Jeremiah Lowin – Machine Intelligence and Risk Management - [Invest Like the Best, EP.20]

好的，以下是基于您提供的规则和分析框架，对 Jeremiah Lowin 访谈文字稿的解读。

本期速览

嘉宾 Jeremiah Lowin 是纽约地区一家私人投资公司的风险管理总监，也是机器学习与统计学的专家。本期节目围绕两大主题展开：机器学习的原理与局限，以及投资组合风险管理的哲学与实践。全片最有分量的一个判断是：Jeremiah Lowin 认为，当前所谓的“人工智能”并不具备真正的智能，它只是更强大的模式识别工具；而风险管理的核心不是消除风险，而是理解并重新分配它，且最有效的风险管理工具往往是定性的对话，而非复杂的定量模型。

模型是工具，不是魔法：从线性回归到机器学习

Jeremiah Lowin 认为，所有模型，包括最先进的机器学习模型，本质上都是“工具”，是对现实的不完美映射，其价值在于帮助人类做出更好的决策，而非取代人类。

• 模型的本质是近似：Lowin 以“足球场”比喻“一英亩”为例，说明模型如同语言，是一种“必要的近似”。一个足球场比一英亩大约 4,500 平方英尺，当规模放大到 10 英亩时，误差就会累积到一英亩。因此，理解模型的误差范围至关重要。
• 从线性回归到迭代优化：线性回归是“封闭解”模型，输入数据即可直接得出结果。而机器学习模型（如神经网络）属于“迭代模型”，它通过不断计算误差并调整参数（如梯度下降）来逼近最优解。这与“暴力穷举”或“进化算法”不同，后者更随机、计算成本更高。
• 时间序列与上下文：Lowin 强调，对于金融等领域的应用，数据的“顺序”至关重要。他引用 Google 翻译的进步为例，指出其核心突破在于使用了“循环神经网络”，该网络能像人类一样，在阅读句子时逐步构建上下文，而不仅仅是孤立地处理单词。这比传统方法能捕捉到更丰富的语义信息。

风险管理的艺术：从测量到对话

Jeremiah Lowin 认为，风险管理的核心不是消除风险（这通常不可能），而是理解风险并主动地重新分配它。他更强调定性对话和可视化工具，而非纯粹依赖定量模型。

• 风险的定义与测量：Lowin 将风险经理定义为“职业怀疑论者”。他借用“在暗室中用闪光灯观察雕塑”的比喻，说明风险测量如同观察雕塑的投影，永远无法看到全貌。风险不仅仅是“永久性资本损失”或“波动性”，而是对资产和投资组合在所有情况下（上涨、下跌、平稳）行为的理解。
• 风险管理的核心是对话：Lowin 认为，最有效的风险管理工具是“大量的对话”。通过与投资经理进行“消防演习”式的压力测试和情景分析，可以提前暴露未知的风险（“未知的未知”），并让决策者在危机发生时能基于事先的思考做出反应，而不是依赖可能失效的模型。
• 风险无法消除，只能转移：Lowin 指出，风险就像一团质量，无法被凭空消除，只能被重新分配或转移（例如通过衍生品）。风险管理的艺术在于理解这种“突变”——当你移除一个风险时，它会在别处以另一种形式出现。因此，必须持续追踪投资组合的演变，而不仅仅是其当前状态。
• 可视化与直觉：Lowin 分享了他构建“3D 风险暴露图”的经验。该图将复杂的多维风险（如对石油、信用的暴露）转化为直观的图形。其关键价值不在于展示“现在在哪里”，而在于展示“如何演变至此”，从而帮助决策者发现缓慢累积的风险（“温水煮青蛙”效应）。

对主动管理与被动管理的反思

Jeremiah Lowin 认为，不存在真正的“被动投资”，因为选择指数本身就是一种主动决策。他越来越倾向于“低活动率”的投资方式，因为寻找优秀主动管理人的成本越来越高。

• “被动”也是主动：Lowin 指出，选择投资于股票市场（而非债券或现金），本身就是一种主动的、有观点的决策。因此，“主动”与“被动”的界限是模糊的。
• 寻找优秀管理人的难度增加：Lowin 观察到，由于对冲基金行业门槛降低、竞争加剧，以及机构投资者（如养老金）成为主要资金来源并改变了激励结构，寻找真正能创造超额收益的主动管理人的难度和成本都在上升。他倾向于保持怀疑，除非被充分说服。
• 机器学习的危险：过拟合：Lowin 警告，机器学习模型（尤其是深度神经网络）拥有海量参数，极易“过拟合”历史数据，产生完美的回测结果。他引用“dropout”技术作为防止过拟合的例子，并指出，使用简单模型（如线性回归）本身就是一种有效的“正则化”手段，可以限制模型的自由度，避免过度解读噪音。

提及的标的

本节访谈未讨论具体的可投资标的（公司、基金等），主要围绕方法论和哲学层面展开。

值得记住的判断

1. 模型是“必要的近似”，而非真理。 (Jeremiah Lowin) —— 他以“足球场”比喻“一英亩”为例，说明模型必然存在误差，理解误差的积累和边界比模型本身更重要。

2. 机器学习的本质是迭代优化，而非暴力穷举或进化。 (Jeremiah Lowin) —— 通过计算误差函数的梯度，模型能高效地知道如何调整参数以减少错误，这是其效率高于其他方法的关键。

3. 数据顺序即上下文，是机器学习在金融领域应用的关键。 (Jeremiah Lowin) —— 他引用 Google 翻译的进步，指出循环神经网络通过处理有序数据来构建上下文，从而实现了翻译质量的飞跃。

4. 风险无法被消除，只能被重新分配和转移。 (Jeremiah Lowin) —— 风险管理的艺术在于理解当你移除一个风险时，它会在别处以何种形式“突变”出现，并持续追踪这种演变。

5. 最有效的风险管理工具是定性的对话，而非定量的模型。 (Jeremiah Lowin) —— 通过“消防演习”式的压力测试和情景分析，可以提前暴露“未知的未知”，并训练决策者在危机时刻的直觉反应。

6. 投资组合的“演变”比“当前位置”更重要。 (Jeremiah Lowin) —— 他通过构建 3D 风险暴露图发现，追踪风险如何随时间缓慢变化（“温水煮青蛙”），比知道当前的风险敞口更有价值。

7. 不存在真正的“被动投资”，选择指数本身就是一种主动决策。 (Jeremiah Lowin) —— 他认为“主动”与“被动”的界限模糊，投资者应关注的是“活动率”和成本，而非标签。

8. 机器学习最大的危险是“过拟合”，而使用简单模型本身就是一种有效的防范措施。 (Jeremiah Lowin) —— 他警告，复杂的模型可以完美拟合任何噪音，而线性回归等简单模型通过限制参数数量，天然地起到了“正则化”作用，迫使模型寻找更稳健的信号。