Quest AI

人機協作

這些模型是自動運行，但需要由人類專家來設計、測試、改進和維護。人類不僅負責設定演算法，還要用數據訓練模型定期訓練它們，以確保適應不斷變化的市場。專家需要決定使用哪種機器學習技術和數據類型，比如信用卡交易記錄或社交媒體資訊可以作為傳統的公司財報數據的補充說明。專家需要確保財報結果的準確性和穩定性，並理解模型的產出、決定訓練的頻率和程度。他們需要用多年的數據來嚴格訓練和測試模型，可用的數據種類繁多，所以幾乎可創建無限多種的模型。

人類在這個階段扮演著重要角色，但一旦選定了模型後，它就會指引股票的交易。這種自動化不僅有助於消除人為投資容易產生的情緒偏見，還能降低成本。

人工智慧使量化投資升級...

人工智慧（AI）並不是一個新領域，但最近在計算處理能力、雲端運算和開源工具方面的提升，降低了進入機器學習的門檻。AI現在正在加速量化投資的發展，創造了開發Quant 2.0的機會（見表2）。受惠於AI前所未有的處理能力，投資模型能夠追蹤更多的數據間複雜的交互關係。

傳統的量化方法通常局限於分析少數市場消息，這會導致暫時的錯誤定價，並歸因於市場大盤的驅動因素，比如價值或成長動能。AI則能更頻繁地提供數百個潛在可能的訊號。這些訊號來自於公司財報、股價、分析師看法、新聞報導，以及投資者如何在短期及長期內消化這些反應等數據，而這些僅僅是開始。

與傳統只能辨識線性關係的機器學習技術不同，AI能夠捕捉大量數據中更複雜的關連性，從而深入洞察股價波動的原因。AI技術能夠辨識更複雜而且非線性關係，大幅提升了從數據中挖掘關連性的能力。

傳統量化模型通常設定股價表現與市場消息之間是線性關係。例如，傳統模型中，分析師提高對企業的評價代表著該企業股票可能表現優異。然而，這種關係在某些情況下可能不成立，或者未能及時掌握消息以產生超額報酬。

非線性機器學習模型則能透過歷史數據訓練，能有效地預測出分析師上調評級後的後續優異表現。這可能是因為分析師的預測範圍很廣，或者單一分析師的觀點不同，抑或是時機點因素影響，比如公司即將公布業績。如果股票被避險基金大量放空，模型可能會辨認為它可能有受到空頭擠壓，使得股價的彈升幅度比分析師上調預期來得更劇烈。在傳統金融數據中，這些非線性關係可能有成千上萬個，能夠帶來額外的超額報酬。

... 撥開市場雜訊，聚焦公司自身的超額收益

這種更複雜的架構讓基金經理人得以分離出影響股價的特定因素。為了實現這個目標，他們會從每支股票的表現中排除多種常見因素（如市場、行業類別、地區、產業、國家、風格、經濟影響）。如此一來，就可以辨別並掌握與公司自身相關的超額報酬。

隨著時間的推移，演算法會逐步演進，掌握瞬息萬變的經濟和市場動態，並納入新的數據。

為了有效運作，AI驅動的模型需要人類設定投資參數。但一旦這些參數確定後，經過訓練的演算法就能對個別股票做出買賣決策。

由於這些參數控制了風險，它們也會限制策略產生的超額報酬。但即使超額報酬很小，隨著時間推移，複利效應仍然很強。在高估值的情況下，股票報酬率可能降到中等水平，哪怕只有1-2%的超額報酬也能帶來影響。比如，假設未來十年市場報酬率是5%，而每年扣除費用後的超額報酬是1.5%，複利效應將讓客戶在十年間多賺24.8%。

量化策略可以靈活調整

量化策略的最大優勢之一是靈活性。透過調整與參考指數的重疊程度，量化策略可以調整追蹤誤差和風險的大小。它可以根據投資者的需求進行客製化，例如投資範疇排除特定股票或產業，同時仍保留量化方法的優勢。由於量化策略的投資組合涵蓋各國家和產業，客製化調整投組不會影響其產生超額報酬的能力。即使永續量化策略會因為排除石油、天然氣公司或礦業公司，而產生較高的追蹤誤差，但透過在投資組合構建中專注於風險管理，可以將這一影響降至最低。

一個標準的指數強化產品，其風險等級與參考指數非常相似，提供客戶取代傳統被動指數追蹤方法的核心配置。在瑞士百達資產管理，我們的Quest AI策略使用這種方法進行核心配置，並可以透過投資於Quest的高追蹤誤差、低Beta值的永續股票基金。而且，由於量化方法提供完整的買賣信號，它們適合用於多空策略，例如Quest AI的策略。

量化策略的關鍵在於建立合適的模型並用合理的數據進行訓練。然後，需要設定適當的參數以符合投資者的風險偏好和其他要求。一旦完成這些步驟，量化策略便便能專注於股票本身的特性，產生額外的收益，而不受一般市場因素的干擾。。而且這都是在低成本和市場風險的條件下進行的。換句話說，它是結合主動型和被動型投資策略優勢的最佳方式。