量化分析师 · 任务逐条

信号研究与策略设计

AI 如今不只是执行研究,还会提出研究。Man Group 说,它的 AlphaGPT 系统产出的信号达到了它的标准,通过了与人工研究相同的评估门槛,AI 产生的信号还要经过双轨验证。机器学习本身在这里并不新鲜:四家大型自营交易商告诉荷兰市场监管机构,它们针对流动性品种的算法中有 80% 到 100% 依赖机器学习。在一项研究基准中,一个智能体在回测里最多达到经典因子库两倍的年化收益。

公司的叙述是它面向投资者的宣传;监管机构的数字是四家公司自报的;基准是回测,不是实盘。

回测与量化代码

模型写了大部分代码,但在要紧的数字上出错。Man Group 说,它的系统能用公司的研究工具写出生产级的 Python 代码。在 BacktestBench 上,23 个模型中最好的整体准确率为 67.41%,波动率和夏普比率在所有模型上都仍是「重灾区」;在另一项基准上,顶尖模型生成有效策略代码的比例超过 91.7%,而作者的结论是人的监督仍不可或缺。

这些是固定任务的基准和一家公司的叙述;这里没有任何东西测量量化人员现在自己写了多少代码。

定价与风险模型

监管者如今预期机器学习会进入这些模型,并为此设定条件:欧洲央行的内部模型指南期望使用机器学习模型的人具备足够的相关专业知识,并要求机构防止重大变更被自动实施。一家央行的评估发现,凡是在交易中部署 AI 技术的地方,大多是规则化系统加上人在回路。

这些是监管期望和一份基于与公司交谈的评估;都没有测量模型是怎样构建的。

模型验证与质询

监管者把验证放在独立、合格的人身上。英国的监管期望写明,验证职能应独立于模型开发,并由具备必要技术专长的人员承担;欧洲央行期望内部验证对机器学习模型的建模决定进行有效质询,包括其复杂度是否合理。

这些是用「应当」写成的监管期望,针对使用内部模型的银行;没有测量验证工作。

部署策略并为之负责

规则点名了那个人。在美国,凡是主要负责设计、开发或重大修改算法交易策略的人,都必须注册为证券交易员;在欧盟,算法的部署或重大更新必须由高管指定的人授权,记录还必须写明每次变更由谁做出、由谁批准。

这些是对美国经纪自营商和欧盟投资公司的规则;没有测量策略是怎样开发的。