人工智能如果参与股票交易，将是什么样的情景？ 举报 理由 举报 取消 基于深度学习的AI征服了围棋，那么是否可以将此应用于证劵市场呢？那是一幅什么样的情景？会给我们带来什么样的影响？ 2017年9月23日 10 条回复 1120 次浏览 人工智能,投资,科学幻想,证券
回复 ( 10 )
谢药。
同对@Cloudyyty表示异议。
人工智能和量化交易、专家系统等有明显区别。一个最明显的事实就是，量化领域我们经常会谈到一个策略/系统的生命周期是多久。但是你们可曾听说AlphaGo的生命周期是多久？没有。因为随着时间增长，其棋力一定是增长的。
其实，事情的真相是，并非策略有生命生命周期，而是
从一开始就是overfit！
从一开始就是overfit！
重要的事情第三遍我就是不说。所以说神马生命周期大部分都是错觉。
简单来讲，目前人工智能应用在证券交易有以下困难：
1，围棋作为信息完全、只有2人参与的回合制游戏，任何证券市场明显不满足这个要求。
2，数据量不充足。AlphaGo有3千万局对弈，还可以自我对弈来增加训练量。
3，别的不说，在股票上如何训练policy network就是一个天大的麻烦。
4，围棋规则固定，而市场交易规则随时可能有细微变化，永远没有一个样本足够的标准化dataset给你训练。
5，对噪音、以及不确定性的建模始终是金融建模的一个重要课题。但以deep learning为基础的人工智能算法，在我看来在这方面尚不能够做到well calibrated，还是会出现over confident。即使通过不同的算法进行改进，也会增加大量计算量。
总的来说，人工智能算法可以作为终端决策的一个组分，其作用则是建模和优化。如果期待有类似AlphaGo依靠几个智能算法从信息处理到提取特征到预测对手到最终决策的一条龙自我学习的效果，目前来讲还是想多了。
注：并没有否定机器学习应用在金融的可能性，而且要做好也需要非常高的智慧。但大部分这类工作所走的路线，目前并不能将其与AlphaGo这类的路线相混淆。
关于人工智能，这样说吧，金融领域是所有行业的最顶端的行业。人工智能要是可以替代所有其他行业，再考虑金融领域了。而金融行业的顶端是交易，交易的本质是人性，是投资者心理的博弈，对于一个没有人性缺乏心理活动的机械谈何，谈何心理博弈，所以也就不适应金融领域了。提问者可能是基于最近alphago击败李世石所提问的。这样说吧，计算器的算术能力强于人脑。汽车的速度强于人体等等，alphago其实只是单方面能力强于人类。并不能说明什么，完全新闻炒作，没一点意义。单靠这些谈及人工智能还太早。真要应用到金融核心，那么至少需要像《人工智能》电影里面的一样，具有感情。因为交易的本质是投资者的心理博弈。不同投资者对当下市场的心理认识。是心理，情感上的博弈，而并非单纯规则化竞技运动。
对Cloudyyty提出异议：量化策略与神经网络被混淆了。量化的对数据算法由人拟订，而AlphaGo通过神经算法再生成对数据算法产生动态策略。
两者数据量级，所需计算资源、算法规模、应用性与对相互决定性模型、逻辑框架的处理均不在同一类型上。
鉴于目前AI最高复杂度与应用性的研究集中于机器学习与神经网络领域，下方研究下围棋AI，alphaGo对于金融市场尤其股票市场的适应性：
目前实际意义上的神经网络，alphaGo本质上是在一个存在优劣水平反馈同时时序对应对手行为(回合制)的策略条件下统计所有可能环境下的策略优劣度并相关自身与对手策略的相对决定性选出最优解。细节上会分解策略的步骤并量化策略的关联性的对应效用(也就是通过蒙特卡洛树搜索拟合局面评估函数和策略函数、以及机器学习RL形成对数策略)。这个统计归纳成一个库再通过一个对数据算法输出出来。
细节见Nature的论文：
AlphGo其数据本身就是算法。那我们下面就讨论以神经网络的学习算法形成交易策略的可行性。
而对于股票市场时序对应行为(非回合制)的机制：
1.历史参与者V行为构成市场信息a
2.参与者ABuy观测市场信息产生交易动机，与参与者ASell发生交易，或ABuy产生
3.A交易影响市场价格，构成市场信息b，使观测者B产生交易动机
4.观测者BBuy与BSell发生交易，构成市场信息c
如果说V行为导致了A行为，连续产生了C行为。而V、A、C行为本身存在相互决定性的影响关联就是一个由人类心理动态构成的混沌系统，是取决于完全不同的动机机制和策略机制而产生的不同频率的固定方向行为(Buy与Sell)。如果以行为发生逻辑提取条件，那么到了不同的数据环境，混沌系统又不同了，也就失灵了。
因为决定交易的，市场信息只是诱因，动因是对于市场信息的动机机制而产生的策略。这个混沌系统下，有效的信息极其有限。大量的数据都是垃圾数据。
股票市场的优劣水平计算，是以收益为结果导向，而这种过程是受大量无法产生条件关联的中间因素干扰的。
从数据原型来讲，如果不以对手行为为时序单位，按历史市场信息来分析：
我曾经做过一个统计模型，一个4日的K线的开盘价、收盘价、最高价、最低价的增辐(Increase.)为参照数组，以5%为允许偏离值。1990年至今3000余支股票的数据，仅检测到1个匹配数组。后放低标准，仅检测开盘价，也检测到不过6个匹配数组。
AlphaGo本身的数据原型是回合制并只有一个反馈条件的，能够形成数据关联特征的数据以数百万计。
而股票市场的反馈条件有多少个呢？不知道，这是与市场参与者动机的发生密度决定交易频率而形成的，这个反馈条件也是一个指数级的数字。
任何模型、策略、逻辑、算法的基础，基本逻辑都是构建在条件反射上的，股票市场的复杂度以及无序性无法有效的提取关联数组条件（这也是为什么会有原理不明但却有效的分型理论以及“缠论”的成因）：
AlphaGo的条件可能足够多，但是是明确且相互对应的。
而股票市场的条件反馈如何构建？股票市场的复杂性已经证明了不能用明确条件来统计提取有效数据拟订对数据策略。
而如果用一定允许偏离值来抓取数据特征关联条件形成策略，上面的举例已经证明这其中的偏差超出了有效的程度。并且，股票市场上，相同的数组，产生的不同结果也是极其正常的，时序结果也是不同的。
以上
前几天跟银行的客服经理聊的时候，她推荐我买一个新的理财产品，说是电脑炒股，收益比理财高，风险小，因为机器会设定亏损的界限。后来想想还是不弄了，为了不多的一点钱，不需要这么折腾。
我有我们村里的股票，买的时候两万，之后每年分红几万，每年都非常稳定的现金流。如果这样，何必机器炒股，看好这个企业，买就是了。
但假如村领导吃光用光贪污光，并且一直没人去管，这种股票就不值得长期持有，确实能卖好价钱的时候赶紧卖了，以后别玩了。
个人觉得，在整个股票市场不正常，上市公司也不正常的情况下，用软件无非就是止损的作用。但是投资的目的是为了占有资源，而非去亏钱，也不是为了买一个未来的希望，更不是为了少亏一点。
还是喜欢圣经里的投资理念，得地为业，地可以引申为资源，占有好的资源才是致富关键。
如果只是盯着钱，适用以下这句：你岂要定睛在虚无的钱财上吗？因钱财必长翅膀，如鹰向天飞去。 (箴言 23:5 和合本)
我差不多接触了一年投资方面的销售，无非就是喜欢用编出来的回报率来忽悠人。一开始听听很激动，后来听多了就麻木了，觉得处处是坑，进去的话本金就被套走了。
我是数学系出身，在央企研究院做科研，业余炒股，收益颇丰，最近正在跟人合伙准备做基金。
看知乎这么多韭菜实在看不下了，我就是这么说吧，以我玩股票的经验和对人工智能数理模型的了解，我只想说，纯数学或人工智能去做交易是纯粹的庸人自扰，是花10倍的精力去获得一倍收益。
金融市场最关键的是交易的逻辑，而不是什么数学模型，当然你也可以尝试用数理模型去拟合这些，但是我觉得你未必有这种功底和精力，而且效果也极可能不如你直接解决更好，你为啥非逼着自己去用擀面杖缝衣服呢？
收益率越高的策略越依靠金融知识和交易背后的逻辑，至于统计或者数学模型，如果你真懂的话，通常只能起到避免你巨亏的作用，如果你不懂的话，迷信你不懂的统计和数学模型并盲目套用，会让你暴露在巨大的风险之下。
人工智能与量化风险技术
金融系统可以看成一个外部函数和一个内部函数组成的超高维混沌函数系统。
外部函数包含国内外政策，行业趋势等，既可以是突发的，又可以是长期影响的消息组成的函数组
内部函数包括企业或者商品成长性，业绩等的函数组，不像外部函数，这些信息多数具有长期性特征。
就像@孟起君说的人工智能应用金融存在的问题， 我是比较认同的。
怎么解决呢，思路就是有一种技术使得外部函数多个变量的自定域变化，不影响值域变化，且值域始终为零。内部函数转成一个只与每笔交易量相关的函数。这样，就解决了信息不完全，规则不确定，数据不够巨大，如何降噪等现阶段人工智能的主要问题。
有没有这种技术呢，有，量化风险技术
天使汇正在融资的明镜风控就是这样的技术，各位有兴趣可以看看。
当然我也有很多疑惑，李开复先生希望得到您的指导@李开复
估值系统也不确定
谢邀。
我相信这些东西在市面上已经存在，比如说从twitter上的消息规探信息，或广泛从各新闻网站收集实时新闻，去决定交易动作，这些都用上了大家熟知的人工技能方法再加以改量。这在美国是很赚钱的行业。
但另外也有些用数学物理的方法去做交易，也可以说是广义的人工智能，方法不太传统。这也是十分赚钱的行业。不过，实际的技巧我不太清楚，也没有文章谈到，他们写好了就拿去赚钱，从不告䜣你他用了什么技巧。我十分明白，如果我懂，我也不会回答这问题。
电力行业，股票看涨。
咳咳，首先，棋谱有很多，每一个都有明确的结果，作为训练素材非常好，因为有输入也有输出。
问题是你怎么评判这个AI进行投资的有效性？
比如说用多少年数据进行模拟，用最终盈利评判，问题是你做个模型挺成功，但是过了这个最后一条数据的时间点后它却一直亏损呢？
神经网络建模虽然不必须建立在“固定”的基础上，它也可以不断的自我修正，但是，它的训练是有一定时间有效性的。
针对你训练好的模型，我现在就建立一个策略：在固定的时间后，我转换我的策略
这样的话你的模型马上就要开始对新的策略进行学习，修改之前已经形成的策略
然后我再改策略
你再改
这样的话，对于神经网络就得做一个统合：抽取不同市场行为特征，对不同特征进行不同模型的学习和构建，在应对不同特征的市场策略时采取不同的模型
接着就是博弈双方各种互相针对，各种改策略来了
其实说到底就1个字：变
只有变化是永恒的