人工智能如何作用于投資理財

人工智能就是賦予機器智能，讓機器能夠做正確的事情。對于投資而言，人工智能也就意味著在一段時間之內可以幫助客戶去實現最優化的投資。人工智能的用途在不斷崛起，像無人駕駛汽車在世界上正在發揮越來越大的影響力。

通過人工智能也能夠得到更加準確的醫療診斷，而更好的搜索引擎、交通運輸和物流行業也在發生巨大變化。我們也在讓機器能夠理解文本為人類提供各種問答服務。

同時，人工智能在投資以及在長期交易、短期承銷、承貸、授信方面發揮著越來越重要的作用。

人工智能這個領域的進步正在大幅度加速。比如計算機視覺，有了它，人工智能系統可以對照片、圖象進行識別。

最近有一次大規模視覺識別挑戰賽，有一千個類別，人類認識視覺認識準確度達到95%，但是在過去五年當中機器的準確度達到了原來的六倍，已經比一個視覺識別的人類專家都要厲害了，這是一個非常重要的進步。因為物體識別能力，目標識別能力是在現實世界采取操作的能力的一個關鍵的基礎，例如機器人的運動。

當然，人工智能并不像電影和媒體當中有些說法那樣，機器具有感知能力或者是有意識的，它會統治整個世界，接管整個世界，事實不是這樣的。而且人工智能也不僅僅是深度學習的一個分支或者是大數據的分支。雖然這里面有深度學習和大數據內容，但是還有很多其他的組成部分。

而且有一些公司，他們會說我們有人工智能技術，如果你有數據拿過來，他們就能解決你的問題。很多情況下并不可能達到這樣的效果，在很多情況下深度學習并不是能夠輕而易舉地投入使用。

如何把投資決策看作一個人工智能的問題

首先，這個問題的輸入要素包括每一種金融工具在所有市場、所有時刻的價格信息。現在機器就能訪問到這些信息，很簡單。

還有很多的詞語性的、語言性的信息，就是人類產生的各種各樣的基于語言文本的信息，像彭博社、路透社的新聞、上市公司報告、財務報告、政府報告、分析師報告，以及社交媒體上發表的，比如推文，所有這些人類產生的信息都是這種信息的組成部分。

其次就是知識。大數據必須有知識，現在在這個領域當中我們已經有了很多的知識，關于經濟、政治、系統的運行，以及行業和地理劃分，所有這些都可以幫助我們深度理解其他數據。

再次就是心理，因為我們所做的一切都是和市場有關的，市場上的價格并不僅僅基于現實，而是基于人們對于現實的感覺、感知，所以去感覺、了解市場參與方，比如說消費者、買家和企業買家的心里、心態是負責重要的，有這樣的信息才能做出預測。這些是輸入要素，輸出要素就是買賣這樣的投資決策。

這個問題和投資顧問并不完全一樣，我講的是投資決策，投資決策就是如何決定投資買賣，投資顧問是代表了另外一個問題，比如說你可以決定在每個微秒都決定買或者賣，但是不可能以微秒為單位提出顧問的意見。所以什么時候能給顧問意見？每次給多少顧問意見？這是非常重要的決定。人工智能能夠幫助系統做出這樣的決定。

而在做出了這種顧問的建議之后，你還要向你的機構客戶或者其他客戶來解釋為什么做這樣的建議。比如，有人建議買400億美元阿根廷比索，為什么提這樣的建議？把這個建議解釋好，客戶機構才能接受這個建議，解釋是非常重要的。

深度學習現在很難做到這一點，深度學習系統可以做建議，但是很難解釋這樣的建議。

另外，你還要判斷是否在告知真相，在提供投資顧問服務的時候，有時候表述的內容并不是整個真相，因為顧問僅僅是想說服客戶采取一定的行動，有可能向他們隱藏一部分真相，想讓他們的決定對自己有利。

復雜的金融人工智能決策

顧問的問題是非常有意思的，但是更有意義的問題是買多少、賣多少。我們可以將之視為一個數學問題，在非常大的動作操作空間，在每一個微秒當中，人們都可以在任何一個市場買賣任何數量、在任何價位上的金融工具。如果客戶有能力做一些衍生品合約的話，在每一個微秒當中，他們能夠自動構建的衍生品合約數量也是無限的，復雜性也是無限的。所以，可以做什么選擇是無可限量的。

市場上有很多代理人、中間人。在下圍棋的時候只有兩方，但是在投資市場當中有數以百萬計的組成部分。而且投資時間尺度非常之長，無論是個人投資者還是機構投資者，都希望實現十年的投資回報的最優化。

另外，對于這種動力機制，我們僅僅知道其中一部分，但是對圍棋的機制就很清楚，對于市場和經濟運行我們只知道其中一部分機制。

數據有很多的噪音和雜質，圍棋比賽是一目了然的，但是在投資過程中有很多噪聲要過濾掉，拿到的很多數據是虛假的，可能是人們在推特當中發表的信息，恰恰是為了操縱信息的，假新聞、假數據，都是我們要對整個環境進行理解的一部分。

最重要的是，在投資決策當中，我們無法直接觀察到很多的部分，雖然有各種各樣的價格、新聞，但是人們不能夠直接看到實體經濟。

所以，大部分影響價格的因素是我們看不到的，又必須要理解的，從整個輸入要素歷史當中加以理解，并且理解整個市場和經濟體背后運行的機制。

人工智能如何應對金融交易決策中時間尺度

市場中有長期、中期、短期投資顧問，有一些人通過機器人顧問按年度來做決策。而在另一個公司、另一棟樓里，另一個人是按一周或者一天的投資尺度進行投資，比如日間交易。此外，在另一個公司、另一棟樓里，會有人按分鐘級作出預測，為今后預測接下來幾分鐘的價格的走勢。還有一些高頻交易公司，他們的投資決策或者預測的時間的尺度放到了秒級以及微秒級，所以有很多情況。

在絕大部分情況下，人們會對中長期的回報感興趣，但是他們希望以不同方式達到這個目標，希望把很多時間尺度決策集成在一起。比如，對于高頻交易系統來說，高頻交易系統指導的原則是近期的、迫在眉睫的時間尺度，也就是說，這樣一個高頻交易的系統，只能判斷他們認識的經濟形勢。

人工智能如何判別市場中的隱形因素

有些公司品牌價值需要你自己計算，你要知道他在研發方面、廣告方面、商譽方面做了多少投資。對于一家制藥企業他有哪些藥物在研發，對于一家石油公司你要知道哪些油層。對于物流公司來講，你要知道他要吸引那些客戶。所以我們要通過估計去了解，這是一些隱性狀態，但是又影響了價格。

市場心理非常重要。比如做一個買不買GE的股票的決定，一旦買入這樣的股票，不到萬不得已，不會降價銷售。當面臨賣出GE股票決策的時候，要知道買主是什么樣的心理狀態。另外，對于所有決策，包括微秒級的決策，不一定是基于最新的數據，他是根據歷史數據，以及對于隱性狀態、方方面面的理解結合在一起做的決定。

從20世紀60年代以來就已經出現了這樣的思路：對于短線的決策很簡單，收集大量數據，通過統計學的正相關性來做出決策，也就是運用各種各樣的預測技術。比如以前有合適機器、決策樹、回歸法，不管用哪種最流行的方法，你可以用這樣的機器學習方法做預測。但是，當預測基于并不容易獲得隱性信息的時候，這個方法就不適用了。

（本文根據斯圖爾特·羅素在2017 “智能投顧”國際論壇上的演講整理而成，未經本人確認。）