投資業正在經歷一場變革，這在很大程度上歸功於技術的進步。投資專業人士正在整個投資流程（包括投資組合建構）中整合機器學習 (ML) 等新技術。許多資產管理公司開始將機器學習演算法納入投資組合最佳化過程中，尋求比均值方差優化 (MVO) 等傳統方法更有效率的投資組合。這些趨勢需要重新檢視機器學習如何改變投資組合建構流程。
投資者將受益於對機器學習演算法的基本了解以及這些演算法對其投資組合的影響。最終，資產管理公司建構客戶投資組合所採用的策略對最終投資者產生直接影響。因此，隨著這些方法的不斷流行，投資者應該對它們有足夠的認識。本文旨在概述機器學習演算法在投資組合最佳化過程中所扮演的角色。
背景
「機器學習」一詞由 AL Samuel 於 1959 年首次使用。 實驗 透過訓練計算機下跳棋，得出的結論是計算機表現出巨大的學習潛力。這些結果為該主題的進一步研究鋪平了道路，並導致了接下來幾十年中日益強大和複雜的機器學習演算法的發展。因此，包括投資管理在內的許多行業近年來都採用了這些技術。
機器學習演算法在分析高維度資料或具有非線性關係的資料集時特別有用，隨著機器學習的興起，這種情況變得越來越普遍。 非結構化數據 以及其他替代資料來源。機器學習的兩個主要類別是監督學習和無監督學習。透過監督學習，ML 演算法可以偵測一組特徵（即輸入變數）和已知目標變數（即輸出變數）之間的模式[1]。由於定義了目標變量，因此這被稱為標記資料集。然而，在無監督學習中，資料集是未標記的，且目標變數是未知的。因此，該演算法試圖識別輸入資料中的模式。 附件1 描述了投資專業人士目前使用的一些常見機器學習演算法。
圖表 1：投資管理常見的機器學習演算法。
| 機器學習演算法 | 描述 |
| 最小絕對收縮和選擇算子 (LASSO) | 懲罰迴歸的一種形式，其中包括迴歸模型中包含的每個附加特徵的懲罰項。這種正則化技術的目標是透過最小化特徵數量來創建簡約的迴歸模型並提高模型的準確性。 |
| Ok– 均值聚類 | 將數據分為 ok 集群。聚類中的每個觀測值應與其他觀測值具有相似的特徵，並且每個聚類應與其他聚類明顯不同。 |
| 層次聚類 | 兩種：自下而上的分層集群，將資料聚合成逐漸增大的集群；以及自上而下的分層集群，將資料分離成逐漸變小的集群。這導致了數據分組的替代方法。 |
| 人工神經網路 (ANN) | 包含輸入層、隱藏層和輸出層的節點網路。輸入層代表特徵，隱藏層是演算法學習和處理輸入以產生輸出的地方。這些演算法有很多用途，包括語音和臉部辨識。 |
投資專業人士預計，新的分析方法將在未來幾年對投資產業產生巨大的顛覆性影響。 2022 年的受訪者 民調 超過 2,000 名 CFA 協會成員預測，在受訪者中，機器學習等新分析方法將成為未來 5 到 10 年內對工作角色的最重大顛覆。 圖表2 顯示此結果以及其他預期對工作角色的干擾。
圖 2. 預計在未來 5-10 年將顯著擾亂工作角色的因素。
投資組合最佳化
的發展 20 世紀 60 年代的神經網絡 為使用機器學習進行投資組合優化的許多替代方法奠定了基礎。此外，「專家系統」的出現[2] 導致投資專業人士越來越依賴機器來幫助解決複雜的問題。專家系統在金融領域的一些早期應用包括 貿易 和 財務規劃 專家系統。
近年來，隨著投資專業人士尋求其他方法來提高投資組合回報並獲得競爭優勢，機器學習演算法在投資組合建構過程中的使用越來越受歡迎。特別是，將機器學習演算法整合到投資組合建構過程中可以解決傳統投資組合最佳化方法（例如 MVO）的挑戰和限制。
MVO 的一個主要限制是，它在優化投資組合時僅考慮收益的平均值和方差，而沒有考慮收益的偏度。然而，實際上，投資回報往往表現出偏差。具體來說， 研究 研究表明，平均而言，成長型股票的正偏度高於價值型股票。為了考慮投資回報的潛在非正態性，一些投資專業人士選擇使用均值-方差-偏度最佳化模型，甚至均值-方差-偏度-峰度最佳化模型來建立投資組合。然而，這些模型會導致多目標最佳化問題。人工神經網路可以有效地創建均值-方差-偏度最優投資組合 解決這個限制。
MVO 的另一個缺點是它阻止投資者表達對未來資產表現的看法。例如，投資者可能預期未來六個月債券的表現將優於股票。 Black-Litterman (1992) 模型使投資人能夠將這些觀點納入投資組合最佳化過程中。一個 替代方法 是將 Black-Litterman (1992) 模型與 ANN 相結合，這有可能在不承擔過多風險的情況下產生相對於基準的高回報。
MVO 中的輸入對測量誤差很敏感，對於預期回報估計尤其如此。 因此，MVO 有潛力產生表現不佳的「最佳」投資組合。反向優化可以成為開發更準確的預期回報估計的有用替代方案。然後，投資專業人士可以使用這些改進的估計值作為傳統 MVO 的輸入，以產生更有效的資產配置。投資專業人士還可以使用機器學習演算法 預測股票收益 並將這些估計納入 MVO。另外，最近的一項研究開發了一種 加強投資組合優化 方法，其中包括使用相關收縮參數來改進估計的夏普比率，然後根據這些估計值創建最佳投資組合。
最後，投資組合最佳化的一個主要挑戰是估計協方差矩陣，特別是對於高維度資料。 LASSO 模型可以 應對這項挑戰 比傳統方法更準確地估計協方差矩陣，這是 MVO 的關鍵輸入。
結論
這些趨勢對投資專業人士有何影響？顯然，投資業正隨著新技術而迅速發展。投資專業人士預計，機器學習等新的分析方法將在未來幾年顯著改變工作角色。因此，從業者開始將機器學習演算法整合到投資流程的所有領域。
許多資產管理公司試圖透過在投資組合優化過程中整合機器學習演算法，創建在給定風險水平（即更高的夏普比率）下具有更高回報的投資組合，從而獲得競爭優勢。此外，機器學習演算法可以克服傳統投資組合最佳化方法的許多挑戰和限制，這促使投資專業人士尋求更有效的投資組合建立方法。投資者將受益於對這些趨勢的更多認識，從而更好地了解新的最佳化方法對其投資組合的影響。
[1] 在某些情況下，資料集可能具有多個目標變數。
[2] 專家系統描述了可以解決通常由人類專家解決的複雜問題的電腦程式。看： 專家系統 |人工智慧、知識表示與推理 |大英百科全書