淺談AI交易與 傳統量化交易的差別

      在談論AI交易之前，我們先聊聊何謂量化交易。多數人對於量化交易的理解是模糊的。量化交易是個廣泛的名詞。許多人時常將量化交易與「程式交易」、「高頻交易」等名詞混用，無法明確的分出其中的差異。

      我們大致可以透過「交易執行的方法」與「交易模型建立的方式」來對各種量化交易的模式做分類。唯對於各種量化交易模式名詞定義解釋並非本文的重點。本文將著重說明AI交易這個分支的特色。 

      一般所謂的量化交易(Quantitative Trading)泛指以數學、統計為基礎，透過數據分析、資料科學等方法建立交易模型，並有系統性與紀律性的進行交易操作。而另一種主要交易模式則是透過專家或分析師的經濟預測、金融市場分析所產生的交易，這類的交易一般稱為主觀交易。 

      AI交易同樣屬於量化交易的一種，早期類似的技術通常被稱為類神經網路或資料探勘技術。在二○一四年後由於電腦科學的快速發展，運算能力的能力大幅提升，資料儲存成本大幅下降，AI交易成為量化交易領域中急速發展的一個分支。現在大家常聽到的「深度學習」、「機器學習」，都是近年持續發展出來的人工智慧技術概念。 

最大差異在於「人類」介入程度

      量化交易本身早已不足為奇，在成熟的金融市場例如華爾街，如今早已有高達九成以上的交易量都是屬於量化交易。但本文之所以特別將AI交易拉出來談，正是因為其近年的發展已不容忽視，甚至正在大幅的改變量化交易的世界。 

      AI交易與傳統量化交易的最大差異性在於「人類」的介入程度。在早期傳統的量化交易中，人類扮演分析師的角色，先對市場進行諸多的假設，將這些假設建構成數學模型。接著傳統量化交易者會將這些交易模型交接給具有高速運算能力的電腦系統，快速在大量的歷史資料中驗證該模型的準確率與其在過去的市場中具備的獲利能力。一旦驗證結果符合預期，這些傳統量化交易者便會將這些交易模型套用到市場上，期待其交易模型在未來也可以持續在市場保持獲取正報酬的能力。相反的如果模型測試後的獲利能力不佳，則由人工進行反覆的調整，直到能夠滿足開發者的報酬期望。 

      然而近年的AI交易開始有不一樣的改變，儘管目前AI技術仍需要大量的人工介入，例如特徵數據的篩選、資料清洗等等。但以強化式學習為首的AI技術概念正在快速的竄起。人們開始期待AI技術有機會可以自己在市場上學習與找到人類無法觀察到的規則。

      早期的量化交易需要高度的金融與電腦科學專業，並非一般民眾容易跨足的領域。但隨著各種親民的分析與模型建構軟體工具與平台陸續被開發出來後，傳統的量化交易逐漸變得平民化。一般民眾只要願意花點時間學習訓練，跨入傳統量化交易的門檻如今已大幅降低許多。 

      量化交易的優點在這個時代已不需再贅述，但我們都瞭解金融市場甚至無法被稱為零和市場(由於各種交易成本的存在，對一般投資人而言是負和市場)。因此在諸多投資人陸續投入傳統量化交易的懷抱後，原本量化交易者在市場上的競爭對手可能是朝九晚五的上班族或是菜籃族。

      如今對手也是量化交易者時，其真正能在市場上脫穎而出的機會正在快速的減少中。

未來金融交易市場AI對抗AI時代

      然而近年AI技術的快速發展讓量化交易者看到了一個新的趨勢。AI技術目前仍存在高度的專業門檻，並非一般民眾容易跨入的領域，許多概念與技術如雨後春筍般冒出。這也是傳統量化交易者正在面臨的挑戰。我們可以預期接下來各種金融交易市場將會被掌握AI技術的交易者快速的攻城掠地，反觀在這一波技術革命中無法跟上腳步的傳統量化交易者，將不可避免的逐漸遭到時代的淘汰。 

      我們可以預見不久的未來的金融交易市場將會充斥著各式各樣的AI分析與交易工具，接下來是AI對抗AI的時代。唯有徹底掌握AI技術本質，精準預測其他AI工具的可能交易行為模式，才有機會在這負和市場中搶得先機。