發表文章

精選文章

Phoenix Agent : Native AI Hedge Fund

過年前有構想一直到除夕夜真的開始沒日沒夜的 build。 最近打造了一個「全自動化 AI agent macro hedge fund 」，投資組合完全零人工干預！ 目前大概有個雛形 - 凰的正式版本- Phoenix Agent 。它的核心是由 3 大 AI 模型 Claude 、 GPT 和 Gemini 共同運作。在每次做出投資決策前，它們會獨立研究 6 大資產類別，針對研究結果進行辯論，直到達成共識。 系統的運作機制： 深度分析： 每個 AI 模型會針對 58 檔 ETF ，全方位分析基本面、總體經濟環境以及超過 25 種量化訊號。 多輪辯論： 當 AI 之間出現分歧時，系統會啟動結構化的「多輪辯論」，確保決策經過嚴謹的邏輯碰撞。 嚴格風控： 系統會透過蒙地卡羅模擬（ Monte Carlo simulation ）與極端危機情境，對每一個產出的投資組合進行壓力測試。 自動下單： 決策完成後，目前透過美國券商 API paper trade 自動執行交易。 ❌ 無人工干預 ❌ 零情緒偏誤 ❌ 拒絕恐慌性拋售 整個 Pipeline— 從數據獲取到交易執行 — 以「每週」為週期全自動運行。此外，我們加入了長期量化策略作為底層的「機械性方向限制」，這是連 AI 都無法越權推翻的規則，以確保大方向的穩定。 近幾年慢慢了解自己其實會走上全職量化交易 ， 大概是因為蠻喜歡創建一些有趣的產品，特別是 Fintech 相關的。當然會被 AI 或加密貨幣這種技術吸引，本質上就是因為這些領域的共通特性 : 創新 + 效率 。 這些領域都能夠採用極少的人力需求 + 程式碼，達成現在高度人力以及專業財務白領工作者打造的金融體系。如果看法沒錯，過往的日子應該已經逐漸結束了，資本主義長期就是創新與效率導向，時間是把殺豬刀，所有不符合上述原則，早晚總會凋零。 幾年前開始 build  一些 crypto 專案到去年的凰測試版，都是希望能夠透過簡單程式讓使用者脫離傳統高額手續費的金融服務。 LLM 只會隨時間越來越聰明又便宜，金融市場過去數十年是量化交易主導，但我認為未來應該是 Agent 為導向的戰場，目前可能的規劃是，除了現有的量化與質化兼具的 Macro HF Agent ，未來會...
繼續閱讀

再訪擊敗大盤？很難！(四) 股市與加密貨幣篇（引用學術論文）

圖片
  原定四、五兩篇是要分別引用學術論文研究分別寫股市與加密貨幣與各自對標指數的比較，不過結論差不了多少只是統計上偏態差異，故我們合成一篇，此外我們在2017年( 冪次法則Power Law )與2019年( 冪次法則(二)支持長期買進持有ETF的新證據: Do Global Stocks Outperform US Treasury Bills? ) 也引用過這兩篇論文，故我們這篇會以加密貨幣的研究為準。首先我們來簡單回顧一下這兩篇論文，作者都是Hendrik Bessembinder。 這位作者可說是學術圈裡我最敬重的學者之一，很難找到在財務學術領域內，給實務界這樣大啟發的學者（注一），這樣的論文真的少之又少，99%以上學術財務論文，活在自己的象牙塔內，為了升等而寫，與現實脫節。 Do Stocks Outperform Treasury bills? ( 下載連結 )，這篇論文主要研究北美從1926年9月至2016年底，研究單一個股的持有從短期到長期的表現如何，一般來說，大家都知道股票市場上有所謂的風險溢酬(Risk Premium)，也就是股市預期報酬率高於無風險利率的部分。但這樣的預期報酬率是透過承擔系統性風險換來的，對應的數學關係，以單因子來說就是鼎鼎大名CAPM模型，當然這是古早的模型，當前被研究的因子數目都不知道上百個了，但最主流解釋的通常還是Fama-French Five-Factor Model或Carhart Four-Factor Model這兩個最具有代表性。 這種因子投資只是一個評估資產定價或是評估超額報酬的一種方式，對一般的出資實際投資的人並沒有太多實質幫助。多因子模型講白了就是統計上計量分析(注二：公式複習)，不論是時間序列或是橫斷面，常見處理方式如Fama-MacBeth。這些多空投組造出來的統計顯著跟賺錢是沒有太大關係（注三:即使數學推論從平均報酬轉到幾何報酬可能有一些漂亮的公式，但在tail risk下的統計分配可能造成巴菲特所說的精確錯誤。） 誠實說，如果只能選一個，你要想賺錢還是想要投資組合有漂亮的統計alpha? 這兩篇論文神的地方就在於，務實的從個股的角度出發，也就是一般正常投資人碰到的情境。持有單一個股持有期間從短至長期去研究，並且逐一分析與標竿指數及無風險利率的比較。結果發現持有個股時間越長，大多個股是賠錢的...
繼續閱讀

再訪擊敗大盤？很難！(三) 對沖基金篇

圖片
  對沖基金(Hedge Fund 以下簡稱HF)一直以來都是財務領域中最神秘，也幾乎是財務相關求職者對財務工作中最嚮往的領域之一，原因不外乎薪資水準最高，潛在報酬最好，通常在美國能錄取頂尖HF多是常春藤名校MBA或是頂尖理工PHD，當然競爭如此激烈待遇也非一般，如indeed資料隨意找幾間大型HF，初級職位年薪15萬美金左右，量化相關職位又會更高( 見此 )。如能有幸開個成功的HF，抽個業界常見的2/20 (管理費2%與獲利抽成20%)，是有機會名列億萬富豪，以 Bloomberg Billionaires Index 排名中，有許多位都是HF的創辦人，知名的如Ken Griffin、David Tepper、Ray Dalio、Steve Cohen (影集金融戰爭Bobby Axelrod原型人物)、David Shaw、Stan Druckenmiller。就連巴菲特與蒙格早期也是經營HF起家的。 即使是資產管理中最精英的一群，也不是像多數人所想的績效遠超大盤，而是以絕對報酬率來說，近十年擊敗單純的60/40投資組合也是相對困難，由於我們沒有細部的每檔基金資料，所以此篇透過比較十年各種HF策略，對標傳統的MSCI世界指數或60/40股債投資組合，以及我們會找幾家業界頂級HF，提供資料供比較，讓各位看此產業幾家龍頭近年績效表現。 以下我們使用 Eurekahedge 指數作為代表，Eurekahedge 指數是HF行業中一個重要的績效指標工具，於2001年創立， Eurekahedge涵蓋北美、歐洲、亞洲和拉丁美洲的HF數據庫，指數在每月底平均更新率達96%，且超過220個數據點的追蹤，客戶包括：家族辦公室、捐贈基金及信託、養老基金、對沖基金中的基金（fund of funds）、主權財富基金、私人銀行、顧問及業界服務提供商。 Eurekahedge 提供全球各類型HF表現，這些指數涵蓋各種策略，包括多空策略、事件驅動、套利、宏觀策略等，為投資者提供了全面了解HF市場動態的便利途徑。 透過 Eurekahedge 指數，可以清晰地看出各種策略對沖基金與傳統投資組合如 MSCI 世界指數或世界型版本的80/20與60/40股債投資組合作為績效比較 (註一)。此處採用ACWI與BNDX的投資組合計算，可以使用凰 ( https://phoenix-v1.o...
繼續閱讀

凰: 數據與AI導向的資產管理系統

圖片
https://phoenix-v1.onrender.com/   這是一段偶然對話狀況下，逐漸產生想法而生的原型產物。凰這套系統目前僅是一個最小可行性產品(MVP)，靠大語言模型的幫助下打造出來。市面上以回測導向的產品大多偏向單一數據，如單一國股票歷史數據組成投資組合，缺乏多國股價產品，即使包含多國，也缺乏投資組合回測的完整度。而理財機器人為主的產品，雖大多以被動式ETF或基金為基礎，但缺乏上述所說的回測系統，還有更多是推薦旗下自家商品，非以消費者效率投資組合為導向。當然更少的是具有AI 對話功能又結合完整數據回測的商品。凰就是利用AI以數據回測導向為基礎的資產管理軟體，核心思想是協助消費者以客觀數據基礎下，建立合適自己的全球化被動投資組合，以高流動性及低費率ETF為基礎架構。可以透過自行回測不同區間並與AI對話來打造符合自己長期投資的規劃，另外透過蒙地卡羅模擬及空頭市場回測檢視自己的規劃是否合乎預期。即使是採用主動投資，也可單獨採用回測系統做研究及判斷。 凰有重生的意思，名稱是我從小最喜歡的動畫之一閃電霹靂車而來，結局環節是兩個賽車手分別搭載兩套AI系統的對決。其中凰呀AI系統是比較強勢的，需要賽車手積極配合它。我認為被動投資對多數人是最好的選擇，所以這套AI系統也是如此的概念，僅有在採納被動投資的前提下，凰AI系統才會給予一系列被動投資互動，且ETF的選擇也是刻意限制的。由於凰目前還是原型階段，所以目前是免費使用(未來合法的狀況下可能會收費)，所有數據的計算並不保證正確，甚至還有不少小問題，但通常按重新整理可以解決。此外AI目前也不夠成熟，所有推薦都應當作教育及研究參考，而非真正的投資建議，當然也因為免費，是自行吸收成本，所以特別限制登入google帳號後，才能使用，而AI相關的服務，有單日次數上限，但目前回測服務不受此影響。   這個產品會隨著時間逐漸改良，未來會加入Agent的形式，讓使用者可以與它對話並產生一些客製化的投資組合，若未來某間志同道合的金融機構具有當地合法牌照資格，想導入凰這套概念及系統，都可以來談談合作模式，在此之前，先來使用看看吧！
繼續閱讀

再訪擊敗大盤？很難！(二) 台股篇

圖片
本篇我們接續上一篇 再訪擊敗大盤？很難！(一) 此篇要檢視台灣共同基金的長期表現，由於台灣並沒有研究機構做出像美國SPIVA那種報告，我們僅能透過網路公開資料自行計算來獲得概略性的結果。 我們分析的基金資料來源是 SITCA ，中華民國證券投資信託暨顧問同業公會委託台灣大學財務金融系所統整，由李存修教授、邱顯比教授製作，分析資料截至2024年八月底。這裡需提及，此份報告資料應沒有像SPIVA報告做生存者偏差調整，也就是說，當我們分析主動型股票基金時，依照此份資料應會「高估」主動型基金擊敗大盤的比率。 由於台灣的國內股票型基金並沒有很多，所以我們的大盤比較，指的是加權股價報酬指數，此外，我們在主動型基金中保留了一些非大盤型ETF，就我們的觀點，此類ETF其實不算是傳統上認知的純市值型大盤類型。 先以十年為期來說，結果令人訝異，總共有126檔主動型基金，勝過大盤比率高達46.83%，即使我們使用 台灣50報酬指數 作為基準，主動式基金擊敗比率仍然高達27.78%，遠高於我們七年前寫的文章 擊敗大盤？很難！ ，七年前擊敗台股大盤比率僅17%左右，且兩者資料皆無生存者偏差調整，所以是可比較的，問題在於為何整體主動基金表現大幅提升？台美股近十年都是全球表現特別好的市場(後續篇章會有資料)，但在美股市場擊敗大盤困難，所以應不是此因素。另說台股效率不彰也是很怪異的，沒理由認為台股現在效率會低於七年前。由於資料有限，我們僅能合理猜測，原因可能在於最大權重的台積電於此期間的大幅成長，如圖一所示，近十年漲幅超過900%，而整體半導體類股也因這段期間Covid-19事件及當前火熱生成式AI應用使半導體類股表現極佳，如表一，台灣半導體類股成長遠大於大盤。所以當主動式基金押注科技類半導體類股佔比較多，就容易擊敗台股加權報酬指數。另一例子是0050 ETF，即使扣除管理手續費，報酬率也高於加權股價報酬指數，台積電佔比權重較大也是主因。最後主動型基金蠻多都屬科技類基金，如此推論應還算合理。 因排版關係，本篇表格(一至三)也可見此  google sheet 連結                          圖一 0050 vs 台積...
繼續閱讀