为什么计算智能无法做出投资组合决策

学习系统与决策系统--以及全局优化架构自成一类的原因

内容摘要

近年来，"人工智能 "一词已成为几乎所有数据驱动决策支持形式的统称。深度学习、神经网络、强化学习和相关方法越来越多地被理解为通用的问题解决方法，在战略投资和投资组合决策中也是如此。

然而，这个等式在结构上是不正确的。

计算智能（CI）--主要包括神经网络、进化算法、蜂群智能、模糊系统和概率方法--历来是为了应对不精确、非线性和随机的现实世界问题而出现的。CI 系统可以学习模式、近似函数并适应新数据。

然而，投资组合和投资决策遵循的是不同的逻辑。

它们不是模式识别问题。它们是在约束条件、预算限制、相互依存关系和监管框架条件下的组合优化问题。学习系统计算概率，而决策系统则必须在指数级增长的决策空间中做出离散选择决策。

两者的区别是根本性的。

本文分析了自适应学习系统与全局决策架构之间的结构差异，解释了指数组合空间的数学本质，并说明了为什么事前全局优化本身就是一种算法智能。

1. 误解：模式识别不是决策

现代人工智能系统的成功是不可否认的。语言模型可以生成连贯的文本。图像识别系统能高精度地识别物体。强化学习架构在复杂的游戏中击败了世界冠军。

然而，这些系统解决的是一个特定的问题：

它们根据观察到的数据逼近一个未知函数。

从形式上讲，它们最大限度地减小了预测与现实之间的误差项。目标值是统计值。质量用准确度、损失函数或置信区间来衡量。

投资组合决策则采用不同的结构。

这里没有需要近似的连续目标变量。取而代之的是一组可选或不选的离散选项。每种组合都会改变预算、风险、资源利用率和战略方向。

一个简单的例子就能说明其中的差别：

神经网络可以高概率地预测一个细分市场将如何发展。然而，在 1 亿欧元的预算范围内，决定 47 个可能的投资项目中哪 12 个项目能够实现，这不是一个预测问题，而是一个组合选择问题。

系统不需要学习模式的样子。它必须在约束条件下计算全局选择。

许多组织都忽视了这一结构性差异。

2. 学习系统与决策系统

为了准确理解两者的区别，有必要进行系统的比较。

学习系统

• 优化统计误差函数
• 使用训练和测试数据
• 提供概率或连续输出
• 通常是随机的
• 没有固有的约束逻辑
• 不能保证全局决策最优

决策系统

• 优化离散目标函数
• 考虑硬约束
• 在完整的组合空间中工作
• 需要边界和支配逻辑
• 要求全局一致性
• 可提供最优性证书

区别不在于 "智能水平"，而在于问题类别。

学习系统能回答问题：

什么是可能的？

决策系统回答的是：什么是可能的？

哪种组合是最优的？

3. 指数决策空间

投资组合决策面临的核心数学挑战是指数组合学。

有 N 个项目，就有^2N种可能的组合。

• 10 个项目 → 1,024 种组合
• 20 个项目 → 1,048,576 种组合
• 30 个项目 → 1,073,741,824 个组合
• 50 个项目 → 超过 1 兆个组合

每种组合都代表一种潜在的资本分配，都有各自的风险和回报情况。

此外，还有

• 预算限制
• 逻辑依赖性
• 资源限制
• 战略重点
• 监管要求

问题不在于预测单个项目的价值。问题在于同时评估所有可能的组合。

启发式方法可以搜索这个空间的一部分。精确方法则系统地构建这一空间。

4. 启发式方法及其结构限制

进化算法、蜂群智能和其他 CI 方法利用基于群体的搜索策略。

在以下情况下，它们是高效的

• 搜索空间是连续的
• 近似是充分的
• 无需证明最优性

然而，它们并不能保证找到全局最优。它们能提供好的解决方案，但不一定是最好的。

这对于图像分类来说是可以接受的。

而对于数十亿美元的投资决策，则会出现不同的管理问题。

5. 精确优化架构

这就是另一类算法系统的起点。

混合整数编程能够在线性约束条件下对离散决策进行建模。

分支和边界系统地分解搜索空间，并在数学上排除无关区域。

约束编程利用逻辑一致性来减少组合爆炸。

随机编程将不确定性正式纳入优化模型。

稳健优化可防止最坏情况的发生。

全局优化理论提供收敛证明和最优性证书。

这些方法不是学习算法，而是决策架构。它们是决策架构。

6. 管理与问责

战略投资决策不仅关乎准确性，还关乎问责制。

近似结果可能是可信的。然而，它并不能证明不存在更好的替代方案。

而全局优化方法则可以--在确定的假设条件下--提供最优性的证明。

从监管、责任和战略的角度来看，这种差异是相关的。

7. 从人工智能到决策智能

并非每个智能系统都是决策系统。

全球投资组合优化意义上的决策智能意味着

• 组合空间的全面分析
• 形成结构屏障
• 优势消除
• 最优配置的事前计算

这不是机器学习的扩展。它是一种不同类别的算法架构。

学习系统提取知识，而决策系统则构建最佳状态。

这种区别是根本性的。

8. 投资组合决策背后的数学

要充分理解学习系统与决策架构之间的结构差异，就必须明确考虑投资组合决策的数学本质。

战略投资决策可以正式表述为一个优化问题：

最大化：f(x)

在以下约束条件下

• Ax ≤ b（预算和资源约束）
• x ∈ {0^,1}N（离散选择）
• 项目之间的逻辑依赖关系
• 风险限制
• 最低战略要求

决策向量 x 描述了选择哪些项目。每个变量只能有两种状态：实现或不实现。

目标函数可以包含多个维度：

• 投资回报率
• 现金流概况
• 关键风险数据
• 战略重点
• 资本承诺

即使项目数量适中，也会产生一个呈指数增长的组合空间。这一特性不是软件问题。它在数学上是固有的。

学习系统会尝试预测项目价值。

而决策系统则必须在约束条件下评估所有允许的组合。

这就是结构上的差异。

9. 为什么近似不等于最优

启发式方法可以找到非常好的解决方案。在许多技术应用中，启发式方法既有效又充分。

然而，"非常好 "与 "全局最优 "之间存在质的区别。

近似解可以回答以下问题：

这个解决方案好吗？

全局优化则回答了这个问题：

是否存在更好的解决方案？

这种区别不是语义上的，而是结构上的。

首席财务官并不需要知道某个投资组合是否合理。他需要知道的是，在给定的限制条件下，它是否是最佳的可选方案。

如果不对决策空间进行完整或系统的有限搜索，这个问题就无法回答。

10. 分支约束法和结构约束法

分支-约束法是指数搜索空间如何受到结构控制的一个例子。

该空间被划分为多个子空间（分支）。为每个子空间计算上下限（约束）。

如果某个界限证明找不到比目前最好的结果更好的结果，那么这个子空间就会被排除。

这不是启发式搜索，而是数学排除法。

这一逻辑至关重要：

系统不必完全评估每一种组合。但是，它必须证明未经评估的组合不会超出最优值。

这在结构上与随机搜索不同。

11. 作为决策模型的混合整数程序设计

混合整数编程（MIP）为离散变量和连续变量的结合提供了一个正式的建模框架。

它允许

• 预算约束的精确映射
• 项目逻辑依赖关系
• 能力限制
• 线性和非线性目标变量

结合分支和边界或切割平面程序，创建的决策架构不仅能找到解决方案，还能证明其最优性。

当决策涉及资本密集型或监管敏感性时，这一点尤为重要。

12. 不确定性：随机性与稳健性

许多组织认为，不确定性使得精确优化变得不可能。

这是一种误解。

随机编程明确地将各种情况纳入模型。稳健优化定义了不确定性量，并针对最坏情况进行优化。

不确定性不会被忽视。它被正式建模。

这就是结构化决策架构与纯粹数据驱动的近似方法的区别。

13. 管理和可审计性

战略决策越来越多地受到监管控制。

出现的问题有

• 为什么实现了项目 A 而没有实现项目 B？
• 是否考虑了所有备选方案？
• 预算是否得到了最佳利用？
• 是否有可理解的决策过程？

启发式系统通常无法提供被否决备选方案的完整透明度。

而全局优化架构则会提供相关文件：

• 搜索空间缩减
• 优势关系
• 界限证明
• 最优性证书

这就产生了可审计性和可追溯性。

14. 作为独立类别的决策智能

决策智能不是机器学习的一个子类别。

它是一类独立的算法系统，具有以下特点

• 为完整的决策空间建模
• 利用组合结构
• 整合约束条件
• 执行全局一致性
• 实现最优性证明

学习系统计算概率，而决策智能则构建最优状态。

15. 事前而非事后

许多组织都是事后分析决策。

事前优化意味着

在投入资本之前就计算出最佳配置。

这不仅能减少机会成本，还能减少结构性错误配置。

16. 从组合爆炸到结构可控性

指数空间并非无解。

它们具有挑战性。

通过：

• 优势消除
• 障碍形成
• 冗余利用
• 并行化
• 结构分析

可以系统地缩小决策空间。

不过，这需要一个为决策结构而非模式识别而设计的架构。

17. 战略计划的作用

StratePlan 是一种全局决策架构。

它不是一个预测模型，也不是一个纯粹的机器学习系统。

该架构可在约束条件、预算限制和多目标要求下分析完整的投资组合空间。

通过系统化的约束形成、组合结构缩减和算法冗余利用，事先计算出全局最优。

不可行。不可模拟。不是近似。

而是结构决定的。

18. 首席财务官视角：资本分配是一个优化问题

对于首席财务官来说，资本不是一个统计预期值，而是一种稀缺资源。

每项投资都有机会成本。

非优化组合意味着

• 错过回报
• 不必要的资本投入
• 战略失衡

事前全局优化将资本分配从一个似是而非的决策转变为一个经过计算的决策。

19. 结论：并非每个智能系统都能做出最优决策

计算智能功能强大，在许多领域都不可或缺。

然而，它主要解决的是学习问题。

投资组合和投资决策在结构上属于组合优化问题。

它们要求决策架构能够

• 考虑完整的空间
• 整合约束条件
• 为不确定性正式建模
• 能证明全局最优性

决策智能始于近似，终于近似。

全局最优并不是一种观点。

它是数据和决策空间结构的属性。

常见问题 - 学习系统、决策系统和全局组合优化

1. 对于投资组合决策而言，计算智能不是已经足够强大了吗？

计算智能在许多应用领域都非常强大，尤其是在模式识别、预测和自适应控制方面。然而，投资组合决策是另一类不同的问题。

计算智能系统计算概率或近似解决方案，而组合决策则需要在约束条件下离散选择最佳组合。两者的数学结构有着本质区别：预测是一个连续的近似问题，而组合选择则是一个组合优化问题。

CI 可以提供支持。但是，它不能取代全局决策架构。

2. 为什么 "非常好 "的解决方案还不够？

在操作应用中，一个非常好的解决方案可能就足够了。但在资本密集型战略决策中，是否存在更好的替代方案至关重要。

启发式解决方案可能看似合理。但是，它无法证明在允许的限制条件下不存在更好的组合。

全局优化恰好能回答这个问题。

3. 指数决策空间不是从根本上无法解决吗？

指数决策空间具有挑战性，但并非不可解。在实践中，往往没有必要完全枚举所有组合。

有效的搜索空间可以通过创建边界、支配关系、结构缩减和系统搜索方法（如分支和边界）来大幅缩小。

问题不在于搜索空间是否呈指数级增长，而在于是否存在能够从结构上控制搜索空间的架构。

4. 分支-约束搜索与启发式搜索的区别是什么？

启发式搜索评估决策空间中的样本。分支-约束搜索系统地分解空间，并在数学上排除那些无法超越最优值的子空间。

决定性的区别在于最优性的证明。启发式方法能找到好的解决方案。分支-约束法可以证明不存在更好的解决方案。

5. 对于大型投资组合来说，混合整数编程是不是太慢了？

混合整数编程需要大量计算。不过，现代求解器结合了分支约束、切割计划、启发式和并行化。

此外，求解能力与问题大小的关系不如与模型结构的关系密切。结构化投资组合模型的求解效率往往比非结构化搜索空间要高得多。

决定性因素是结构，而不仅仅是变量的数量。

6. 如何在全局优化中考虑不确定性？

不确定性可以正式纳入，例如通过

• 情景树随机编程
• 期望值优化
• 条件风险值（CVaR）
• 针对不确定量的稳健优化

因此，不确定性并没有被忽视，而是被明确地模拟出来。

7. 全局优化是否意味着确定性僵化？

在这里，确定性并不意味着僵化，而是可理解的和结构上一致的。

全局优化模型可以灵活设置参数。假设条件的改变会带来新的最优计算结果。灵活性在于参数，而不是解决方案的任意性。

8. 决策智能与机器学习有何不同？

机器学习从数据中提取模式并生成预测。决策智能对决策空间进行建模，并计算约束条件下的最佳状态。

机器学习回答的问题是："什么是可能的？

决策智能回答的问题是："哪种允许的组合能使目标值最大化？

两者可以结合使用，但它们解决的问题类别不同。

9. 机器学习能否成为决策架构的一部分？

是的，例如，预测模型可以为优化模型提供输入参数，如预期现金流或风险值。

但是，优化本身仍然是一个独立的步骤，在约束条件下计算离散选择决策。

10. 为什么治理是全球优化的关键论点？

战略投资决策越来越多地受到监管控制和内部审计的影响。

近似方法很少能透明地显示哪些替代方案已被考虑和拒绝。

全局优化过程可以系统地记录

• 已评估的组合
• 排除的子领域
• 优势关系
• 最优性证明

这提高了可重复性和决策可追溯性。

11. 全局优化与 NP-困难问题有何关系？

许多投资组合决策都是 NP-困难问题。这并不意味着它们无法解决。它意味着在最坏的情况下，无法保证多项式运行时间。

在实践中，现实世界中的问题往往是结构化的，因此有可能获得高效的解决方案。此外，现代计算架构可以在精确框架内实现并行化和启发式加速。

12. 全局优化总是必要的吗？

并非在任何情况下都需要。

对于运营、短期或低价值决策而言，近似可能就足够了。

但是，资本投入、战略相关性和监管敏感性越高，结构优化的必要性就越大。

13. 全球决策架构如何扩展？

可通过以下方式进行扩展

• 并行化
• 障碍形成
• 减少优势
• 模型结构化
• 问题分解

决定性因素是，缩放不是通过随机搜索实现的，而是通过结构缩减实现的。

14. 如何整合多目标优化？

多目标优化可以通过加权目标函数、帕累托前沿分析或词典优先级排序进行映射。

架构不能忽略相互冲突的目标，而是要系统地映射它们。

15. 全局最优是数据的一种属性 "是什么意思？

在确定的参数、限制条件和目标函数下，存在数学上的最优解。这不是一种观点，而是结构计算的结果。

如果参数发生变化，最优解也会发生变化。但是，最优解的存在与主观偏好无关。

16. 模拟与优化有何不同？

模拟是对方案进行评估。优化则是系统地搜索解决方案空间，并确定允许的最佳替代方案。

模拟回答："如果会发生什么？

优化回答的是："在所有可允许的备选方案中，哪个决策能使目标值最大化？

17. 事前优化如何降低机会成本？

当存在更好的替代方案但没有实现时，就会产生机会成本。

全局计算降低了结构性错误分配的概率，因为所有可允许的组合都被考虑或从数学上排除了。

18. 决策智能是否可以替代管理？

不是。它不能取代战略目标定义或规范性优先排序。

但是，它可以用结构计算取代直观的、启发式的或带有政治偏见的分配决策。

19. 如何确保透明度？

透明度通过以下方式产生

• 清晰的制约因素模型
• 目标功能有据可查
• 可理解的边界形成
• 可重复的计算过程

这就实现了董事会和审计层面的可追溯性。

20. 决策智能何时开始？

当企业意识到复杂的投资决策不是预测问题，而是组合结构问题时，决策智能就开始了。

当近似不再足够，结构优化成为必要时，决策智能就开始了。

---

补充常见问题--为什么经典人工智能在投资组合决策中会出现结构性失误？

1. 为什么神经网络不能简单地学习最优投资组合？

神经网络根据历史数据学习一个函数。它可以近似计算输入值与目标值之间的相关性。

然而，最优投资组合并不是一个可观测的目标变量，而是在约束条件下离散组合决策的结果。

没有一个训练数据集能正确地将所有可能的组合划分为 "最优 "或 "非最优"。

最优并不是历史观察结果，而是完整决策空间的数学属性。

2. 为什么强化学习不能保证最优资本分配？

强化学习通过与环境的探索性互动进行优化。它通过奖励函数学习策略。

然而，投资组合决策并不是连续的试错过程，而是在限制条件下的一次性、高度资本化的离散决策。

这里不可能在真实空间中进行探索。错误的决策是不可逆的，而且代价高昂。

RL 可以学习适应性策略。然而，它无法系统地证明一个完整的组合空间。

3. 为什么预测不等于优化？

经典的人工智能系统是预测机器。

它们能回答以下问题

• 项目 A 可能如何发展？
• 失败的概率是多少？
• 市场如何变化？

然而，优化则能回答这些问题：

在预算和风险限制条件下，所有项目的哪种组合能使目标数字最大化？

预测是输入。优化是决策逻辑。

将两者混为一谈是一种错误。

4. 为什么经典人工智能在指数决策空间中扩展能力差？

机器学习模型随数据量而扩展，而不是随组合结构而扩展。

一个包含 40 个项目的投资组合会产生超过万亿个可能的组合。这些组合并不作为训练实例存在。

模型无法学习从未明确评估过的组合。

指数决策空间需要结构搜索和边界逻辑，而不是模式概括。

5. 为什么启发式人工智能方法不能提供治理的确定性？

启发式方法能提供好的或非常好的解决方案。

但是，它们通常无法记录

• 从结构上排除了哪些组合
• 是否存在更好的解决方案
• 应用了哪些支配关系

似是而非不足以保证电路板和修订的安全性。结构上的可追溯性是必需的。

6. 为什么黑盒问题在这里尤为关键？

在图像分类或文本生成中，缺乏完全的可解释性是可以容忍的。

但在资本分配中，这就成了问题。

在分配数十亿美元的预算时，必须能够解释这些预算：

• 为什么选择这种组合？
• 拒绝了哪些替代方案？
• 哪些限制条件具有约束力？

黑箱近似不能替代决策的结构性证明。

7. 为什么模拟不能解决问题？

模拟评估方案。

它能回答以下问题

• 如果我们选择这种组合会发生什么？
• 在某些假设条件下，投资组合的表现如何？

但是，它不能回答

哪种可允许的组合是所有备选方案中最好的？

模拟是探索性的。优化是选择性的。

8. 为什么 "人工智能支持的决策支持 "往往只是预测支持？

许多标榜为 "人工智能支持 "的系统都能提供：

• 评分值
• 风险预测
• 优先排序建议

最终选择往往还是启发式或政治性的。

结构决策优化系统则以系统计算取代了这种启发式的最终选择。

9. 为什么传统人工智能会失败，尤其是在有约束条件的情况下？

机器学习模型主要不是为了保证硬逻辑限制而设计的。

但是，预算限制、能力限制或监管要求并不是软性的，而是具有约束力的。

优化模型正式整合了这些约束条件。而学习模型通常是隐式或顺式近似这些约束条件。

这在结构上是不同的。

10. 为什么 "更多数据 "不能解决问题？

更多数据可提高预测准确性。

然而，这并不能减少离散决策空间的组合爆炸。

可能的投资组合数量并不取决于数据量，而是取决于离散项目的数量。

指数结构无法通过数据缩放来消除。

11. 为什么局部优化不够？

许多人工智能方法都会收敛到局部最优或稳定状态。

投资组合决策需要全局视角。

如果另一个组合--结构上更远--能提供更高的目标实现率，则局部最优可能是次优的。

全局优化可以避免这种结构盲点。

12. 为什么决策智能不是人工智能的一个子类别？

经典的人工智能主要是为了再现人类的感知和模式识别而开发的。

全局组合优化意义上的决策智能源自组合优化理论。

它主要不是基于学习，而是基于结构、搜索空间缩小和优化逻辑。

这两门学科相互关联，但并不完全相同。

13. 经典人工智能什么时候足够用，什么时候不够用？

什么情况下足够

• 预测是核心问题
• 近似是充分的
• 误差是可以容忍的

如果

• 需要在约束条件下进行离散选择
• 预算约束具有约束力
• 机会成本高昂
• 需要治理证明

这就是结构性决策优化的起点。

14. 结构性失效的核心是什么？

经典人工智能在投资组合决策中的结构性失效不在于其性能，而在于问题类别。

人工智能是一种强大的模式识别和预测技术。

然而，投资组合优化不是模式问题，而是组合结构问题。

任何将两者等同起来的人都是在混淆概率与优化。

结束语

萨沙-里塞尔，mAInthink 有限公司首席执行官

我们目前正在经历这样一个阶段：几乎所有的技术解决方案都被归入 "人工智能 "这一术语之下。模式识别、语言模型、预测系统--这些都是令人印象深刻的进步。但有一点我们不能混淆：

学习意义上的智能并不等同于决策意义上的智能。

商业和公共投资决策不是预测问题。它们是受到约束、预算限制和目标冲突影响的组合结构问题。任何将其视为模式识别问题的人都会将其简化为概率问题--并在此过程中丧失结构。

StratePlan 正是基于这种认识而产生的。

我们在合理的情况下使用混合人工智能--用于参数化、不确定性建模和发展预测。但实际决策并不是近似的。它是计算出来的。

通过精确的多线程架构、组合结构缩减和确定性优化逻辑，我们分析的是完整的决策空间，而不仅仅是方案。

这不是炒作。
这是数学。

我们的目标不是提供更好的假设。
我们的目标是在结构上做出更好的决策。

因为资本是有限的。
机会成本是真实存在的。
而全球最优并不是一种观点。

它是数据的属性，也是决策空间结构的属性。

-
萨沙-里塞尔
mAInthink GmbH 首席执行官