《21世紀(jì)資本論》通過詳實(shí)的數(shù)據(jù)研究，提出了一個觀點(diǎn)：20世紀(jì)70年代以來，在全球范圍內(nèi)投資增長率高于經(jīng)濟(jì)增長率。

全球范圍內(nèi)貧富差距擴(kuò)大，富有者越發(fā)富有，而貧窮者愈發(fā)貧窮。

錢本身代表了賺錢能力，而當(dāng)金融遇到人工智能后，這種能力從過去的粗放式，逐步可以通過大數(shù)據(jù)、精準(zhǔn)計算以及人工智能的手段，變得穩(wěn)定而精準(zhǔn)。

我們不妨看幾個案例：

• 高頻程序化交易Virtu Financial LLC公司在1238個交易日中，僅有一個交易日出現(xiàn)了虧損。

• 第一個以人工智能驅(qū)動的基金Rebellion預(yù)測了2008年的股市崩盤，并在2009年9月給希臘債券F評級，而當(dāng)時惠譽(yù)的評級仍然為A。通過人工智能手段，Rebellion比官方降級提前了一個月。

• 掌管900億美元的對沖基金Cerebellum也使用了人工智能技術(shù)，結(jié)果從2009年以來，沒有一個月是虧損的。

所以有錢人紛紛把資產(chǎn)投入到人工智能公司，通過專業(yè)化的人工智能投資顧問管理財產(chǎn)。根據(jù)花旗銀行的最新研究報告，人工智能投資顧問管理的資產(chǎn)，2012年基本為0，到了2014年底已經(jīng)到了140億美元。在未來10年的時間里，它管理的財產(chǎn)還會呈現(xiàn)指數(shù)級增長的勢頭，總額達(dá)到5萬億美元。

5萬億是什么概念？中國2014年的GDP是10萬億美元，相當(dāng)于每2元就得給機(jī)器人上交1元。

在這樣的大趨勢下，我們來看看金融和人工智能的結(jié)合，背后究竟是怎么回事。

量化交易的人工智能趨勢

量化交易近些年一直很火熱，而隨著大數(shù)據(jù)和人工智能的興起，它在產(chǎn)品上有越來越大的用處。

量化交易模型的三個類別

最簡單的量化交易以約翰·墨菲的《期貨市場技術(shù)分析》為代表，主要用到了指數(shù)、對數(shù)等簡單數(shù)學(xué)知識，它更適合于作為輔助手段，最多由計算機(jī)發(fā)出交易信號，但最后還得人手動下單交易。

層次更高一點(diǎn)的，以丹尼斯的《海龜交易法則》為代表，主要涉及到均值、方差和正態(tài)分布的數(shù)學(xué)內(nèi)容，策略上也更有科學(xué)性。這是一種基于交易規(guī)則的排列組合式交易，如果策略設(shè)計的好，而且行情和大趨勢不錯，也能取得不錯效果。

更高一層體現(xiàn)在交易信號的整合上，會涉及到對回歸分析、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等傳統(tǒng)技術(shù)指標(biāo)進(jìn)行整合，同時還需要考慮到金融數(shù)據(jù)的時間特征，使用滾動優(yōu)化來獲取樣本外的測試結(jié)果。

更多的信息來源

基本上可以認(rèn)為，越高層次的量化交易，背后需要處理越多數(shù)據(jù)。量化投資公司的持倉時間往往能達(dá)到1到2個星期，要進(jìn)行這么長時間的價格趨勢預(yù)測，需要處理的信息會非常龐大。

目前一些公司不僅利用傳統(tǒng)的金融數(shù)據(jù)，還會用到衛(wèi)星拍攝到的港口集裝箱圖像等圖片信息，或者從新聞報道、博客、名人講話中獲得經(jīng)濟(jì)發(fā)展的線索。在圖像識別和自然語言處理的技術(shù)支持下，很多非結(jié)構(gòu)化的數(shù)據(jù)也能成為分析對象。

而大數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)以及訓(xùn)練模型，都需要人工智能技術(shù)介入其中。

FRM對沖基金在倫敦的負(fù)責(zé)人Patric對此有很好的解釋：

“在這個互聯(lián)網(wǎng)時代，我們獲得的數(shù)據(jù)遠(yuǎn)遠(yuǎn)超過了人類可能的處理能力。要在這個巨大的信息海洋中分析和識別模式，唯一的辦法就是使用機(jī)器學(xué)習(xí)工具和技術(shù)。這是一條發(fā)展更優(yōu)的投資策略路徑?！?/em>

自動進(jìn)化交易策略

在對數(shù)據(jù)的處理上，人工智能技術(shù)擴(kuò)寬了數(shù)據(jù)來源，使得有更多數(shù)據(jù)能夠被納入分析。而在算法上，人工智能技術(shù)也讓金融工具能自動進(jìn)化交易策略。Rebellion首席投資官Alexander介紹自己的產(chǎn)品說：

“我們給了系統(tǒng)20年的全球經(jīng)濟(jì)和市場數(shù)據(jù)，以及讓它學(xué)習(xí)現(xiàn)代金融的歷史，讓它找出不同因素是如何影響各資產(chǎn)類別、行業(yè)和地區(qū)的價格。它不是按照程序遵循任何特定的交易策略，因?yàn)槲覀儧]有告訴它去尋找這些。系統(tǒng)會自動識別概念，并在特定市場狀況下，將概念通性能績效聯(lián)系起來。”

相比之下，傳統(tǒng)的量化投資方法往往嚴(yán)格應(yīng)用事先設(shè)定好的策略，它的基本假設(shè)是現(xiàn)在的相關(guān)性會無限持續(xù)下去。但這往往會造成很大問題，因?yàn)槭袌鏊蚕⑷f變。所以人工智能系統(tǒng)的優(yōu)勢在于，它能夠隨著舊關(guān)系的衰減以及新關(guān)系的出現(xiàn)，不斷進(jìn)化自己的投資策略。

以Rebellion的例子看，它在分析了金融和貿(mào)易數(shù)據(jù)后，發(fā)現(xiàn)在過去的18個月里，大宗商品和外匯市場周期變短了。所以它會自動重新校準(zhǔn)，計算周期變短的影響，以新的策略進(jìn)行交易。

從左到右﹐依次為Rebellion公司的弗萊斯(Alexander Fleiss)、牛頓(Jeremy Newton)、斯特奇斯(Jonathan Sturges)和格林博格。

模仿專家決策

這是一種對規(guī)則的學(xué)習(xí)過程，人工智能會在基本原則的基礎(chǔ)上，識別出哪些是真實(shí)的規(guī)則，哪些是虛假情報。這也許會發(fā)現(xiàn)某些套利的機(jī)會。

但對于計算機(jī)來說，難點(diǎn)經(jīng)常在于對規(guī)則和機(jī)會的權(quán)重把握。所以Castilium采用了模仿專家的方法，選擇某一領(lǐng)域的一群專家，復(fù)制他們的決策過程，并導(dǎo)入可重復(fù)的計算框架。雖然這樣做費(fèi)時又費(fèi)力，但專家系統(tǒng)可以帶來連貫的決定，這很透明，也比較便于理解。

高利潤的長尾市場

而且相比于專家，人工智能能應(yīng)用在更多長尾的市場。我們可以用亞馬遜銷售圖書的方式做比較，由于有限的貨架空間，實(shí)體書店必須專注于銷售量大但利潤低的書籍。而亞馬遜有容易擴(kuò)展的貨架和預(yù)測能力，就能從小眾的書籍中獲得超高額利潤。量化投資也能觸及這樣的長尾，一些總量少但利潤高的領(lǐng)域，人力覆蓋很不劃算，這時候人工智能系統(tǒng)就有很強(qiáng)的優(yōu)勢。

基本上可以看到，人工智能在金融領(lǐng)域有著越來越多的應(yīng)用。它也能夠從簡單的數(shù)據(jù)和計算輔助者，變成能學(xué)習(xí)規(guī)則、發(fā)現(xiàn)套利機(jī)會、模仿專家行為的系統(tǒng)，而且還能在長尾市場獲取高額利潤。

挑戰(zhàn)：缺少常識

但人工智能在金融領(lǐng)域的發(fā)展，也面臨著非常多挑戰(zhàn)。其中一個非常重要的是常識，我們可以理解為基本的價值觀，以及人類社會運(yùn)轉(zhuǎn)的基本規(guī)律。

有一個有趣的例子：

• 1990年代金融和計算機(jī)專家David發(fā)現(xiàn)孟加拉國生產(chǎn)的黃油，加上孟加拉國羊的數(shù)量以及美國生產(chǎn)的奶酪，與標(biāo)準(zhǔn)普爾500指數(shù)從1983年開始的10年時間內(nèi)，有99%以上的統(tǒng)計相關(guān)性。

對于人類來說，他會很清楚這背后的巧合性。但人工智能沒有這種常識，它會把這種規(guī)律理解為很強(qiáng)的相關(guān)性。在1993年后，孟加拉黃油的關(guān)系莫名其妙破裂了。

而在一些突發(fā)的情況下，例如恐怖襲擊、監(jiān)管變革和賣空禁令。人工智能系統(tǒng)沒有遇到過這些情況，即便是資深從業(yè)者們，也經(jīng)常在這類情況中持有非常相反的意見。這時候如果讓人工智能管理資產(chǎn)并自動交易，就可能會有很大的風(fēng)險。

我們認(rèn)為，從大趨勢而言，人工智能在金融領(lǐng)域的應(yīng)用會加深加快。但基礎(chǔ)研究的限制，讓它很難單獨(dú)面對復(fù)雜的金融市場，更好的方法是讓它去處理大數(shù)據(jù)，找到數(shù)據(jù)和市場之間的關(guān)聯(lián)，發(fā)現(xiàn)套利機(jī)會。但在這個過程中，人也不應(yīng)該缺席。人和人工智能的混合系統(tǒng)，會在未來的金融市場中唱主角。

【關(guān)于作者】本文作者@王嘉俊，作者表明本文在成稿時亦參考了量投網(wǎng)、 搜狐等文章。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。