本文選自《交易技術(shù)前沿》第二十六期 （2017年03月）。

摘要：人工智能作為金融科技的一個(gè)重要分支，在金融投資領(lǐng)域能起到什么樣的作用？本文將從金融投資的業(yè)務(wù)出發(fā)，結(jié)合國內(nèi)外相關(guān)業(yè)務(wù)研究，來談一談人工智能在國內(nèi)金融投資領(lǐng)域的應(yīng)用和發(fā)展。
關(guān)鍵字： 金融科技；人工智能；智能投顧；神經(jīng)網(wǎng)絡(luò)；知識(shí)圖譜

       因技術(shù)變革而至的金融科技（Fintech）是當(dāng)前的一個(gè)熱門話題，在過去幾年中呈現(xiàn)運(yùn)動(dòng)式發(fā)展，除了BAT（百度、阿里、騰訊）等互聯(lián)網(wǎng)公司，其他新興公司，銀行、證券、保險(xiǎn)、基金公司等傳統(tǒng)金融機(jī)構(gòu)都被卷入這場變革式洪流之中。
       回顧中國證券市場20多年的發(fā)展，技術(shù)提升效率、降低成本是一條主線。在1990年中國證券市場建立之初，確定的市場組織基本特征就是典型金融科技的應(yīng)用場景。比如上交所開業(yè)就選擇了電子化交易系統(tǒng)撮合。從技術(shù)實(shí)力上來講，這些年證券行業(yè)在云計(jì)算、大數(shù)據(jù)領(lǐng)域也開展了大量前沿探索和應(yīng)用。比如，阿里、騰訊所強(qiáng)調(diào)的大型分布式系統(tǒng)，滬深交易所分別于2009年、2016年完成系統(tǒng)分布式架構(gòu)遷徙；交易所、登記公司更是早在10多年前就構(gòu)建了企業(yè)級數(shù)據(jù)倉庫，技術(shù)挑戰(zhàn)絲毫不亞于任何互聯(lián)網(wǎng)公司。同時(shí)伴隨著整個(gè)行業(yè)的發(fā)展，越來越多市場參與者的核心競爭能力將建立在其技術(shù)服務(wù)水平提升的基礎(chǔ)上，從這個(gè)意義上來說，證券行業(yè)將會(huì)是金融科技的下一個(gè)主戰(zhàn)場。
       從證券行業(yè)屬性來看，公眾接受證券業(yè)服務(wù)的首要目的是財(cái)富管理，是希望獲得投資收益，或者提高投資決策效率和收益。在直接的金融收益驅(qū)動(dòng)下，對創(chuàng)新技術(shù)和科技手段的重大突破和應(yīng)用首先也更容易集中在投資管理領(lǐng)域，這是證券行業(yè)獨(dú)到的優(yōu)勢和魅力所在，也決定了證券行業(yè)金融科技的實(shí)踐會(huì)成為下一個(gè)焦點(diǎn)。按照人工智能、區(qū)塊鏈、大數(shù)據(jù)等不同新技術(shù)劃分，金融科技在證券行業(yè)的應(yīng)用將會(huì)出現(xiàn)很多條分支，而其中人工智能必然對金融投資領(lǐng)域的應(yīng)用和發(fā)展帶來較為深刻和明顯的變化。
       什么是人工智能？從字面理解，人工智能是對人的意識(shí)、思維的信息過程的模擬。它能夠完成過去只有人的智能才能夠完成的復(fù)雜事情。具備人工智能的軟件系統(tǒng)，從最初的工具屬性開始逐步具備分析等高級能力。隨著AlphaGo在圍棋領(lǐng)域大獲全勝，越來越多的人開始相信人工智能將會(huì)在各個(gè)領(lǐng)域逐步取代人類。證券投資領(lǐng)域也不例外，國內(nèi)外很多技術(shù)先進(jìn)的金融和技術(shù)公司都在積極投入這一領(lǐng)域的研發(fā)，嘗試打造投資界的AlphaGo，利用智能算法與大數(shù)據(jù)一同打造具備投資能力的AI系統(tǒng)。通常我們把利用人工智能技術(shù)輔助到投資領(lǐng)域的智能系統(tǒng)稱之為智能投顧系統(tǒng)。一個(gè)理想中的完整的投顧流程大致可以分為用戶分析、資產(chǎn)配置、投資分析、策略生成、交易執(zhí)行、分析反饋這幾個(gè)階段。對應(yīng)金融投資的不同業(yè)務(wù)階段，所用到的智能系統(tǒng)的職責(zé)也大不相同。因此按照階段出現(xiàn)了以下三種類型的智能系統(tǒng)：
       應(yīng)用于銷售前端的大類資產(chǎn)配置型智能投顧，主要是通過用戶分析為客戶解決大類資產(chǎn)配置問題，如Wealthfront應(yīng)用于投資分析階段的投研型智能投顧，主要通過海量數(shù)據(jù)挖掘和邏輯鏈條解決投資研究的問題，如Kensho應(yīng)用于策略、交易和分析的智能量化交易系統(tǒng)，主要通過人工智能手段取代交易員，應(yīng)用于投資交易，如Water Bridge橋水基金的全天候人工智能交易。
       不同的系統(tǒng)對應(yīng)到投資整個(gè)流程的不同階段，因其職責(zé)的不同，覆蓋的功能可以通過下表來展示：


       接下來本文將針對以上三種不同類型的智能投顧系統(tǒng)，從業(yè)務(wù)和技術(shù)特征來探討一番。

       近年來，智能投顧迅速崛起，作為新的投資模式尤其在美國深受歡迎。它為顧客提供動(dòng)態(tài)的，基于算法的資產(chǎn)配置建議。所謂智能投顧，即“智能”＋“投顧”，首先它是一個(gè)投顧，取代的是人工投顧的工作。根據(jù)投資者的實(shí)際狀況，如收入狀況、年齡、投資目的、心理風(fēng)險(xiǎn)承受能力等因素來評估用戶實(shí)際風(fēng)險(xiǎn)偏好，并推薦相對合理的投資組合建議，其投資標(biāo)的主要為各類ETF基金，屬于資產(chǎn)配置型的被動(dòng)投資。
       相比于傳統(tǒng)的投顧，智能投顧有著更低的成本，使得普通家庭也能夠享受專業(yè)的投顧服務(wù)。其次，智能投顧發(fā)揮算法優(yōu)勢且由機(jī)器自動(dòng)執(zhí)行，因此配置和執(zhí)行更為高效。而傳統(tǒng)財(cái)富管理則有著覆蓋面有限、資源配置效率低下、普通消費(fèi)者缺乏財(cái)富管理意識(shí)以及剛性兌付未完全打破等短板。
       這里我們列舉兩家美國智能投顧企業(yè)Wealthfront和Betterment做進(jìn)一步分析：
       Wealthfront利用現(xiàn)代投資組合理論（MPT，Modern Portfolio Theory）為用戶推薦投資組合，該理論是諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主馬克維茨和威廉夏普創(chuàng)造的理論，通過分散的投資組合在降低風(fēng)險(xiǎn)的同時(shí)不會(huì)降低預(yù)期收益率，投資者能夠在同樣的風(fēng)險(xiǎn)水平上獲得更高的收益率 ，或者在同樣收益率水平上承受更低的風(fēng)險(xiǎn)。平臺(tái)選擇的資產(chǎn)種類多達(dá)11類，一方面有利于提高分散化程度，降低風(fēng)險(xiǎn)；另一方面具有不同資產(chǎn)的特性能為用戶提供更多的資產(chǎn)組合選擇，滿足更多風(fēng)險(xiǎn)偏好類型用戶的需求。
       平臺(tái)特征：
       a. 用戶評估： 通過問卷形式了解用戶風(fēng)險(xiǎn)偏好，評估用戶承受風(fēng)險(xiǎn)能力。
       b. 定制計(jì)劃： 根據(jù)用戶評估結(jié)果定制投資計(jì)劃。
       c. 實(shí)時(shí)監(jiān)控： 實(shí)時(shí)監(jiān)控投資動(dòng)態(tài)。
       d. 稅收服務(wù)：獨(dú)特的稅收優(yōu)化索引服務(wù)。

       Betterment的投資策略以目標(biāo)導(dǎo)向型為基礎(chǔ)。這樣的配置模式，從服務(wù)個(gè)人投資者的角度來理解，如客戶的理財(cái)目標(biāo)是什么，客戶也許需要一個(gè)安全的計(jì)劃，也許需要退休增值計(jì)劃或者個(gè)人財(cái)富目標(biāo)的增值計(jì)劃，Betterment會(huì)根據(jù)他的理財(cái)目標(biāo)和追求，推薦相應(yīng)的配置組合，并且在過程當(dāng)中，持續(xù)幫客戶管理他的投資計(jì)劃， 與Wealthfront類似，betterment的投資標(biāo)地同樣主要為ETF。
       a. 目標(biāo)導(dǎo)向：客戶可針對個(gè)人投資目標(biāo)定制投資策略；
       b. 目標(biāo)拆解：客戶可將資產(chǎn)增值長期目標(biāo)拆解成短期目標(biāo)；
       c. 收支預(yù)算：客戶可設(shè)置一個(gè)月的花銷預(yù)算；
       d. 資金歸集：每月將客戶銀行賬戶金額轉(zhuǎn)入投資賬戶；
       e. 費(fèi)用門檻：相比Wealthfront，費(fèi)率和投資門檻更低；

       下表為美國主要職能投顧平臺(tái)規(guī)模服務(wù)概況：

       相比于美國市場，國內(nèi)的大類資產(chǎn)配置型智能投顧仍處于萌芽階段，發(fā)展模式也有不少差異。首先，是國內(nèi)與國外的市場差，國外交易品種主要為ETF，證券市場相對穩(wěn)定，被動(dòng)投資往往能獲得不錯(cuò)的正收益, 并且大部分智能投顧平臺(tái)具備稅收管理能力,能夠幫助投資者合理避稅,而國內(nèi)證券市場個(gè)人投資著占據(jù)大部分，市場成熟度相對較低，波動(dòng)性較大，同時(shí)ETF品種也較為匱乏，因此以ETF為標(biāo)的不同組合有著較大的雷同性，個(gè)性化滿足程度低,也沒有稅收管理的需求。其次，國內(nèi)不允許全權(quán)委托下單，有著監(jiān)管壁壘，這也直接導(dǎo)致了以ETF為標(biāo)的智能投顧在國內(nèi)發(fā)展難度較大。因此國內(nèi)的智能投顧并非以ETF為主要標(biāo)的，而是以不同類型的基金和理財(cái)產(chǎn)品為標(biāo)的，以招商銀行的摩羯智投為例，配置的投資標(biāo)的主要為貨幣基金，固定收益類、股票型基金和債券，同樣可以滿足用戶的需求。

       資產(chǎn)配置型的智能投顧目前的主要投資標(biāo)地是大類資產(chǎn)，目標(biāo)客戶是廣大群眾，并非是專業(yè)投資者，因此其實(shí)質(zhì)還是在銷售端。當(dāng)投資到具體的如ETF、基金、債券等產(chǎn)品時(shí)，在產(chǎn)品端這一層實(shí)質(zhì)是專業(yè)的資管產(chǎn)品。如ETF的建立，股票或商品標(biāo)地的選擇，擇時(shí)的把控等等。這時(shí)就需要投研分析類的職能投顧來輔助進(jìn)行投資研究。
       投研分析首先是數(shù)據(jù)分析， 互聯(lián)網(wǎng)時(shí)代的到來，獲取數(shù)據(jù)已經(jīng)不再是難事。在金融投資領(lǐng)域，數(shù)據(jù)正在變得越來越透明且及時(shí)，信息不對稱的現(xiàn)象被網(wǎng)絡(luò)逐步消除。然而，面對著海量的數(shù)據(jù)，從中提取能夠提供于投資與決策的有價(jià)值的數(shù)據(jù)，卻變得越來越困難。以基本面研究為例，研究員與分析師每天面對的各類研報(bào)，涉及大量上市公司信息和相關(guān)新聞，除此之外還要參考市場各類宏觀信息，想要研究一個(gè)公司究竟是否值得投資，何時(shí)進(jìn)行投資，是一個(gè)非常復(fù)雜的過程。利用人工智能技術(shù)，可以幫助從業(yè)人員更快的從海量數(shù)據(jù)中發(fā)現(xiàn)不同信息的邏輯關(guān)系，從而更加精準(zhǔn)快速得作出決策。
       從數(shù)據(jù)的角度來，大抵可分為結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)。所謂結(jié)構(gòu)化數(shù)據(jù)是指可被存在數(shù)據(jù)庫二維表邏輯的數(shù)據(jù)，這類數(shù)據(jù)可被工程人員直接使用，如數(shù)字、符號等，而非結(jié)構(gòu)化數(shù)據(jù)指的是如：文本、圖片、視頻、各類報(bào)表、pdf、網(wǎng)頁等。而從業(yè)務(wù)角度，大抵可以歸為以下幾類：
       1）公告類： 包含上市公司各類公告新聞以及央行，交易所、地方政府等發(fā)布的各類公告和數(shù)據(jù)。
       2）資訊類： 包含各類新聞，行業(yè)與社會(huì)動(dòng)態(tài)。
       3）研究報(bào)告：包含各類專業(yè)研究類報(bào)告。
       4）評論類：包含社交媒體等各類社會(huì)化信息。
       無論是公告、資訊、報(bào)告還是評論，大部分的數(shù)據(jù)來源屬于非結(jié)構(gòu)化數(shù)據(jù)，而研究的過程中大量工作的在于從非結(jié)構(gòu)化數(shù)據(jù)中提取有效信息，并從不同的數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的投資邏輯。如果將數(shù)據(jù)看成節(jié)點(diǎn)，用邊來表示數(shù)據(jù)的邏輯推導(dǎo)關(guān)系，那么所有的數(shù)據(jù)關(guān)聯(lián)就可以形成一個(gè)網(wǎng)絡(luò)。知識(shí)圖譜作為人工智能的一個(gè)技術(shù)分支，專門用于處理這一類的關(guān)聯(lián)。
       知識(shí)圖譜是一種由知識(shí)點(diǎn)相連的語義網(wǎng)絡(luò)。它的基本數(shù)據(jù)結(jié)構(gòu)是圖（graph），由邊和節(jié)點(diǎn)組成，節(jié)點(diǎn)通常用于表示實(shí)體，如：公司、地區(qū)、產(chǎn)品等。而圖的邊則用于表示關(guān)系。與傳統(tǒng)二維表結(jié)構(gòu)化數(shù)據(jù)不同，二維表需要事先定義表結(jié)構(gòu)（schema），而圖不需要。因此它可以更為靈活地創(chuàng)建和管理不同的數(shù)據(jù)。同時(shí)，不僅可以像二維表一樣遍歷節(jié)點(diǎn)，還可以通過節(jié)點(diǎn)的路徑，順其關(guān)系鏈進(jìn)行網(wǎng)絡(luò)的深度搜索。例如： 美國加息和某礦業(yè)股票的推理鏈，可以建立這樣的圖譜結(jié)構(gòu)： 美國加息正相關(guān)美元匯率，美元匯率負(fù)相關(guān)黃金價(jià)格，黃金價(jià)格正相關(guān)礦業(yè)股票。 在真實(shí)的場景中，可能除了通過匯率和價(jià)格影響最終股票之外，還有多種不同的路徑。當(dāng)建立了實(shí)體間的邏輯關(guān)聯(lián)后，通過路徑－節(jié)點(diǎn)間的深度搜索可以完成知識(shí)間的邏輯推導(dǎo)，從而具備普通信息搜索技術(shù)所不具備的智能。
       要從海量數(shù)據(jù)中提取數(shù)據(jù)并建立知識(shí)圖譜進(jìn)而最終進(jìn)行展示，一般而言需要通過數(shù)據(jù)獲取、數(shù)據(jù)清洗、數(shù)據(jù)分析、建立關(guān)聯(lián)、推導(dǎo)統(tǒng)計(jì)等多個(gè)步驟，如下圖所示：


       其中數(shù)據(jù)清洗和邏輯關(guān)聯(lián)的建立是最為復(fù)雜的。在數(shù)據(jù)清洗與分析階段，需要通過語義理解、正則庫等各種技術(shù)手段去自然語言中提取實(shí)體信息。如果同時(shí)需要去建立實(shí)體間的邏輯關(guān)聯(lián)，則還需要通過語義理解和神經(jīng)網(wǎng)絡(luò)等技術(shù)手段。目前，在中文語義理解層面，尚不能做到具備強(qiáng)語義理解和邏輯推理的人工智能。主要原因在于：人工智能的開發(fā)需要大量的有效數(shù)據(jù)進(jìn)行訓(xùn)練，雖然大數(shù)據(jù)時(shí)代信息海量，然而被標(biāo)記的數(shù)據(jù)太少，用于訓(xùn)練理解語義邏輯關(guān)系的樣本則更少。一條可行的發(fā)展路徑是通過人工輔助的手段去逐步完善，從行業(yè)的維度逐個(gè)建立行業(yè)圖譜以及語義理解庫，從工具的角度入手，完成信息梳理和基礎(chǔ)關(guān)聯(lián)為主。因此與其說使用人工智能完全取代分析師投研，不如以智能化工具的手段輔助和提升投研效率更為可行。

       投資研究的最終目的是進(jìn)入市場進(jìn)行交易并獲取投資收益。因此整條投顧業(yè)務(wù)鏈在交易這一層，量化投資領(lǐng)域，同樣有著人工智能大量的用武之地。量化投資在國外已有大約30年的歷史，隨著資本市場越來越成熟，金融衍生工具不斷涌現(xiàn)以及技術(shù)的不斷發(fā)展，量化投資正迎來國內(nèi)最好的發(fā)展機(jī)會(huì)。將程序化決策應(yīng)用到金融投資領(lǐng)域越來越得到市場人士的認(rèn)可。量化投資通過對歷史數(shù)據(jù)進(jìn)行分析，借助一系列的數(shù)學(xué)方法進(jìn)行歸類和判斷，因此和純粹的主動(dòng)投資相比更具理性，其風(fēng)險(xiǎn)控制也顯得更為嚴(yán)格。然而量化投資的策略本身依舊是人來制定的，是將人的投資經(jīng)驗(yàn)和策略賦予程序，然后通過不斷回測和改進(jìn)最終形成的策略。因此，量化投資策略最終是人的策略，并非是機(jī)器的策略。
       如同圖片特征可以被識(shí)別一樣，市場特征也可以被識(shí)別，將圖片中的每一個(gè)像素理解成影響市場行情的因素，這些因素構(gòu)成了可用于預(yù)測的特征圖。那么接下來從技術(shù)的角度進(jìn)行分析，這類技術(shù)同樣可以應(yīng)用于交易。人工智能技術(shù)領(lǐng)域有一個(gè)分支稱為神經(jīng)網(wǎng)絡(luò)，也就是通常所說的深度學(xué)習(xí)。 圖像識(shí)別通常是使用卷積神經(jīng)網(wǎng)絡(luò)從大量像素中提取特征，降低數(shù)據(jù)緯度。無論是圖像識(shí)別、AlphaGo、還是自動(dòng)駕駛等，都是通過大量數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練來得到模型。 在行情預(yù)測方面，同樣可以構(gòu)建一個(gè)多層次的異構(gòu)學(xué)習(xí)系統(tǒng)，利用正向和反向激勵(lì)機(jī)制尋找數(shù)據(jù)中的相關(guān)性和潛在規(guī)律。通常使用得最多的是多層感知和遞歸神經(jīng)網(wǎng)絡(luò)共同來完成特征的識(shí)別和數(shù)據(jù)的預(yù)測。
       所謂多層感知神經(jīng)網(wǎng)絡(luò)（MPL），它擁有一個(gè)輸入層，一個(gè)輸出層，和多個(gè)隱藏層，每一個(gè)隱藏層的節(jié)點(diǎn)，都包含一系列的運(yùn)算，通過結(jié)果反饋機(jī)制獲得一個(gè)最大程度擬合的模型。在整個(gè)金融市場中有著大量的結(jié)構(gòu)化數(shù)據(jù)，如行情能，通過這類模型，如應(yīng)用于歷史行情數(shù)據(jù)，則可以用來進(jìn)行行情特征的智能識(shí)別，若應(yīng)用基本面、財(cái)務(wù)數(shù)據(jù)，則可以進(jìn)行價(jià)值投資領(lǐng)域的特征提取。
       另一種常用模型稱之為遞歸神經(jīng)網(wǎng)絡(luò)，跟多層感知網(wǎng)絡(luò)不同的是，網(wǎng)絡(luò)中的每一個(gè)節(jié)點(diǎn)是順序鏈接的，舉個(gè)應(yīng)用的例子，語義理解，由于語言文字表達(dá)是有先后順序的，因此語義的分析需要有一個(gè)順序先后的概念。遞歸神經(jīng)網(wǎng)絡(luò)中有一種稱為LSTM的模型，能夠解決長期依賴問題的模型，具有時(shí)間和先后概念。它通過精心設(shè)計(jì)的稱作為“門”的結(jié)構(gòu)來去除或者增加信息到網(wǎng)絡(luò)節(jié)點(diǎn)中。門是一種讓信息選擇式通過的方法，控制數(shù)據(jù)的記憶和遺忘。因?yàn)槭袌龅淖兓菗碛邢群箜樞虻?，利用這類模型， 對歷史數(shù)據(jù)進(jìn)行訓(xùn)練，可以用于學(xué)習(xí)市場的歷史規(guī)律，并利用其時(shí)間序列的特性進(jìn)行市場數(shù)據(jù)的預(yù)測。
       雖然目前技術(shù)還達(dá)不到具備完全投資的人工智能機(jī)器人，但是結(jié)合了機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的量化投資和策略交易，能夠最大程度上將人的因素降到最低，把經(jīng)驗(yàn)性的投資策略也賦予機(jī)器。
       下圖為應(yīng)用于行情技術(shù)特征分類的多層感知神經(jīng)網(wǎng)絡(luò)示意圖：


       無論從模型的計(jì)算還是特征的提取，人工智能都離不開大數(shù)據(jù)的支持，國內(nèi)證券市場建設(shè)至今近20年的歷史，僅以行情數(shù)據(jù)為例，尚不足以達(dá)到大數(shù)據(jù)的級別。因此離直接產(chǎn)生從基礎(chǔ)數(shù)據(jù)中利用神經(jīng)網(wǎng)絡(luò)、遺傳算法等機(jī)器學(xué)習(xí)方式生成強(qiáng)人工智能尚有不少的距離，現(xiàn)階段依舊離不開通過人工輔助的方式來完成策略的制定，而是在分析、交易等各個(gè)階段加入機(jī)器學(xué)習(xí)、知識(shí)圖譜等人工智能技術(shù)輔助量化交易策略本身。
       我們可以大膽假設(shè)一下，在現(xiàn)有的量化交易基礎(chǔ)之上，發(fā)展出具備基于機(jī)器學(xué)習(xí)的人工智能交易系統(tǒng)，大致需要切分成下述幾個(gè)子系統(tǒng)進(jìn)行發(fā)展。
       1) 數(shù)據(jù)系統(tǒng)
       獲取外部交易相關(guān)數(shù)據(jù)， 如行情數(shù)據(jù)，基本面數(shù)據(jù)，以及其它各類宏觀行業(yè)類結(jié)構(gòu)化數(shù)據(jù)。加入了知識(shí)圖譜等人工智能分析能力的數(shù)據(jù)系統(tǒng)，可以在更廣的數(shù)據(jù)場景下支持風(fēng)險(xiǎn)識(shí)別，機(jī)會(huì)提示，事件分析等高級能力。
       2)機(jī)器學(xué)習(xí)系統(tǒng)
       包含應(yīng)用在投資規(guī)劃、組合選擇、量化擇時(shí)等模塊的模型訓(xùn)練、因子選擇、參數(shù)調(diào)優(yōu)等算法，是交易的核心算法系統(tǒng)。
       3)決策交易系統(tǒng)
       包含具體策略的交易執(zhí)行，利用機(jī)器學(xué)習(xí)系統(tǒng)產(chǎn)出的模型進(jìn)行自動(dòng)化交易指令的下達(dá)執(zhí)行。同時(shí)需要承擔(dān)交易監(jiān)控、異常和風(fēng)控的管理。
       4)交易分析反饋系統(tǒng)
       對每個(gè)交易和執(zhí)行進(jìn)行評價(jià)和分析，給予一定的評分并反饋至機(jī)器學(xué)習(xí)系統(tǒng)進(jìn)行參數(shù)調(diào)校。

       早在2015年，就有消息稱橋水基金正在組建人工智能團(tuán)隊(duì)，該團(tuán)隊(duì)將設(shè)計(jì)交易演算法，通過歷史資料和統(tǒng)計(jì)概率預(yù)測未來。其實(shí)，許多量化投資公司都在招聘工程師和編程人員來擴(kuò)展人工智能團(tuán)隊(duì)，其中包括管理著240億美元資產(chǎn)的Two Sigma Investments和管理著250億美元的Renaissance Technologies。作為人工智能爆發(fā)的元年，隨著大數(shù)據(jù)的海量化，更多的結(jié)構(gòu)化數(shù)據(jù)被挖掘和提取，以及算法性能的提升，很多看似遙遠(yuǎn)在未來的黑科技已經(jīng)在逐步出現(xiàn)了。雖然具備主動(dòng)感知能力的超級人工智能在現(xiàn)階段來看并不現(xiàn)實(shí)，但是在金融投資領(lǐng)域，人工智能的應(yīng)用是在每一個(gè)小點(diǎn)上開花結(jié)果，并且會(huì)越來越深入到每一條業(yè)務(wù)線中去。