2023-3-24

我们用机器学习的方法训练模型时，往往有一个目标函数，通常都是去度量预测结果和真实结果的误差，利用训练集不断迭代优化参数，以期望目标函数的值越小越好。我们生活和工作中大家又何尝不是如此，以目标函数不断调整自己的行为参数，以期望获取对于自己的最优结果，试图利益最大化。投资行业中，各种不同的参与者，他们的目标函数是不同的，如果几个目标函数相冲突的个体在一起合作，那么大概率至少会有一方利益是受损的。

比如个人投资者，无论最终结果如何，其目标一般都是投出的资产在风险一定的情况下获取尽可能高的收益。其实不光个人，往往这个目标函数符合几乎所有自有资金的利益诉求，但广义上讲，只要我们做投资，就不可能全部亲力亲为，都或多或少的存在代理人的问题。如果仅仅讨论投资管理中的代理人，那么代理人的目标函数就是我们不得不考虑的问题。

如果我们委托一个代理人代为管理资金，但他的目标函数并不一定和我们自己的目标函数一致，甚至相去甚远，我们就可能遭遇损失。比如我们都知道，通常规模对于收益率的影响是负面的，但如果代理人的目标函数是规模尽可能的大，那么他们的行为参数就会配置成朝规模最大的目标寻求最优解，而不是在一定的风险下收益最高。

又或者其中往往还有第三方服务人员，他们的目标函数是交易佣金越高越好，那么他们便会和交易频繁的代理人利益趋同，从而把资金引导去投入到对自身更有利的代理人而不是对客户最有利。规模为导向和佣金为导向的目标函数形成了趋同，产生了协同效应，最终使得代理人和服务方均利益最大化而唯独委托人的利益受到了损失直至信任崩塌，合作崩毁，这点是很遗憾的。

毕竟，没法共赢的合作模式是不长久的，靠各自短期利益找到的最优点只是个局部最优点，而要找到全局最优点就一定需要把参与各方的利益诉求都考虑进来，给予不同权重去同时训练各方的行为参数，从而得到全局最优解，让各方利益均得到一定程度的满足，游戏才可以持续地玩下去。

2023-03-24 17:36 来自北京