。

7. AI 投資法

近兩年,人工智慧一詞突然爆紅,表面原因是2016年以來Alpha Go 連續打敗歐洲、韓國、乃至世界圍棋冠軍,發展速度之快讓社會大眾驚覺 AI 的能力超乎想像,同時間,無人機、自動駕駛的進展不斷登上新聞,獨角獸公司強烈顛覆經濟運轉機制,短期內出現大量過去沒有注意的重大資訊,於是社會上很快出現各式「外插法 」的自由推論或無限想像,連AI機器人是否將接管人類社會的預言都成了熱門話題。

 

在理論界,這波 AI 爆紅,起源於2012年機器學習 (Machine Learning) 的團體競賽中,由多倫大學的研究團隊成功運用深度學習 (Deep Learning) 方法,突破Machine Learning 技術瓶頸,大幅提高了電腦自動學習的正確率,也讓沉寂二十多年的人工智慧領域再次活絡起來。Deep Learning 的概念來自腦神經科學的新知,嘗試透過模擬腦神經的運作模式來學習人腦部運作。

 

人類大腦的結構與運作機制本屬於生物科學的研究領域,隨著電腦數位科技的高速發展,科學家們可以在解剖人腦之外,也能以無侵入式如fMRI (功能性磁振造影) 等電磁波方式來追蹤數千億個神經元(腦細胞)之間的複雜互動,從而琢磨出人類頭腦運轉的奧秘,這樣的方法,同時與行為經濟學、實驗心理學、數學統計、電腦運算緊密配合,幾個學門的專家們所關心的主題與方法越來越趨同,而重新暴紅的AI研究同樣是建立在這幾們學科累積的知識基礎上獲得突破。在此領域,經濟學家跟神經醫學家、心理學家、統計學家、電腦科學家、資料科學家的專業分界越來越難分辨,彼此的研究成果相互為用,這也是我們把這個主題納入 觀點分享 行為經濟學的應用系列作討論,方便經濟金融領域的研究者對比原有的專業知識。

 

圖: 大腦科學、行為經濟學、人工智慧

腦神經的結構示意圖

AI 模擬腦神經的運作

Source: http://news.mit.edu/2017/model-sheds-light-purpose-inhibitory-neurons-0109

 

AI近期重要進展

  • 1997 IBM 深藍 擊敗西洋棋世界冠
  • 2011 IBM 使用自然語言來回答問題的人工智慧系統Waston ,參加綜藝節目《危險邊緣》打敗了最高獎金得主
  • 2016 Google Alpha Go 打敗韓國圍棋九段棋士李世乭
  • 2017年匿名的Alpha Go 打敗世界圍棋冠軍 柯潔

     

    結合 Big data Deep Learning的突破,讓發展超過六十年的人工智慧也重新燃起研發熱潮。實際上這已算是第三次的熱潮了,過去兩波AI熱潮最終都因為技術瓶頸難以突破而冷卻,這一輪突破,達成許多過去想像得到但實作不出來的功能,例如人臉辨識、語音辨識、搶答競賽、下贏圍棋等,成果引人注目,甚至有了無限的想像空間。當然,如果要有效評估前景與影響,得先對AI 有基本理解,避免又是場流行名詞滿天飛的口水泡沫。

     

    Alpha Go 為例子,19x19的圍棋盤,有10360次方的可能變化模式,連電腦都很難瞬間處理,(暴力)窮舉法可以處理西洋棋,但仍不足以處理圍棋的多變,直到近兩年技術才有突破。圍棋高手一般能預想未來兩三步的變化,每一步可以通常有200種排列組合,但人腦無法想到更多步之後的所有可能,對戰由Google雲端聯網的千台電腦協作,再加上類神經網路的深度學習運算法有效減化了排列組合的可能性,Alpha Go 終於打敗人類冠軍,嚇壞了許多人,但這還是有限的遊戲規則中的競賽,Alpaha Go系統仍被歸類是弱人工智慧只會下圍棋,不會下西洋棋,當然也不會開車。如果要演進到開放式學習能力,讓機器逼近或挑戰人類完整智力,就會進入強人工智慧的領域,這在現階段還停留在理論想像。

     

    (註: 理解Big dataMachine LearningDeep Learning、類神經網路等技術名詞,對於評估本文主題很有幫助,但篇幅考量暫不繼續深入,以下將進入金融投資的探討。)

     

    AI的技術觀念也被應用到金融投資方面,追求從大量的資料中讓機器自動學習,以找出某些規律或方法,從而進行自動化投資操作。但因技術門檻非常高,真正說得上在開發 AI Investment 的團隊,應該還侷限在頂尖投資機構、或來自科學界的技術新創團隊。今年JP Morgan 剛剛發表一套AI程式在該公司內部稱作LOXM的系統,開始用在交易執行 (請注意,不是投資決策),據稱比過去的績效更好。

     

    目前,針對金融交易的量價資料找出交易規則,範圍相對有限,弱版AI 就有可能處理,正有不少團隊在研發當中,但如前多次所述,這樣的金融操作並非真正的投資判斷,比較像是在抓對手行為弱點或市場制度缺口,市場行為上屬於套利或投機交易,技術上就還只是弱AI

     

    若要進化到能完全替代人類投資決策的強AI,就需要「機器學習」人類社會的種種面向並找出規律,以因應變換無窮的金融與經濟情勢,遍及量價以外更多的量化的、非量化的資料、個人與社會的思想變化 (例如自由或保守、全球或國族、公平或效率等民意),這個學習難度還遠超過現有技術的可能範圍,等於是AI要取代經濟學、政治學、心理學、社會學、生物學、甚至哲學的專業工作,完全是另外一個層次的目標,雖然充滿想像空間,但未來能否達成,AI領域專家們有不同見解,樂觀派認為二三十年後會達成,謹慎派則認為尚遙遙無期。也就是說,基本面出發的投資方法,要完全交給機器來自動處理,進入強AI,目前尚遠不可行,未來後能否實現則有分歧看法。

     

    不論是弱版或強版的AI,共同的特性是機器自動學習與決策的歷程很不透明。目前AI的主流原理是從大量數據中透過機器深度學習,搜尋出某些決策規律,然而研發者往往只能看模擬或決策的準確度來調整模型,卻很難由看清出機器學習的過程與決策的邏輯,例如Alpha Go 已經超脫人腦思考方式。如果AI決策變成黑盒子變魔法,適用範圍就會蒙上陰影。重大決策例如死刑判決、開刀過程要決斷切除器官還是用藥治療、飛機駕駛會影響數百人性命、千百億資產的投資布局,如果完全交給機器決策,過程講不出道理 (缺乏理論根據),出錯難以回復、影響重大,或難以歸責 (出了問題找不到從哪裡修正改善),那新技術就不容易被社會接受推廣,這不單純是技術問題,是人性能否接受的問題。

     

    回到執行現實面,目前的AI技術橫跨多個學門的專業知識,結合了高等統計學、理論數學、電腦程式、腦神經學、心理學等學術能量,擁有多重知識的人才如鳳毛麟角,產業領導者評估大概全球只有50個懂深度學習的AI人才,現階段開發多只能仰賴團隊合作,侷限了進展速度。如果要能應用,則還要加上對各種應用領域的知識 (domain knowhow) ,例如在金融投資方面,對經濟學、投資學、行為學、甚至廣泛社會科學都要有足夠認識與體驗,才不會又製造出金融(創新)泡沫。處理複雜的心智過程,例如預測股價、匯率、利率、經濟情勢,人類智慧尚且作得不夠好,轉交給AI 機器人來,現在大概還停留在學術探討,市面上的期待多於實踐,我們可以保持追蹤,後續討論。

     

    目前評估 AI 用在投資交易:

  • AI 技術可能提昇演算法交易的能力,但還是侷限在原有框架中。系列三篇的文章可歸納出,就複雜與精妙程度而言, 弱AI 交易 > 演算法交易 > 程式交易 > 技術分析,但背後的基礎原理一貫,不過,這些都屬於套利與投機交易,談不上投資與資產配置。
  •  
  • 電腦機器若要模仿人類的經濟投資決策,考量變數就遠超過量價或波動性這些指標,千變萬化的人群行為、社會變遷、國家競賽,如何納入計算機的學習模型中,甚至發展出強AI的投資方法,目前談應該還太早。

 

  • 區別: 交易競賽,不是金融投資、不是經濟選擇。
  •  
  • AI 應可有效取代人工交易,但還不適合取代人類作投資決策。

 

  • 只看眼前個別獲利,自動化投資法已經吸引大量資金投入,取代傳統人為決策,甚至漸趨主導市場。然而,當自動投資法規模擴大後 (規模很重要),這個替待過程,帶來的價值將越來越少,帶來的破壞將越來越大,個人有利最終造成集體不利的結果,也是社會決策形為中合成謬誤的一種。
  •  
  • 從理論上來看,當AI自動交易果真大量取代人類,如同某些技術狂熱者所宣稱金融市場上都是AI 在跟AI 競賽,那麼AI演算法就不再是在計算交易對手人的行為缺陷,變成AI 在演算 AI,此階段,會出現統計迴歸上的自我相關、邏輯上的套套邏輯,進入理論的謬誤迴圈。
  •  
  • 從實務上來看,則是資本市場只剩下套利者跟賭徒,不再有看好或看壞投資標的的真正投資行為,最終市場會出現價格機制的混亂,很可能引發不同於過去的金融危機,這裡談的不是泡沫的起滅,而是整個市場體制的崩解。
  • 這個評估,也可以對照共享經濟的破壞式創新的推理,有許多異曲同工之處,將另文探討。

     

  • 大數據演算法只看統計相關性、不考慮因果性。例如賣場的啤酒與奶粉銷售有正相關,找到這個關係可以拿來提升行銷策略且無甚大害,但長鬍子與犯罪率「如果」有正相關,能否拿來當作犯罪偵防甚至法律判決的依據,爭議就會很大,簡單的案例對比,可看出大數據的應用侷限或潛在傷害。
  •  
  • Bid Data 再搭配上複雜的類神經 Deep Learning的電腦模型,會讓決策過程更加複雜難懂,而且決策邏輯越來越脫離人腦思考方式,變成單純的 data mining,不再需要找出因果邏輯或理論邏輯,這在處理嚴肅問題上會有障礙AI的發展到最終外界乃至設計者只能看到模擬回測的結果來評估模型,卻很難看出潛在問題(因為AI決策邏輯人類看不懂)、或出錯背後的原因 (缺乏理論來解釋變數間的關係)。到這階段,決策風險變得非常大,風險還會來自難以評估風險。
  • 最後這兩點,在本篇文章最後會再多些說明。

     

     

    8. 高頻交易 (High Frequency Trading)

    超高速的電腦運算力與網路傳輸,被應用在投資領域,交易速度快到千分之一秒(毫秒) 為計算單位,遠超過一般人力所及,交易頻率高、金額越來越大,統稱作高頻交易、或閃電交易。

     

    這類交易的獲利來源,通常是利用電子交易平台的市場中介地位,找到市場交易規定的漏洞,透過快過於一般市場參與者的網路傳輸與下單速度,介入買賣雙方報價的價差中,在交易雙方不知不覺間,套取獲利,每筆利差雖小,但大規模頻繁交易下的暴利非常可觀。簡化的說明例子,如得知買方報價87元 、賣方要價87.5元,原本搓合競價後可能逐漸逼近以87.3元成交,但中介者得知訊息後,更快出手以87.2買進、87.4賣出,利用交易各方報價的落差瞬間,以更快的電腦交易速度介入套利,這被稱作插隊交易,只是已經被發現的交頻交易的手法之一。

     

    更多已知或隱匿未知的操作手法,藏在市場制度的漏洞之間,在交易暗池 (Dark Pool,非公開的電子交易平台) 中,伺機而動,在暴驅使下大型券商默默配合高頻交易者,外界從表面上可以看到的現象,就是交易執行的速度、規模、變動方向、複雜度等快速上升,只有等到不正常的市場變動出現了,才會懷疑背後的問題,但一般外人很難找到問題關鍵。

     

    201056日道瓊指數在半小時內暴跌650多點,當日來回震盪超過1000點,事後追查原因來自高頻交易,以自動程式進行大規模賣盤,形成假象後,再以低價買進,嚴重干擾市場,此案經過五年多的追查才將犯案者引渡回美國起訴。除了影響大盤,個股價格的閃電漲跌,近年來頻率昇高,常與高頻交易有牽涉。

     

    圖: 高頻交易的手法

     

    根據芝加哥聯邦準備銀行的報告,美國股市總體成交量中約有70%通過「高頻交易」完成,可見其影響力,目前看來,這個發展並不是太好現象。監管機關陸續對已發現的不公平交易、或干擾市場行為著手管理,但也面臨相當大的遊說阻力。

     

    支持高頻交易者主張,能帶來更高的市場流動性但批評者則指出,更大的交易量不一定就提高市場的流動性,如同前述例子中的插隊交易,買單賣單都同步多了一倍,卻無助於市場效率的提升,只讓高頻交易者利用市場地位進行不公平套利,反而有害市場健全。

     

    自動化交易,常與高頻交易的產生混淆,從結果來看,都常常造成不必要的市場暴漲暴跌,甚至讓有心人從中獲取不公平、不合法的暴利。台股期貨指數在83日開盤後25秒內閃跌1000點,根據初步調查,據聞是營業員下錯單後啟動各公司的程式交易自動停損機制,造成追跌殺低的效果,從風險控管變成製造風險,表面上看,這是程式交易對市場健康的第一個層面的傷害。但沒有被查出證據的陰謀論推測,如果有人利用市場結構弱點 (包含自動交易的停損機制) 發動閃電攻擊進行套利,也能從中賺大錢,但這就嚴重違法了,然而牽涉的層面廣,不容易被調查 (或主動公開) 出來。這類閃電震盪越來越頻繁,是程式交易、高頻交易常見的濫用技術手法之一,嚴重破壞市場秩序,但各國法規與制度都還在摸索如何因應中。

     

     

     

    綜合三篇

    本系列機器與人性三篇文章,先從財務金融的理論作為開頭,討論理性選擇學派、行為經濟學派的長久爭論,再談到近年來電腦與數學技術的大量運用下,各種量化、自動化投資方法對於投資成效與市場體制的影響。

     

1. 被動投資法 : ETF 規模不斷擴大,對資本市場的負面影響

2. Robo Advisory : 客戶服務型與專業交易型,後者競賽各種量化自動化投資

3. 程式化交易 (Programing Trading) ~ 技術指標的侷限

4. 演算法交易 (Algorithm Trading) ~ 即時演算尋找某種規律(按秒計算的技術指標)的理論侷限,經濟預測方法的侷限,結構性轉向頻繁發生,人為介入又成了關鍵

5. 量化投資 ~ hedge fund 走下神壇、financial model 不是萬能通用的

6. 智慧選股、大數據選股 ~ 電腦處理歷史資料很方便,但如何評估未來才是困難

7. AI 交易~ 弱AI可用在交易決策,可看成進階版的演算法交易

       ~ 強AI用來投資決策,須處理的變因太多,技術上應該還很遙遠

       ~ 弱AI交易如果被誤用,擴大成取代投資決策的市場主流,則會出

         現反淘汰,剩下AI 演算AI,理論有謬誤,還會破壞市場機制

8. 高頻交易 ~美國最流行,不透明暴利大,負面評價多

 

從複雜程度上來看,AI 交易 > 演算法交易 > 程式交易 > 技術分析,但有個共同的邏輯,就是希望從歷史資料(主要是交易價格) 找到某種規律,套用數學公式,寫入電腦程式,交給機器自動交易,背後的理論基礎,是Eugene Fama 的效率市場假說,主張所有已知的資訊都已經反映在市場價格中,所以價格隱含了所有的訊息,這個觀點可以有兩個面向的批評 :

 

第一個面向,如前所述,批評來自不認同效率市場的觀點,特別是行為經濟學,反思為何金融市場經常偏離所謂的合理價格,從而引伸出應用心理學、神經科學的研究成果與分析角度,發展出另一套金融理論。

 

第二個面向,即使相信效率市場,千百萬個影響因素都會歸結成最終的金融價格,但要從價格去逆推千百萬個市場因素的交互影響原理,困難度太高,甚至可說不可行。猶如要從各種加工食品中去分解出所有可能的幾萬種添加物,反向工程套用在此事倍功半,套用金融價格去反推經濟面、乃至政治面、社會面的變化更是倒果為因、緣木求魚。

 

尋找原因之間(各種變數)的變化邏輯,是經濟理論家的努力目標,例如哪些因素影響經濟發展,哪些影響利率匯率,如何交互影響形成一套規律 (例如 關乎歐元續存的國際貨幣體制三難Trilema、或 央行決策常用的泰勒法則 ),如何影響未來獲利成長的前景與風險所在 (例如人口赤字、貧富差距) ,這些才共同決定了投資的內在價值並將反映在後續的市場價格中,這個思考邏輯是效率市場派中的基本分析法

 

反過來,直接從價格波動走勢反推投資機會,則是技術分析的主要立論,這派論點甚至不再關心影響價格的各種基本面因素,單純想從價格走勢中找出波動規律、或對手型態、或市場制度缺口,效率市場派中的技術分析法也是程式交易、演算法交易,乃至AI 演算自動交易法的立論基礎。交給機器從歷史資料中去尋找交易的規則,完全擺脫人性,也不考量人性,相信價格能說明一切,主張量價資料就能看出投資獲利的機會,這是這套方法推到極致的結論。

 

: Global Asset Management Market 主動式投資法佔比下滑

Source: BCG (2017 07)

 

對於投資者而言,上述這麼多種投資或交易方法,聽起來頭昏腦脹。或許每個方法都曾經有人從中賺到錢,但是否能繼續適用,適不適合自己,才是重點首先,思考每種方法能否可長可久,如果只是尋找對手交易行為的弱點、波動規律,或市場制度的缺陷等,往往很難持續有效 (如元月效應),也很難放大執行還能保持穩定獲利 (如演算法不能公開不然就破功了)。接著,思考這些方法的侷限與風險在哪裡,區別投機、套利、交易、與投資,確認自己到底想從哪個領域獲利,本身能否承擔這樣行為的風險。

 

對於整體市場而言,技術突破可能帶來創新改變,但改變的結果是好或壞,則須從市場健全來考慮 : 若是ETF 佔交易比重過高,會破壞股價形成的正常市場功能;若是AI 演算法逐漸取代人腦,市場競賽變成AI 在演算AI ,將讓人類需求供給在市場交易中失去角色;若是讓研判前景的投資決策,異化為複雜的數學公式與電腦程式,真正的供需雙方看不懂這些複雜的符號模型,就只能交給黑箱決策;至於要不要長期投資台積公司、蘋果電腦、或可口可樂,考量的是基本面而不是技術面,需靠全能全知的強AI,未來能不能開發出來仍是個大問號。

 

AI 能否取代人類 ? 取代人類會讓世界更好嗎? 是兩個不同的問題,可以在觀察熱門話題的過程,持續不斷問自己。

文章標籤
創作者介紹
創作者 Wu James 的頭像
Wu James

老年分析師

Wu James 發表在 痞客邦 留言(0) 人氣()