| 进一步复杂化和尖端化的同时，也会引来越来越多的非议声
伴随着人工智能技术在金融领域的广泛应用，算法交易可以说已经全面“占领华尔街”。而华尔街又是目前世界上金融交易最发达、最领先的市场，因此一定程度上说，华尔街交易圈发生的变化极有可能代表着未来全球金融交易的新趋势。但是，一枚硬币总是同时拥有两面，撇开算法交易带来的便捷性等优点不谈，在过去几年我们已经看到了交易领域发生了与过往全人工喊单式交易非常不同的特点，有些甚至是破坏性的。
所以，对于下面这一个问题的考虑就显得越来越紧迫和重要，即当前算法交易实现的功能是否已经违背了人类设计算法交易之初的理念？
Lexicon的启动对算法交易意义深远
2013年春天，道琼斯公司启动了一项全新的服务，命名为“Lexicon”，其特色在于向专业的投资者，包括机构及个人，发送实时的财经讯息。究其本身而言，这项服务没什么好奇怪的，名义上看只不过是华尔街日报与道琼斯新闻专线整合了一条实时发送可能对市场产生影响的信息渠道而已。但是，经调查发现大多数订阅Lexicon的并非是自然人，而是执行算法交易公司的程序接口，本质上说就是数行代码。这些代码读取新闻的方式与人类大相径庭，它们并不愿意也不需要知道某条财经新闻的来龙去脉，更不需要逐字逐句地去阅读，它们所要做的只是提取其中的具体数据和“可执行”的关键字眼。
针对这样的客户特征，道琼斯公司可以将Lexicon的服务打包成只有机器语言能解读的形式，方便算法交易程序直接读取。这么做的意义在于，计算机不再仅仅是简简单单地加工搜集到的数据供人类用大脑分析，它们甚至可以自己做出投资决策了。Lexicon极大程度地提高了资讯阅读、加工、决策的自动化程度。道琼斯公司可以让Lexicon24小时不间断地实时阅读财经新闻，寻找个中的可能对某类投资标的有重要影响的关键条目，然后将它们直接编码成特定的程序语言，发送至算法交易订阅用户的程序里，这些订阅客户可以再进行下一步的深入解析，再利用这些成果做出算法自身的交易决策。
算法交易改变了市场的短期波动特征
Lexicon反映了当前算法交易在华尔街有多么盛行。在过去的十年间，算法交易成功地打入到各类交易场所。无论是一家刚起步的小型对冲基金公司，还是高盛、大摩等金融巨头的富丽堂皇的交易台，只要办公场所设在华尔街，无不涉足算法交易。据统计，算上高频交易在内的算法交易占据了全美金融市场交易量的 70%以上。那么问题来了，个别市场的极短期限内的上下波动，不再是由消息获得的早晚、商业嗅觉灵不灵敏决定了，而是取决于疯狂寻找价格局部失衡、捕捉套利机会的各种算法。
诚然，不论你觉得算法交易是有利于还是有碍于经济、金融乃至社会发展，它的急速发展已是既定事实，毫不夸张地讲，算法交易已经“占领华尔街”。
细数算法交易的功过与是非
在算法交易理念如此根深蒂固之前，计算机在金融交易发展史上就已经起到了非常重要的推动作用。最早的时候正是由于电子化交易的出现，使得人们足不出户即可寻找到对应的买家或卖家，省去在拥挤不堪的交易大厅里嚷嚷和讨价还价的繁琐过程。对于高频交易者而言，算法交易也是福音，最大限度地避免了因交易过程中的时滞产生沉重的损失。除此之外，在经济数据统计分析、数据收集的全面性、资产表现比较分析方面，计算机确实表现出了远超人类的高效、快速和智能。
不过，在算法交易、人工智能等加速进入金融领域后，很多情况就开始变得难以理解、预测和监管了。在理想状态下，这些智能化的算法应该能够营造出一个精确的、瞬间反应环境变化的市场，而最大程度上撇弃人类的情感以及判断。事实却往往事与愿违，过度植入算法的后果就是一旦出现不利情况，识别错误和修正的过程会变得十分艰巨和不可控。2010年5月6日，道琼斯工业平均指数令人费解地在5分钟内下跌573点，这就是知名的“闪电崩盘”；同年9月，苹果公司的股价在30秒内下跌4%，又在若干分钟内迅速收回。差不多同时，Progress Energy，一家上市公司，眼睁睁地看着自己公司的股价直线暴跌了90%。这些突然之间的急剧波动，是不太可能找到由什么具体的事件所导致，如今主流的观点都认为主要责任在于威力越来越大、速度越来越快的算法交易系统，这些系统使得市场对人类的不可预测性在逐渐增强。
逐利性使得算法交易仍会蓬勃发展
算法交易产生的目的当然是为了帮助投资者更有效地实现自己的交易目标。其产生的背景是在电子化交易实行之前，大型机构投资者可以凭借自己的资金实力和头寸规模跟场内交易所的马甲们“谈判”，进而获得下单或执行以及佣金方面的一些优势。但中小型的机构投资者、个人投资者则只能望洋兴叹，被迫只能做出改变，考虑借助IT的强大力量。
Harold Bradley，美国堪萨斯州某中等规模投资公司的前任投资总监，是上世纪90年代最早一批开始探索算法交易实施有效性的先驱者之一。他起初是用了三年的时间将自己的交易思想编写为一套选股系统，并用自己的交易直觉和经验来不断训练他创造出的这套基于神经网络的算法。但是他并不满足于这套系统平行于自己，而是希望能够超越他自己。于是在2000年，Bradley又拉来了一个工程师团队来进一步筛选对特定的股票有强预测性的指标，在大量的模拟之后，最终确定了一套由7个指标构成的决定因子库。更困难的部分来了，那就是决定这7个因子的权重大小。Bradley从加州大学伯克利分校引进了一套公开可得的“微分演进优化选择器(DEO)”程序，该程序主要是用于对不同权重大小下的股票表现的结果进行回测、优化和预测，可以在完成数以万计的模拟后最终帮助 Bradley确定最优化的选择。这还没有完，针对不同的股票，不同时段的历史价格数据，还需要进行二阶、三阶乃至十几阶的“DEO”持续运行，其间还需要考虑数据变异和随机特征，最终获得权重序列才可以称为是最优化的。Bradley在2007年加盟了Kauffman基金会，目前其个人管理规模约18 亿美元。
Bradley在华尔街绝非个案，目前全球顶级的投资机构都将眼光放在了世界各地名校的数学、工程学、计算机等在校学生身上，这些人才将为交易平台带来除计算机编程、统计以外的、更尖端的人工智能技术。
总而言之，不管现在学术界或者实战层面的是非评判如何，算法交易已经大行其道，无论是从事自营交易，还是不用判断价格涨跌、只追求“薄利多销”的做市商交易。现在甚至出现了针对“拆单”以隐藏巨量头寸报价的“猎食性”算法系统。因此，有理由相信算法交易还将进一步复杂化和尖端化，而在这个过程中，也会伴随着越来越多的非议声。 |
