用AlphaGo背後的人工智慧探索金融投資

我是沉官官，勵志做一名最騷的寬客

Hi，AV8D，

今天繼續我們的官官小課堂，

我們來講講如何用AlphaGo背後的人工智慧做金融投資

那麼問題來了，

啥是AlphaGo？

所謂AlphaGo，

簡單來說就是「阿發家的狗」，

差不多長這樣

開個玩笑，

AlphaGo簡單的說只是一套智能程序，

你可以把它抽象成上面圖片的霸氣樣子。

阿發家的狗，哦不，AlphaGo背後的人工智慧是什麼呢？

簡單地說，

它背後有兩個大腦，

一個叫「走棋網路」，一個叫「估值網路」

走棋網路是監督學習的策略網路，觀察棋盤布局，

企圖找到最佳的下一步，

換句話說，它預測每一個合法下一步的最佳概率。

估值網路預測每一個棋手贏棋的概率，

通過整體局面來輔助走棋網路。

而AlphaGo的神經網路將這兩者巧妙地結合，

並且它比人類更牛逼的地方在於，

它可以沒日沒夜的訓練自己，

不斷強化自己的神經網路結構。

而人類不可能一直在學習，

就像小編，

還要忙於找對象，

嚶嚶嚶

好了，阿發家的狗你已經認識了，

那麼該怎麼用其背後的人工智慧做投資呢？

實際上這是一個很敏感的話題，

有些小夥伴一定會來吐槽官官，

你這麼牛逼你咋不用神經網路來做投資，

或者你的策略要是有用的話你會分享嗎balabala...

我可以很明確的告訴你，

不會。

（開玩笑的，小編開發出來會分享給大家的）

不要著急，

且聽小編娓娓道來。

首先，

目前的人工智慧還是應該歸為弱人工智慧時代，

大部分用來訓練的數據還是應該是有標籤的，

訓練方式也大多採用監督學習，

雖然無監督學習可以節省大量標註成本，

但目前只是理想狀態，

其次，

假設我們獲取了足夠的成本，

無論是買來的還是花錢請的標註團隊，

反正是拿到數據了，

那麼數據該怎麼處理呢，

實際上，

演算法的選擇倒是小問題，

重要的是特徵的選取，

雖然邏輯回歸演算法可以給出特徵的影響度，

但金融市場變化莫測，

其特徵的影響因素不單是k線的形態，

還有國際政治因素等等。

最後，

假設你上面的問題都解決了，

你所訓練出來的是一個很好的預測模型，

但是這也只是一個概率高低的問題，

玩二級市場不僅需要準確率，

還需要你的資金管理手段，

記住，

你的所有交易對象都是人，

而人心是最難預測的。

看完這些，

你是不是對人工智慧在金融市場的應用有些悲觀了呢？

不要著急，

相比於其他行業，

人工智慧在金融領域的應用還是很可觀的，

畢竟，金融市場是真正靠數據吃飯的，

而我之所以這麼講，

就是因為我頭鐵，想被同行打死。

接下來，我們來看看如何基於人工智慧做金融投資

我們想用人工智慧做投資，

無非是想通過機器學習的一系列演算法，

挖掘出歷史數據中我們關心的規律的技術手段，

並期望挖掘出的規律，

能幫助我們對未來數據做出正確的預測。

在金融領域，

我們以計劃長期持有某隻股票為例，

分析師們一般會關注公司的基本面信息、財務狀況和發展規劃等因素，

從而對公司未來的運營狀況做出預測，並決定是否投資。

如果我們將公司的信息量化成各種數據因子，

將預測目標改為公司的未來發展趨勢、風險情況，

則整個問題可以通過機器學習的方法解決，

獲得可靠的預測，

並指導投資行為。

總體來說，相比於傳統的投資方式，

基於人工智慧的投資決策還是有很多方面的優勢的，

比如，

相比於傳統投資，機器學習可以處理更多的輸入信息，

能夠考慮的信息更全面，

信息量也更大，

同時人工智慧也極大的提高了效率，

可以同時考慮整個市場的情況，

綜合考慮投資決策。

另外，

隨著近年來深度學習的快速發展，

一些重要但之前不易獲取的非結構化信息可以被演算法分析，

從而提高投資效率。

而從金融交易的角度，

人工智慧帶來的一個巨大的優勢在於可以有效的迴避人性的弱點，

比如情感、害怕等，

始終保持客觀的態度。

當然還有更多的優勢由於篇幅有限就不列舉了。

（其實我是想偷個懶，hiahiahia~）

講了這麼多，

大家是不是對人工智慧做金融投資感興趣了呢？

或者還是一臉懵逼的樣子..

沒關係，我會不定期更新的，

記住，

官官會把最難懂，最蒙逼的金融科技翻譯給你們。

接下來，

官官會用python做一個簡單的股票解析，

搬好你們的小板凳。

欲知後事如何，

請看下回分解。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！