用神經網絡代替數學模型，DeltaGrad想成為量化投資界的阿爾法狗
如果一個人能炒股總是特別賺錢，但他卻無法告訴你他為什么每次都能賺錢，你能放心把錢交給他嗎？
在量化交易這個領域，36氪此前報道過不少項目。有私人量化交易平臺JoinQuant、RiceQuant以及優礦，為量化交易領域提供核心算法支持的眾加，量化策略商城微量網、以量財富為代表的量化理財平臺，m.dekuna.com，以及為量化投資者提供智能交易和分析工具的名策數據。如果你不懂算法，只懂投資邏輯，還有專門幫你生成量化投資策略的果仁網。
目前市場上看到的量化交易，背后大多有某種交易邏輯。每一個量化交易策略的建立，都需要輸入與這套邏輯相關聯的因子，比如歷史表現、公司財務數據、宏觀經濟數據、上下游供應商數據等眾多參數，建立一套模型以算出標的上漲或下跌的概率，并生成投資組合和調倉策略。隨著近幾年人工智能興起，不少人開始選用機器學習等方式，輸入眾多因子，讓AI自己生成策略。
36氪最近接觸到的DetlaGrad的做法則跟這些都有不同，它們的定位是基于人工智能的量化投資公司，只輸入交易數據，利用神經網絡來訓練模型。創始人說他們想做的是中國的橋水基金，但是從他的表述來看，我認為應該說他們想做量化交易界的Deepmind（研發阿爾法狗的團隊），就連他們A股機器人的名字，都叫智富狗。
DetlaGrad的創始人龐然表示，團隊早幾年是做計算機圍棋的，傳統將人類下圍棋的邏輯梳理成策略算法，龐然稱此為窮盡的方法，最多只能將機器訓練到五到六段，阿爾法狗的成功則說明，用深度學習網絡的算法，能將機器訓練到超過人類中的九段高手。他不否認策略的方式有效，國外大量量化基金的成功就說明了這一點，但是他認為這種方法難以超越人類。
龐然認為，這說明有些過于復雜的決策，影響的因子和情況的可能性太多，傳統用邏輯和策略等窮盡的算法可能是搞不定的，現實中高手做判斷也許是依靠長期經驗積累下來的直覺，比如有的基金經理和操盤手只需要看K線，不需要看基本面，憑借盤感就能做出很好的判斷，資深醫生也是類似。直覺不代表瞎想，但他們卻不一定能清楚說出背后判斷的邏輯，實際上人腦的思考方式就是如此。
DetlaGrad的團隊認為今年阿爾法狗的升級版Master是變革點，用神經管網絡替代原來用邏輯和策略構建的數學模型這種思路，可以用到金融領域之上。阿爾法狗不知道選手怎么思考，它光看選手怎么走，就學習并超越了人類。因此，量化投資并不需要知道最好的操盤手怎么想，只需要知道最好的操盤怎么操作。
世界第一的操盤手，就是交易數據。我們目前從公開渠道所看到的交易數據，KUKA機器人維修，包括每日走勢、交易量等，尤其買單賣單，是經過系統整合而成的數據，顆粒度不夠細。因此，除了公開數據之外，DetlaGrad還會購買顆粒度更細的交易數據來訓練模型，培養機器的盤感。
根據龐然介紹，DetlaGrad的模型目前做的是針對A股的量化交易，分為以下幾個部分：
市場頂部風險預警和個股及大盤未來上漲概率預測（分為短、中、長三個維度，目前一只新股票需要1天的訓練時間）。
策略發現和倉位調整，從后臺15萬策略中，找到最新觸發，風險最小、年平均收益最大的策略。目前團隊所使用的策略，均經過2011年以來的歷史數據回測，保證平均年收益大于100%，最大回撤小于10%，然后基于上述上漲概率找到當天風險最小，收益最大的操作方法，輸出成策略，告訴操盤手（現在有人把關，未來純機器）倉位該調到多少，止損怎么設置，這樣的操作對應的風險及收益分別是多少。根據最新股票預測數據，系統會每日調倉。
系統性風險預測，DetlaGrad有專門的預測系統性風險的模型，測算未來三天、五天、七天等出現系統性風險的概率，達到一定概率就清倉。
由于國內缺少高頻交易和對沖工具、市場受政策影響大，國外對沖基金的策略拿到國內常常會失效，龐然認為，借助以深度神經網絡為代表的新技術，也許可以解決這個問題。DetlaGrad的模型從6月份開始測試，模擬賬戶單月收益6.9%，同月大盤是6.4%；8月15日起啟動了100萬的實盤資金做測試，截止9月中旬實盤收益4.7%，最大回撤1.7%。
龐然認為，目前團隊的優勢在于團隊了解計算機圍棋變革的全過程，知道如何將變革應用到證券投資市場；使用自行設計并開發的網絡結構而不是開源了網絡結構，算法有領先性。
目前看來，DetlaGrad團隊的實盤測試金額較小，畢竟不同管理規模的策略不同；同時模型還沒有經歷過現實中跨周期（經歷過熊市和牛市）的考驗，單憑歷史數據無法預料黑天鵝事件。比如由諾獎得主成立的文藝復興科技公司，旗下的量化基金在成立前三年成績驕人，但后來因1998年俄羅斯債券違約事件的連鎖反應產生巨額虧損。
另外一個問題是，投資者真的能對純AI的決策有信息嗎？作為一家私募基金，假設某天超越人類智商的模型做出了人類無法理解的決定，我們要聽之任之還是阻止？天弘基金智能投資部總經理助理劉碩凌分享內部用AI技術改進投資的經驗，他們一共選124個因子，KUKA機器人電路板維修，來識別某個股票是成好的還是壞的。第一版的效果非常好，但是無法解釋，在這階段，目前投資者還是不能接受，所以我們最后用了相對簡單的決策樹模型，我們可以看清楚AI的思考模式。