2018年11月13日，Mint发表了一篇Nilanjana Chakraborty的文章，解释了算法交易的基础知识及其在印度的现状。算法或自动交易是指使用计算机程序自动将交易提交给交易所而无需任何人为干预。这确保了在进行投资或交易呼叫时不会触发人类的情绪，相反，计算机程序能够以人类无法实现的速度和精度进行交易。

算法交易在印度的机构投资者中很受欢迎，占我们交易所营业额的35-40%。早在2018年，印度证券交易委员会(Sebi)已经对NSE上的算法交易平台进行了探测，并发现一些投资者不公平地获取市场信息和交易系统。从那时起，Sebi为此类交易建立了更强大的监管框架。

Chakraborty还剖析了这种算法交易对零售投资者意味着什么。她的结论是，小型投资者不容易获得这样做的技术，他们会发现建立一套单独的服务器以进行此类交易的成本太高。虽然零售投资者没有指导方针，但一些经纪公司确实提供算法交易作为产品。据报道，去年Sebi可能会为散户投资者提供算法交易指南;这些仍在等待着。根据Chakraborty的说法，重要的是要记住，算法交易是一种市场(交易)策略，并不适合长期投资者。

然而，在全球范围内，传统的资产管理很可能成为通过使用智能算法实现技术中断的行业。具有计算能力的算法可以通过识别和挖掘来自不断变化的金融市场结构的模式从大数据中提取价值，从而使人类“投资官”过时。

我最近与一家创业公司的创始人Mazhar Khan进行了交谈，他仍处于“秘密”模式，他打算将算法建模的原则应用于为长期投资者建立基金投资组合。Khan拥有超过20年的经验，在为跨国私人银行工作期间管理着20亿美元的咨询资产。他表示，目前市场上可用的股权共同基金业绩的不一致意味着很难为客户建立投资组合。

为了支持这一点，他引用了Spiva的一项研究，该研究表明，85-90%的美国股票共同基金计划在3年，5年和10年期间的表现都落后于他们的基准。Spiva或“S&P Indices Versus Active”是由标准普尔道琼斯指数公布的记分卡，用于比较市场指数与积极管理的共同基金的表现。汗表示，这种表现不佳并不仅限于美国，而且在欧洲和新兴市场也很普遍。随着市场变得更加波动和不可预测以及高速的信息流，业绩一致性似乎不再是传统共同基金经理的范畴。在过去的四年中，超过4万亿美元已经从18万亿美元的美国共同基金行业转变为被动管理的指数基金和交易所交易基金或ETF。

汗一直在探索行为科学，金融理论和定量模型，其结果是，他认为，这是一种适合全球长期投资者的基于算法的投资模型。据他介绍，该模型的基础是公司的基本业绩和股票价格变动的行为结构。这些行为结构不是基于技术分析，而是基于股票表现背后的长期统计数据。相比之下，纯算法交易侧重于短期市场异常或套利机会。

考虑到人工智能的发展速度，Khan认为对历史基本性能和行为结构的大规模分析现在在技术上是可行的。此外，资产管理人员和他们的小伙子缺乏此类“算法管理”投资将意味着投资者的基金成本保持在较低水平。“秘密酱”将存在于算法模型的构造中。Khan表示，像BlackRock，Inc。的Larry Fink和Tudor Investment Corp.的Paul Tudor Jones这样的行业领导者已经看到了这一点，他们正在开放更多的投资组合来进行算法长期投资。他说，另一方面，印度资产管理行业一直非常缓慢，并且不愿采用影响全球市场的变化趋势。

对于他的初创公司，他计划的技术路线图是扩展他的算法，以提供一个强大的机制来创新和推出多个主题“量子”和“智能Beta”策略，可以作为基金，ETF和指数基金提供，具体取决于特定买家的成熟度。

他打算进入市场，接近机构投资者，如家族办公室和养老基金，以及中小型基金，包括现有的注册投资公司和“长期”对冲基金。

创业公司的想法似乎很好，但实际的技术和运营执行是成功的基础。这将是汗的真正挑战。