狂拽酷炫屌炸天 导语：人工智能技术与机器人研究领域最新进展的国际中文期刊，由汉斯出版社发行，本刊支持思想创新、学术创新，倡导科学，繁荣学术，集学术性、思想性为一体，旨在为了给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论人工智能技术与机器人研究领域内不同方向问题与发展的交流平台。
《21世纪资本论》通过详实的数据研究，提出了一个观点：20世纪70年代以来，在全球范围内投资增长率高于经济增长率。
全球范围内贫富差距扩大，富有者越发富有，而贫穷者愈发贫穷。
钱本身代表了赚钱能力，而当金融遇到人工智能技术后，这种能力从过去的粗放式，逐步可以通过大数据、精准计算以及人工智能的手段，变得稳定而精准。
我们不妨看几个案例:
高频程序化交易Virtu Financial LLC公司在1238个交易日中，仅有一个交易日出现了亏损。
案例
第一个以人工智能技术驱动的基金Rebellion预测了2008年的股市崩盘，并在2009年9月给希腊债券F评级，而当时惠誉的评级仍然为A。通过人工智能手段，Rebellion比官方降级提前了一个月。
掌管900亿美元的对冲基金Cerebellum也使用了人工智能技术，结果从2009年以来，没有一个月是亏损的。
所以有钱人纷纷把资产投入到人工智能公司，通过专业化的人工智能投资顾问管理财产。根据花旗银行的最新研究报告，人工智能技术投资顾问管理的资产，2012年基本为0，到了2014年底已经到了140亿美元。在未来10年的时间里，它管理的财产还会呈现指数级增长的势头，总额达到5万亿美元。
5万亿是什么概念？中国2014年的GDP是10万亿美元，相当于每2元就得给机器人上交1元。
在这样的大趋势下，我们来看看金融和人工智能技术的结合，背后究竟是怎么回事。
人工智能
量化交易的人工智能趋势
量化交易近些年一直很火热，而随着大数据和人工智能技术的兴起，它在产品上有越来越大的用处。
量化交易模型的三个类别
最简单的量化交易以约翰·墨菲的《期货市场技术分析》为代表，主要用到了指数、对数等简单数学知识，它更适合于作为辅助手段，最多由计算机发出交易信号，但最后还得人手动下单交易。
层次更高一点的，以丹尼斯的《海龟交易法则》为代表，主要涉及到均值、方差和正态分布的数学内容，策略上也更有科学性。这是一种基于交易规则的排列组合式交易，如果策略设计的好，而且行情和大趋势不错，也能取得不错效果。
更高一层体现在交易信号的整合上，会涉及到对回归分析、神经网络、支持向量机等传统技术指标进行整合，同时还需要考虑到金融数据的时间特征，使用滚动优化来获取样本外的测试结果。
更多的信息来源
基本上可以认为，越高层次的量化交易，背后需要处理越多数据。量化投资公司的持仓时间往往能达到1到2个星期，要进行这么长时间的价格趋势预测，需要处理的信息会非常庞大。
目前一些公司不仅利用传统的金融数据，还会用到卫星拍摄到的港口集装箱图像等图片信息，或者从新闻报道、博客、名人讲话中获得经济发展的线索。在图像识别和自然语言处理的技术支持下，很多非结构化的数据也能成为分析对象。
而大数据、非结构化数据以及训练模型，都需要人工智能技术介入其中。
FRM对冲基金在伦敦的负责人Patric对此有很好的解释：
“在这个互联网时代，我们获得的数据远远超过了人类可能的处理能力。要在这个巨大的信息海洋中分析和识别模式，唯一的办法就是使用机器学习工具和技术。这是一条发展更优的投资策略路径。”
人工智能技术
自动进化交易策略
在对数据的处理上，人工智能技术扩宽了数据来源，使得有更多数据能够被纳入分析。而在算法上，人工智能技术也让金融工具能自动进化交易策略。Rebellion首席投资官Alexander介绍自己的产品说：
“我们给了系统20年的全球经济和市场数据，以及让它学习现代金融的历史，让它找出不同因素是如何影响各资产类别、行业和地区的价格。它不是按照程序遵循任何特定的交易策略，因为我们没有告诉它去寻找这些。系统会自动识别概念，并在特定市场状况下，将概念通性能绩效联系起来。”
相比之下，传统的量化投资方法往往严格应用事先设定好的策略，它的基本假设是现在的相关性会无限持续下去。但这往往会造成很大问题，因为市场瞬息万变。所以人工智能系统的优势在于，它能够随着旧关系的衰减以及新关系的出现，不断进化自己的投资策略。
以Rebellion的例子看，它在分析了金融和贸易数据后，发现在过去的18个月里，大宗商品和外汇市场周期变短了。所以它会自动重新校准，计算周期变短的影响，以新的策略进行交易。
从左到右﹐依次为Rebellion公司的弗莱斯(Alexander Fleiss)、牛顿(Jeremy Newton)、斯特奇斯(Jonathan Sturges)和格林博格。
模仿专家决策
这是一种对规则的学习过程，人工智能会在基本原则的基础上，识别出哪些是真实的规则，哪些是虚假情报。这也许会发现某些套利的机会。
但对于计算机来说，难点经常在于对规则和机会的权重把握。所以Castilium采用了模仿专家的方法，选择某一领域的一群专家，复制他们的决策过程，并导入可重复的计算框架。虽然这样做费时又费力，但专家系统可以带来连贯的决定，这很透明，也比较便于理解。
高利润的长尾市场
而且相比于专家，人工智能能应用在更多长尾的市场。我们可以用亚马逊销售图书的方式做比较，由于有限的货架空间，实体书店必须专注于销售量大但利润低的书籍。而亚马逊有容易扩展的货架和预测能力，就能从小众的书籍中获得超高额利润。量化投资也能触及这样的长尾，一些总量少但利润高的领域，人力覆盖很不划算，这时候人工智能系统就有很强的优势。
基本上可以看到，人工智能在金融领域有着越来越多的应用。它也能够从简单的数据和计算辅助者，变成能学习规则、发现套利机会、模仿专家行为的系统，而且还能在长尾市场获取高额利润。
挑战：缺少常识
但人工智能在金融领域的发展，也面临着非常多挑战。其中一个非常重要的是常识，我们可以理解为基本的价值观，以及人类社会运转的基本规律。
有一个有趣的例子：
1990年代金融和计算机专家David发现孟加拉国生产的黄油，加上孟加拉国羊的数量以及美国生产的奶酪，与标准普尔500指数从1983年开始的10年时间内，有99%以上的统计相关性。
对于人类来说，他会很清楚这背后的巧合性。但人工智能没有这种常识，它会把这种规律理解为很强的相关性。在1993年后，孟加拉黄油的关系莫名其妙破裂了。
而在一些突发的情况下，例如恐怖袭击、监管变革和卖空禁令。人工智能系统没有遇到过这些情况，即便是资深从业者们，也经常在这类情况中持有非常相反的意见。这时候如果让人工智能管理资产并自动交易，就可能会有很大的风险。
我们认为，从大趋势而言，人工智能在金融领域的应用会加深加快。但基础研究的限制，让它很难单独面对复杂的金融市场，更好的方法是让它去处理大数据，找到数据和市场之间的关联，发现套利机会。但在这个过程中，人也不应该缺席。人和人工智能的混合系统，会在未来的金融市场中唱主角。
蛋君说：人工智能技术是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
更多相关内容：
1. 人工智能应用发展被iOS 9的免提Siri预示着>>>
2. 手机App无法获取传感器数据 iOS 9再添新漏洞>>>
3. 苹果 CEO 蒂姆库克称：iOS与 OS X 是不会合并的>>>
4. 苹果发布iOS 9屏蔽广告 剑指谷歌>>>
5. 呼之欲出的ios9推出 看看都有哪些亮点>>>
评论 (0)