編輯嚴選

檢舉內容

AI會取代股票分析師嗎？質化研究、量化交易、AI投資，誰能笑到最後？

在過去三個月，如果要挑一項對世界最有影響力的新科技，我想ChatGPT絕對當之無愧，不只帶動一系列AI概念股飆漲，更讓外界關注，究竟AI會取代哪些工作？如果有AI，我們還需要傳統的股票研究員和基金經理人嗎？

剛好，前陣子筆者在清大進修金融科技，也接觸一點AI。來談談量化交易、AI會對傳統質化研究產生什麼衝擊？以及AI是否會取代分析師、經理人？

傳統上，證券商有自營、經紀等業務，其中研究員寫報告、經理人操盤資金，絕對是當中關鍵。不論是總經和產業研究、技術分析、個股評價、股票推介，乃至交易買賣，通通都由「人」來進行質化分析和主觀決策。

然而，在金融商品、交易策略多元化的現代，這套以人為主的模式，卻正面臨兩大挑戰：

首先是人性偏誤。就如價值投資大師巴菲特曾說的，「多數情況下，基金經理人無法打敗沒人管理的市場指數，甚至不能打成平手。」

這件事在2022年的台股基金表現上尤其明顯。據統計，2022年台灣加權指全年報酬率為-22.4%，於此同時，台股基金平均報酬率卻是-28.7%，整整落後6.3個百分點。

原因是，不論研究員、經理人再厲害、再理性，他們終究是人，也無法逃避人性和情緒，可能因爲績效壓力、FOMO、擔心太獨樹一格等，導致錯誤決策，進而在績效表現上，反倒輸給零管理費的大盤指數。

第二個挑戰是高成本。如果攤開台灣2022年主計處數據，會發現證券期貨業薪資竟高居全體產業前十名，而這樣高昂的人力成本，也反映在主動式基金動輒1%以上的管理費。

然而，如今低管理費、指數化投資的ETF日益盛行。如果我們買大盤型ETF，就能享受超越主動式基金平均以上報酬，內扣管理費還更低，那我們還需要這麼多研究員孜孜不倦寫報告、經理人想破頭操盤嗎？

不久前，某國內大型券商主管也指出類似趨勢：一來現在愈來愈少人看研究報告，二來現在資訊透明，跑產業、call公司效益也不如以往，要將報告轉換成商業價值的難度也愈來愈高，導致公司對質化研究投入也逐漸放緩。

如果主觀交易、質化研究正在式微，誰會取而代之？短期內可能是量化交易和ETF；中長期來看，AI也可能參戰。

先談量化交易，相較傳統模式，量化不靠人為判斷，而是依照數學、統計模型、程式來進行交易。

舉例來說，一套量化策略，可能會先從總經、技術、基本、籌碼數據中，篩出可能有超額報酬的因子；接著經過回測分析，將因子設計成明確進出場訊號；最後結合程式，開發成自動化執行的策略。細心一點的，可能還會在策略中設計濾網、優化績效，甚至透過濾網即時檢驗因子是否失效。

綜上所述，可見量化和質化最大差異，在於消除人為主觀偏誤，只在最初的數據篩選、策略設計中，加入少部分人為決策，而在後續的買進賣出、判斷策略是否失效等，通通交給程式來執行。

這樣有三個好處，其一是成本低，不再需要研究員費心call公司、經理人盯盤買進賣出；其二是克服人性，不再會有FOMO、恐慌、貪婪、壓力攪亂，一切交給程式和策略；其三是策略可以廣泛適用，不再受限於人力研究範圍。

時下火熱的ETF產品，其實也可理解為量化交易的一種。一旦ETF設計出指數，基本上就如同一套自動化、按紀律執行的量化策略，也因此管理費遠低於主動式基金。

如果再更進一步，我們把量化交易的因子挖掘、進出場訊號也設計交給機器來執行，那就會是目前最火熱的AI了。在美國，AI機器人理財已不是新聞，台灣也有阿爾發、Growin等團隊開發相關技術。

不過，要說量化交易、機器人理財（AI）要全盤取代傳統偏重質化的研究員、經理人，恐怕還言之過早。

首先，對許多大型資金（如壽險業）來說，放在有價證券的資金部位動輒上億，不太可能利用量化交易策略頻繁進出市場，且過大的資金量體進出，也可能造成市場動盪，或者胃納量過大導致無法使用某些因子、策略。

其次是，目前在台灣法令規範上，壽險業也不大能用程式進行量化交易，所以多半還是仰賴研究員進行股市、債市研究，並找出中長期的投資標的。

就算撇除壽險等大型資金的特殊情況，其實目前市場上仍有許多非結構化資料可能影響股價，卻未必能放入量化交易策略中。也因此，質化分析依舊能在投資市場保有一席之地。

再者，開發量化交易策略的前提，仍需要對數據的理論認知、解讀、分析，才能進行篩選，否則開發策略只會像是無頭蒼蠅。所以，要找出市場數據與股價關聯性，依舊需要經濟、產業、商業模式分析等質化知識。

當然，最理想的情況，應該是結合質化與量化優勢，才能確保投資組合有最佳效益。

至於AI，受到的法令限制則更為嚴苛。雖然在美國，機器人理財相對普及，但目前台灣並不允許金融機構提供「機器人理財的全委自動化交易」，意思是，你不能把錢完全交給AI操作，AI只能提供投資建議，最終使用者仍須親自按下同意，才能操作，便利度並不高。

但就算退一萬步，假設台灣法律全部鬆綁，AI機器人理財發展仍有三大挑戰：

其一是，機器人理財的原理，是透過AI的機器學習演算法（如SVM、LightGBM、RF等）進行訓練，進而去辨識、分群股票的漲跌，最後做成投資決策。

然而問題在於，這整段訓練過程中，開發者能做的只有兩件事，一是選擇要餵入哪些資料做訓練，二是可以微調演算法中的訓練參數，但除此之外，關鍵的訓練、演算過程基本上是黑盒子，也導致要優化、調校AI模型難度相當高。

況且，在股市沒有標準答案，又有諸多人性心理因素參雜的前提下，連人類都未必能做出正確決策，更何況要去訓練、調校AI，更是不易。

更糟的是，萬一沒有慎選餵入的數據，還可能產生Garbage in, garbage out.的窘境；又或者，如果過度優化，則會有Overfitting的疑慮，這些技術問題都還有待一一克服。

其二是，量化交易策略中的「有效因子」，其實在過去幾十年間，已經被人類實驗地差不多了，AI能找出的因子可能也都大同小異，要開發全新因子尚有難度，除非有將更多非結構化資料放入訓練，才有望突破。

此外，如果AI策略普及，反而可能造成的現象是，大家都在捕捉相似feature，使得市場變得更加有效率、快速修正錯誤定價，投資人可以獲得的Alpha（超額報酬）也會因此減少。另一方面，如果大家都在使用相似的模型和feature，也可能在市場動盪時產生大跌風險（大家都因為同樣訊號集體賣出）。

若將來發展到極致，可能會演變成AI算力大戰，誰擁有更多的算力，誰就能訓練出更強的策略和模型，不過，屆時大概也不是小散戶能插手置喙的餘地了。

雖說，台灣距離AI大舉入主市場的日子或許還很遙遠，目前多半侷限在小規模的2C市場和金融機構中使用，但在長遠的未來中，投資人仍須認知到AI的效益、用途和風險，比起被工具取代或打敗，更應該去善用工具。能將質化、量化、AI三者，截長補短、發揮綜效的人，或許才有望笑到最後。

本來還想分享私心覺得好用的量化交易策略平台，不過文章太長了，下次再來寫一篇，財經記者工具箱，分享好用工具吧！