对于量化投资者来说，自由决策性投资是*主观的——充满了确认偏差、可得性偏差，基本比率谬误等等。另一方面，对于这类投资者而言，量化投资太过“天真”——看一个公司不能只看市净率和投资回报率。
这两类投资者所在的世界截然不同，让人觉得永远不会有交集。
但人工智能在投资领域表现出的潜力却恰恰有关两个世界的相遇。
机器学习的*进展已经为两种投资理念的结合创造了令人兴奋的可能性。如今，量化投资者在影响投资收益的基本面因子之间找到了更复杂和非线性的关系，越来越可能在处理复杂财务报表的过程中找到比价值、动量和增长等传统因子更“精细”的因子。例如，一个人工智能系统可能会发现财务杠杆、利率、营业利润率和破产概率之间复杂但可预测的关系。
另一方面，得益于人工智能的发展，自由决策性投资者现在可以找到并量化以前被*其主观评估的一些因子。通过社交媒体监测，他们可以衡量公众对品牌的看法。他们可以使用停车场的每日航拍照片来计算访问零售店的实际客户数量。他们还可以通过职场点评网站上的评论了解员工士气——将以上这些因素纳入他们的投资过程中，可以带来显着的alpha收益。
然而，有一个被完全忽视的方面可能更令人兴奋。我们现在有可能制造出一个真人投资经理的复制品，一个会通过实例学习并建立自己投资风格的机器：可以追踪市场动量，坚持传统价值观念，或以合理的价格买涨。
那么，我们如何去搭建这样一个系统？
大多数系统投资策略是以于均值—方差模型为基础的。而我们想要的是一个可以预测投资经理在给定一组特定数据时会做什么的系统，并且这样的特定数据对于做出*的收益预测来说几乎是永远不充足的——这个区别*不起眼，但至关重要。此外，这样的系统存在一个重要的“副作用”是，要允许它说“我不知道现在该怎么做”。一旦停止尝试预测收益而改为预测投资决策，我们就可以使用任意有限的信息了。
影响投资决策的因素有两大类。 *类是从财务报表、市场数据等来源中得出的量化因子。第二类则包括关于公司治理的主观判断、潜在的市场规模、选股等场景中的可干扰性，等等。投资经理可以根据风格选取这两个类别中的各种因素，设置不同的权重。他们有时甚至不清楚自己下意识地给每个因素分配了多少权重。实际上，这些权重可能根本不是线性的，而是一个由“是或否”的决策点组成的矩阵。
在现代人工智能系统的轮廓中，我们可以将所有这些因素纳入决策过程。这样一个系统的架构如下：
由此可以得出两个关键的观察结果。首先，我们尝试对投资决策建模，而不是针对风险或收益。其次，我们将主观输入与量化输入设置为具有明确差别的因素。然而，这些主观输入本质上仍然是定量的。例如，我们可以将公司治理的评级设定为1到5。类似这样的衡量标准还是由人为判断来决定的。
这种模型架构有助于机构更快地开始建立一个系统，而不是加快收益建模的速度，虽然后者需要的也只有定量输入。更重要的是，随着时间的推移，如此建立的系统可以反映出投资经理的风格。
这种架构中存在无限的参数，或者说底层模型使用的输入信息中包含的因子。投资团队要具备能提供强有力的主观评估的能力。
世界上没有两个相同的投资经理，也不可能出现两个完全相同的由AI驱动的系统。 通过预测投资决策而非预测收益率，同时将团队的主观评估纳入决策过程，我们确保能获得不同的、独特的投资“机器”——这是各地金融市场保持活力和稳健发展的先决条件。
