【行業】說的神乎其神，人工智慧能用來炒股嗎？

人工智慧在圍棋、象棋、德撲等領域都已經取得了碾壓式勝利，這已經是一個不爭的事實。事實上AlphaGo這樣的AI已經可以用於任何需要理解複雜模式、進行長期計劃、並制定決策的領域。人們不禁想問，還有什麼是人工智慧不能克服的嗎？譬如說，變幻莫測的A股？

對於這個問題，持各種觀點的都不乏其人。探討它實可以分為兩個部分：1. 股市可以預測嗎？ 2、 假如可以預測，用機器學習的方法去預測可以嗎？

先回答第一個問題：股市的漲跌可以預測嗎？

如果將股市的價格變化看做一個隨時間變化的序列，Price = Market (t), 我們往往會發現，不管是嘗試用N個模型(線性，非線性, 概率)來進行逼近，即使是建立了符合股價變化的這樣的模型，並且在有足夠多的訓練數據的情況下模擬出了股價，但是這些模型最多只能在特定的區間能做一些並不十分精準的預測。

首先是ReinforcementLearning, 這個演算法基於馬爾可夫性，從一個狀態預測下一個狀態，但是股價的漲跌具有強烈的馬爾可夫性嗎?也就是上一時刻的股價與下一個時刻的股價間有必然的聯繫嗎?應該是不太大。這種基於N階馬爾可夫性的系統對於股價的分析很不利。而且假如只使用股價的歷史數據進行模型的訓練的話，準確度可以說幾乎為0。

事實上影響股價的因素不僅僅是歷史股價，還有更多的因素，公司的近況，股民對股票的態度，政策的影響等等。所以許多人從這方面進行入手，用人工智慧提供的快速計算能力，使用合適的模型，來量化這些因素，例如, (政策X出台, 可能會對股價造成變化y元)。當你的模型將所有的因素全都考慮進來, 那麼股價的預測就唾手可得了。股價 = f(政策因素, 公司情況，市場因素, 歷史股價，上一年歷史股價, 某個股民自殺的影響...)

然而這些因素到底有多少? 它們之間會如何影響，這才是問題的關鍵。在某些穩定的情況下，我們是可以做大概的預測的，但是有很多時候會不準確，這是因為，你的模型很難把所有的 因素都考慮進來。而且因素與因素間還會產生互相影響的情況下。股價的模型將會變得極其複雜。如下圖：

一個因素與一個因素之間的互相影響是很可能被預測出來的，但是假如它們之間產生了相互的影響，這時候整個系統就變得幾乎不可預測了。一個因素髮生變化，會造成好幾個因素的變化，最後這幾個因素又會反作用回來使上一個因素直接或間接的發生變化，股價變化一下子就變得難以捉摸起來。一些微小的因素也可以通過這種系統無限的放大，最後給股市造成巨大的影響。

那麼是不是預測股價是就是不可能的呢？

事實上人工智慧遠比我們想像的更強大。例如非常繁複的Bayesian reasoning，包括deep learning/deepreinforcement learning，它們都能表示複雜的hidden variables之間的關係。現在國內外也已經有許多公司在探索將人工智慧應用於股市的可能性了。但是這裡所說的將人工智慧技術應用於股市，大部分不是說讓人工智慧代替人去做決策，而是利用人工智慧在數據處理和不受主觀喜好影響上的優勢，在投資決策中扮演一個「AI專家顧問系統」的角色，去輔助人類做出更明智的決策。

股市分析包括基本面分析與技術分析兩大塊，而人工智慧技術在這兩方面都能發揮作用：

1 基本面分析

簡言之，就是讀取各類財經資訊。面對網上海量又紛繁複雜的信息，只依靠人腦已經無法解決問題了。我們知道數據挖掘的三個V，（Volume數據大）,（Velocity更新快）,（Variety多樣），在處理這樣的海量數據時，計算機相比人腦具有不可比擬的優勢。而深度學習在自然語言處理領域的應用，可以做到在海量的信息中做出自動摘要，提取出精華信息以幫助人類進行決策。

另外，股票價格在很大程度上是由買賣雙方的力量對比決定的，是由每個股民對某支股票的情緒而決定的。如果大家都很看好一支股票，那麼它就很可能會漲；反之會跌。還有一些特定事件會很明顯地影響到股票價格，例如今年美國40年來首次開放原油出口後，國內能源版塊不出意料下跌了。這也是為什麼這麼多股民會刷新聞，看動態來保持敏銳的嗅覺。可以看出，在預測股票這件事上，最重要的是信息，或者說是數據，從中挖掘股民的情緒。而情緒識別已經是人工智慧所擅長的技術了。國外已經有很多這方面的研究，也有DataMinr這樣的公司專註從社交媒體中提取有價值的金融信號。

如下圖，美聯社官推被黑（謠言奧巴馬被襲擊受傷），很快股市出現了大幅度下滑-上升（看13點左右）。雖然這個事件較為特殊，但是設想如果能夠在第一時間得到類似消息，實際上就掌握了預測股市的主動權。

可以大膽想像，如果將情感分析與機器學習相結合，抓來海量的數據，去做情感分析，大概找出民眾對於對某些股票持樂觀還是悲觀的情緒，那麼至少可以將這一因素納入模型學習範圍中。現存的很多論文都是在情感分析上找尋很多辦法去提高準確率。其他一些更簡單的做法還有：（1）Google Trend。這個是很簡單的辦法：谷歌提供的搜索量數據，利用搜索量的變化來預測。（2）利用Twitter Volume(相關Twitter的發帖數量）

2. 技術分析

傳統技術分析中的K線分析，什麼「大陽星」、「小陰星」、「旭日東升」、「穿頭破腳」，其實就是人腦的模式識別。受人腦信息處理能力的限制，這些識別出來的模式有以下缺點：（1）只是單條K線的、只是基於一個模糊的形狀，似是而非的、沒有確切的數字標準的；（2）基於有限的歷史信息的。 而好的深度學習策略，可以突破人腦的限制，比如突破單一K線的限制，從更多的財經信號（其他股票、黃金、外匯等）中尋找規律；或是從一個更長時間段的歷史信息中識別出規律。

總之，人工智慧將提升我們處理信息的深度、廣度。使用基於人工智慧技術的「智能投顧」的人，將比不運用或是還在利用「人腦」進行基本面分析與技術分析的人占信息優勢，從而也就更可能在股市中盈利。

人工智慧在證券投資領域的興起始於2007年。彼時，第一個純人工智慧的投資基金在美國紐約誕生，此後人工智慧在證券投研領域的發展步入快車道; 事實上，在證券投資領域，人工智慧早已經不是什麼新鮮事，量化對沖基金經理遍佈於北京金融街、上海陸家嘴。一般來說，公募基金或大型私募的量化投資部由兩部分組成，一部分是投研團隊，另一部分是IT團隊，投研團隊提出需求，IT團隊做出演算法交易的模塊，解決基金經理們的需求。

「正常情況下，我每天的工作流程是早上起床後看一下(機器)生成的股票清單，再看看組合管理系統里每個策略配了多少權重，這些策略加起來的倉位又是多少，然後根據機器所給出的信號(賣出或買入)的各類數據(包括融資融券、投資者入場情況等)，判斷機器給出的信號有沒有明顯的錯誤。」一位量化對沖經理說，如果當天需要交易，他就會生成交易指令，再下單到交易系統，交易系統就會開始自動運作。

在傳統的投研中，基金經理及研究員們對財務、交易、市場等數據進行建模，分析其顯著特徵，利用回歸分析等傳統機器學習演算法作出交易策略，到了人工智慧階段，這些工作便交給了計算機。目前，一些私募基金已開始將量化對沖的三個子領域融入日常交易策略中，嘗試獲取收益，它們包括機器學習、自然語言處理與知識圖譜。例如，作為全球最大的對沖基金，橋水聯合(Bridgewater Asspcoates)使用的是一種基於歷史數據與統計概率的交易演算法，讓系統能夠自主學習市場變化並適應新的信息。

AlphaGo大勝李世石柯潔，引發全世界關注。投射到投研領域，則是以人工智慧量化選股和人類基金經理之間的對決。已經證明的是，人工智慧選股在規避市場波動下的非理性選擇、迴避非系統性風險、獲取確定性收益方面等更勝一籌，波動率、最大回撤等指標也更低，表現更穩定。

然而，機器雖然動作比人快，但思維還是沒人快。比如面對某個新出台的政策、市場熱點，基金經理可以立即以此為主線採取行動。但是機器沒那麼快。這是人的優勢。再譬如，機器一次只能做到一個階段做一個策略，比如供給側改革，只能想到煤炭、鋼鐵、有色金屬里的股票，但是對基金經理，他就還能同時做價值投資或動量反轉等策略。

整體來說，將整個股票投資決策過程全部交給機器，目前來說還屬於少部分金融巨頭企業才能做到的事情。

美國矽谷「感知力」技術公司讓人工智慧程序全程負責股票交易，與其他一些運用人工智慧的投資公司不同，該公司交易部門只有兩名員工負責監控機器，以確保出現不可控情形時可通過關機終止交易。據報道，「感知力」公司的人工智慧投資系統可以通過經驗學習實現「自主進化」。公司在全球擁有數千台同時運行的機器，其獨特演算法創造了數萬億被稱為「基因」的虛擬交易者。系統利用歷史數據模擬交易，目前可在幾分鐘內模擬１８００天的交易量，經過測試，不好的「基因」被剔除，好的「基因」被保留。通過考驗的好「基因」被用於真正的交易。公司員工只需設定好時間、回報率、風險指數等交易指標，剩下的一切都交由機器負責。

公司首席投資官傑夫·霍爾曼透露，目前機器在沒有人為干預情況下掌握著大量股票，每天完成數以百計的交易，持倉期限為數日到幾周。公司說機器的表現已超越他們設定的內部指標，但沒有透露指標的具體內容。

隨著人工智慧技術的持續進步，人工智慧投資成為被學術界和資本看好的領域。英國布里斯托爾大學教授克里斯蒂亞尼尼說，股票投資是十大最有可能被人工智慧改變的行業之一。另一方面，也不是所有的投資商都信任機器，英國對沖基金曼氏金融首席科學家萊德福警告說，不應過度信任人工智慧投資，該領域還遠沒有成熟。雖然有各種各樣具有迷惑性的承諾，很多投資人的錢卻有去無回。