https://mp.weixin.qq.com/s/oypsy8NjTmuBa8V_3LpS6A
《The Hedge Fund Journal》於近日公布了2021年版（第六版）明日對沖基金巨人50榜單，該榜單強調了投資經理策略的獨特性，及具有良好的業績和增長資產的潛力。提名來自《The Hedge Fund Journal》的讀者網絡，包括養老基金、家族理財室、捐贈基金和基金會、FOF、私人銀行和財富管理公司等。
這份榜單顯示，在量化投資領域，統計學習和機器學習是人們越來越感興趣的領域。至少有六家公司——ActusRayPartners、Blueshift、Leibniz、Rosetta、Manteio和Bayforest——在某種程度上使用機器學習，但都以不同的方式應用，其中只有一家聲稱使用了100%深度強化學習。這家公司就是2016年創立的Rosetta Analytics，核心創始人還是一位女性：朱莉婭·博納菲德（Julia Bonafede）。
Julia Bonafede
朱莉婭·博納菲德（Julia Bonafede）與安吉洛·卡維洛（Angelo Calvello）共同創立了由女性領導的公司Rosetta，以顛覆傳統的主動資產管理。自2015年以來，Rosetta推出了四種基於將先進人工智能和深度強化學習（DRL）應用於流動性市場的實盤投資策略。朱莉婭·博納菲德說：“對於對沖基金來說，DRL是如此早期的技術，投資者才剛剛開始看到它的好處。但在機器人和醫療保健等其他行業，它已經得到了廣泛應用。
在Wilshire Consulting擔任投資顧問和外包CIO的24年間，Bonafede認為這是量化投資加速發展的顛覆，在她領導期間，該公司提供了超過1萬億美元資產管理的相關咨詢。“我從兩個角度看待量化分析的發展：我評估了許多資產管理公司，並使用多因子風險模型來監控經理的風格。最早的量化投資方法是指數投資，隨后是風格投資，類似於Fama-French因子，如規模、價值和增長，后來演變為貨幣、國家、行業和基本面等100多個因子的迭代。然后出現了Smart Beta，采用了更基於規則的方法，以及更積極的系統性押注。現在，人工智能讓模型直接從數據中得出關系，而不是從學術研究中確定的篩選行為中得出關系。”
羅塞塔認為，它的技術比傳統的定量分析技術具有更准確的預測能力，但也承認這更難解釋。“許多投資者的舒適區是一個有50年歷史的線性回歸方程。Rosetta這個名字是解釋這種方法的一個開始，因為Rosetta stone可以把圖片或圖像翻譯成語言，而神經網絡可以把各種數據轉換成可操作的信號。”Bonafede說。
然而，Calvello表示，DRL可能會引起困惑，因為很多資產管理公司都在談論機器學習，盡管他們可能沒有將其全面應用於投資策略。Calvello曾是Blue Diamond asset Management AG和Impact investment Partners AG的聯合創始人。“創建DRL模型需要某種類型的人才，而大多數在資產管理公司工作的人都不會聘用那些有合適背景的人。這很難做到，而且許多資產管理公司不會承擔這個風險。既然他們已經有了很好的收益，為什么還要投入時間和金錢呢?”Bonafede也聽到了第一手的懷疑：“許多基金經理告訴我們，他們沒有使用深度學習和DRL，這甚至包括一些在學術上發表過相關文章的基金經理。”
基金經理可能正在將機器學習用於一項或多項操作流程、交易執行、投資組合構建和信號生成，但這可能只是過程的一部分，他們可能正在通過規范性地定義使用人工智能的框架來淡化這一過程。
讓數據說話
在構建讓數據說話的自動算法方面，Rosetta是100%的人工智能，但這種方法並非完全“無監督”。“我們在端到端學習模型中輸入精心組裝的數據集，並使用強大的深度強化學習來創建投資信號，並在資產之間進行分配。這些信號是穩健的，並在不斷變化的市場周期中持續存在。通過使用深度強化學習，我們的模型成功地分配風險，以實現最優的市場暴露，以最大的回報。虧損的風險是一階考慮因素，而不是二階約束因素。例如，Rosetta經過判斷來根據不同的模型選擇不同的數據，如各種技術/價格/成交量數據;基本面經濟數據（如債券收益率或股票和行業數據）以及另類數據。“我們定義輸入模型的數據，並將輸出定義為風險資本的最優配置。我們沒有定義數據和信號之間的關系，”Bonafede說。這些關系可能沒有任何直觀的經濟意義，也不符合其他已建立的框架，如行為金融學，或映射到一個由人類決定的因子動物園。“如果你需要建立先驗關系，模型將只會找到那些。神經網絡可以根據數百萬個參數確定最優系統，識別哪些關系重要，並進行適應和學習，它可以發現全新的關系。它的設計目的是捕捉非線性關系，使誤差最小化，並擴大到更穩健地捕捉回報，”Bonafede說。
適應性模型更適合波動的市場
“它還能更快地適應不斷變化的環境”卡韋洛說。例如，Rosetta的模型在2020年3月和4月表現非常好。2月23日股市見頂后，該模型又花了兩周時間來了解市場，然后才做出更積極的交易決定。我們在2020年3月上漲了22%，在2020年4月上漲了12%，幾乎每天都有活躍的交易。”Bonafede說。
Covid危機表明，羅塞塔的模型在波動率指數較高的時候表現良好。“這種行為不是故意的，而是系統性風險管理特性的一部分。它們的大小隨着對信號的確信度的增強或減弱而變化。DRL模型最大化獎勵來做出決策，而錯誤決定的懲罰比獎勵更重要。”這借鑒了自動駕駛技術，羅塞塔的一些科學家之前一直在研究自動駕駛技術，在自動駕駛技術中，錯誤會受到巨大的懲罰。
相比之下，其他一些被稱為“機器學習”的策略在2020年3月的表現是有史以來最差的，這說明了相似的標簽的技術可能是非常不同的方法：“我們的感覺是，其他一些基金經理正在使用一種弱有效版本的機器學習，或者正在使用它來增強其他更傳統的量化投資技術。部分問題在於，除了被動投資之外傳統的量化技術也可以歸入機器學習的范疇。
不相關性和差異化
即使與其他少數的聲稱使用機器學習的對沖基金相比，羅塞塔正在做的策略也與他們有很大的不同。Rosetta的回報率通常與其他對沖基金策略或傳統資產類別沒有很強的相關性。相關性隨時間而波動，並隨市場狀態而變化。例如， Rosetta’s RL One S&P 500多空策略的平均相關性接近於零，但相關性整體跨度在+100%到-89%之間。與一些量化策略相比，羅塞塔策略的期限更長。雖然人工智能有時與高頻交易和瞬間交易執行有關，但羅塞塔的策略具有較低的換手。
模型研發與演化
羅塞塔花了四年多的時間開發其最新的模型。2017年，Rosetta的第一代實盤策略是兩個基於第一代深度學習模型的方向性策略。Rosetta將深度學習定義為使用深度神經網絡的機器學習算法。種子投資者是一家美國捐贈基金，它們希望以二元交易方式進行交易，其中1號模型不是100%做多就是100%做空標普500；2號模型可以100%做多標普500或以持有現金。
2020年5月，Rosetta推出了下一代實盤策略，增加了強化學習，創建了完全不同的模型，也允許可變的倉位規模。“深度學習擅長於發現關系或聚類，但不擅長分配或優化。與自動駕駛進行類比，你可以使用深度學習來識別你面前的物體，但需要強化學習來減速、加速或右轉。”Bonafede指出。Rosetta將DRL定義為一種算法，即通過嘗試和錯誤去最大化獎勵，並將情境映射到行動中。這些系統還可以處理更大容量、更復雜的數據，包括非傳統數據。
Rosetta的RL One策略將DRL應用於標准普爾500指數的交易中，在2020年5月至2021年4月期間實現了18.27%的收益，標准差為12%。他們的DRL策略交易ICE的EUA期貨合約和相關工具在同一時期的收益為28.26%，波動率為19%。
回測和訓練
Bonafede說：“到目前為止，實盤表現已經超過了回測，但我們意識到阿爾法衰減的可能性。”術語“回測”本質上是在描述一個靜態模型，而不是適應性模型。Rosetta使用了幾十年的所“訓練數據”，將樣本外模型應用於看不見的數據，以及各種用於普適化模型的技術，並確定樣本外學習的水平。“在數據歷史較短的地方，對於新市場，可以使用遷移學習等技術來彌補數據的短缺。我們確實有足夠的歐盟碳限額數據，它們受到監管的嚴重影響，與我們的標准普爾500模型相比，它們的流動性和數據非常不同，”Bonafede說。
機構級的基礎設施
除了打磨和完善其模型，Rosetta還投資建立了一個可擴展的、制度性的、高質量的運營和交易基礎設施和團隊。這包括總計43000人小時或48年計算時間的計算機能力。我們的優勢來自算法而不是數據量。Calvello說。“我們只有6個人，但擁有100人團隊規模的基礎設施。我們從一張白紙開始：我們需要雇佣特殊人才（並與谷歌、FB、NASA、NYU等實體競爭這些人才）；從頭開始構建專有IP；建立工業質量的基礎設施，支持快速實驗和高效循環;建立一個機構質量的運營結構（因為我們是受托人）；建立交易業務；注冊成為CTA；審查和雇佣供應商(基金管理，fcm等)，”Bonafede說。
該團隊包括四名經驗豐富、才華橫溢的機器學習科學家和工程師，他們都曾在投資和金融行業之外工作，解決了不同規模的機器學習問題。從一開始，羅塞塔就擁有一個經驗豐富的顧問委員會，由6名配置者、資產管理公司和學者組成，他們偶爾會被用作征求意見的顧問。其中包括瑞典公共養老基金AP3前首席信息官埃里克·瓦爾托寧（Erik Valtonen）。
公司成長策略
Calvello說：“我們是一家與眾不同的初創公司，我們從頭開始，從資產所有者那里籌集資金，而不是從風險投資家那里。”該公司從Verger資本管理公司（由前維克森林大學捐贈管理團隊組成的OCIO）獲得了初始運營資金。Bonafede表示：“我們正在與其他潛在的戰略合作伙伴進行談判。”
截至2021年5月，Rosetta管理着1900萬美元的資金，“我們已經制定了更為靈活的戰略，可以在最深入的市場進行擴展。我認為我們專注於我們所擁有的。”其策略的實盤表現也多次出現在BARCLAYHEDGE的榜單中。
羅塞塔咨詢委員會成員Elisabetta Basilico博士認為發展一種顛覆性的、高度創新的策略所面臨的挑戰：“在可解釋性和准確性之間存在一個平衡。投資者和顧問面臨的最大問題是，是否應該投資於基於人工智能的策略，因為它們可能是最准確但最難以解釋的。”
所以，賺錢重要還是解釋性重要？各位小伙伴怎么看？