最近柯洁对战阿尔法狗2.0让人工智能又火了一把，尤其是柯洁赛后在记者会上哽咽坦言：“我担心的每一步棋它都会下，还会下出我想不到的棋。我只能猜出‘阿尔法围棋’一半的棋，另一半我猜不到，差距实在太大。”然而早在阿尔法狗对战李世石后，各种投资研讨会只要涉及量化就必谈阿尔法狗，但事实上并没有人把人工智能在投资运用方面讲清楚。
对于一个懂量化和深度学习的研究员，每每听人说自己的投资策略里面运用了人工智能，深度学习等等高深的算法。实际上多数都是噱头，仅仅是为了吸引人眼球。
今天我就说说人工智能在投资领域有哪些不足和突破，应用效果如何等，揭开深度学习在投资领域的神秘面纱，及其一些套路。
首先我们要了解无论是股票期货还是债券都是博弈市场，博弈市场取胜依靠的是计算，在市场好的时候多赚钱，面临悖论市场时少亏钱，那么人工智能在理论上是有绝对优势的，但理论和实际是有很大的距离的，识别哪些是真正有效而非过拟合的模型是需要很专业的能力。
我先来介绍人工智能在投资主要应用的原理和模型：原来我们应用的RNN（循环神经网络）会遇到一个很大的问题，叫做 The vanishing gradient problem for RNNs，也就是后面时间的节点对于前面时间的节点感知力下降，也就是忘事儿，这也是NN在很长一段时间内不得志的原因，网络一深就没法训练了，深度学习那一套东西暂且不表，RNN解决这个问题用到的就叫LSTM，简单来说就是你不是忘事儿吗？我给你拿个小本子把事记上，好记性不如烂笔头嘛，所以LSTM引入一个核心元素就是Cell。
与其说LSTM是一种RNN结构，倒不如说LSTM是RNN的一个魔改组件，把上面看到的网络中的小圆圈换成LSTM的block，就是所谓的LSTM了。
简单来说通过对时间序列的价格进行不断的学习和记忆进行对序列的特征进行学习。根据特征（牛熊）进行炒股，炒期货。这大概是人工智能是最吸引人的地方，通过不断的学习市场特征进行操作，而强大的运行能力能使得AI迅速学习市场的特征。
然而人工智能是有很多的沟壑要跨越，有几个问题是待需突破的。
首先是数据问题：
我国资本市场运行时间较短，我们知道经济是有周期，股市有周期，行业也有周期，一个周期短则3-4年长周期要7-8年，实际上我们的人工智能数据可能是不具备学习长周期的，影响资产价格因素多种多样，而周期对价格有着趋势或转折性的影响，去识别必然要大量的数据，不然就可能形成“鞍点”，就是在人工智能进行训练时产生局部最优点，而非全局最优，我认为这跟学习数据的数量，质量都是相关的。
尤其我们看到alplago1.0对战李世石时，就存在学习数量不足的情况。对全局把握能力弱于人类，其主要原因是在其学习棋法时对19*19的数据学习不够，然而对细节3*3，5*5，5*10等等这样的学习的更加透彻。
进而在数据方面要原本学习的数据量要量大，质量好，在这方面有些国内外的高频团队在高频做市上会应用人工智能的算法进行运作。
其次人工智能和投资的结合上
人工智能的算法起始要追溯到50年代了（本人写过一个人工智能&金融运用的科普贴有兴趣可以查找一下—《人工神经网络介绍及金融方面的简单应用—以MATLAB为工具》），很早就有人将其进行运用在市场上，然而在投资方面一直没有得到很好的应用，其实我认为是出在对金融和人工智能的理解上了，很多做人工智能或做投资的人，不太愿意考虑因果和细节把数据不做处理就放进算法里面进行运算，实际上这是错误的做法，就像是我们不去做初始定义（策略网络和价值网络）就把所有的棋盘放进alphago进行运算，实际上如果这么做也是算出一锅粥打赢不了那么多的高手。通过一些原理实际上人工智能已经在影响金融行业了，比如信用对财务数据的影响存在强因果，国际上很多评级公司都是采用机器学习或深度学习的模型进行评级，现在国内的评级公司也开始引入深度学习进行分析。
在股票投资领域人们开始尝试采用人工智能，人工智能已经成为各大活跃量化群的日经话题，虽然实际应用大家正在摸索和试错，但未来会有一定的结果的，或是遇到90年代像神经网络一样的瓶颈，或是真的大行其道，让我们拭目以待。当下更多的深度学习多是对参数进行调整（如下图），对于泛化性很好的策略进行参数动态的调整，但运行模型上有存在过拟合的嫌疑，还是要进行专业的评估，不能盲目的崇拜。
本文写得较为浅显,很多更加涉及到算法本身的东西没有深入，因为是科普性质的文字，主要是希望大家客观理性的看待这一趋势。虽然未来会经历坎坷LSTM模型可能会被替换成新模型框架，但不用否认也不用质疑，方向就在那里。
作者简介：管炳瑜，注册国际投资分析师（CIIA），熟通MATLAB和Python编程语言，并有着算法开发及量化策略开发经验，熟通神经网络，机器学习，深度学习等人工智能技术。
)
