01
现在的人工智能其实已经遍布我们的生活，网易或者qq音乐为你自动推荐播放列表选择歌曲，智能手机已经有了人脸识别，自动驾驶汽车也即将来临。随着技术的进步，人工智能的应用会变得更加普遍。但是这里有一个大家无法得到的应用，就是通过人工智能对股市进行预测：一个超越市场的智能选股机器。
这并不是因为对华尔街缺乏信息。其实从20世纪80年代中期开始，人工智能工程师为了模拟市场，聚齐了最聪明的数学和计算机科学专业毕业生和少数秘密对冲基金经理已经创造了不小的变化。
人工智能投资市场仍然是尖端和不断尝试的领域。其实大多数投资者都无法击败平均水平，而每一台暂时找到战胜市场规律的公式很快就会面临其他试图超越它的人。但事实证明，人工智能投资的成功也比预测下次购买亚马逊更难。这是应用机器学习中最困难的问题之一。
02
其中主要的原因就是数据其实是很不平稳的。固定数据的一个例子可能是左眼和鼻子之间的距离。除非你有整形手术，否则这是一个常数。如果一台机器看过数百张你的照片，它将能够很有可能识别你。
在金融市场，数据可能以前所未有的方式发生巨大变化。例如，2013年欧洲和日本大部分地区的利率变为负值。其他变化可能更为稳定。1998年，美国股票的定价从分数开始计算。这对于计算机来说并不难以适应，但它可能让一些人类交易者感到慌乱。数据改变了市场中的一些结构，也可能改变了一些行为，
在股票股票市场，股票的价值一直在移动，并不总是出于任何明显的原因。大多数市场走势都是经济学家所说的噪音交易。回到图像识别类比，想象一台计算机试图识别在黑暗中拍摄的照片中的人物。这些图片中的大部分数据都是无噪音的黑色像素。
更重要的是，随着数据集的出现，股票价格的历史相对较薄。假设你正在尝试预测股票在一年内的表现如何。就算我们回溯到1900年有不错的记录，所以在美国只有118个非重叠的一年期间的数据可以看一下。但是与图像识别的技术训练相比，图像识别拥有无穷无尽的图片可以使用。每天可以处理3.5亿张图片。在图像识别中，简单的技巧，如旋转照片或改变颜色可以增加数据量；。但是人为地增加股票数据集的规模是很困难的。
03
另外在股票市场找到一个明显的信号更加困难。例如，在每个月的第一天购买股票，没有多大用处。如果这在过去有效，它可能只是一个侥幸，即使它不是，它将被很快发现并被其他人交易。因此研究人员专注于非常微弱的信号，这些信号可能只有51％的确定性可以预测未来的价格。人工智能对于股市的预测一直在寻找处于检测边缘的模式。大多数投资者无法利用这种模式。为了使它们发挥作用，资金经理必须结合成千上万的赌注，并通过杠杆投资和借来的资金来放大它们。
人工智能选股的机器成本过大，迫使精英量化经理寻找其他优势。在投资方面第一个要解决的一个交易成本的问题。
在股市交易中，最明显的交易成本是经纪人收取的费用，它占据了报价-例如IBM公司股票的135美元，根据你想买的股票数量而言。您可能只能以135美元的价格购买100股；购买1，000股股票需要更高的价格来吸引新的卖家。平均成本可能是136美元。了解真正价格唯一方法是在市场上进行交易。
教一台机器来预测交易成本有两个方面。首先，交易信号盈利所需的优势可能从51％上升到50.5％。第二个好处是可以从机会中挤出更多利润。想象一下，一个广为人知的模型认为IBM被低估了1％。在不了解交易成本的情况下，一家典型的公司可能只交易1，000股，以免它出现太大的风险，推动价格超过其寻求捕获的1％差价。一家知道可能有80％概率的公司实际上可以安全地购买5，000股，而不会将市场推向更高的价格可以做出更大的赌注。
为了进一步降低交易成本，一些定量经理建立了他们自己的高频交易操作，他们可以作为中间商，通过匹配买家和卖家赚钱。但同样重要的是，运行这些平台有助于他们深入了解市场行为。它类似于沃伦·巴菲特（WarrenBuffett）在纽约证券交易所（NewYorkStockExchange）开设自己的交易员，而不是使用华尔街经纪人。巴菲特自己的人可能会告诉他关于经纪人不会的场内情绪的事情。
04
定量管理者与市场数据斗争的另一个解决方法是找到其他类型的信息。从停车场的卫星照片到社交媒体供稿，他们都在为他们的计算机提供数据。替代数据可能对那些在经典数据集中剔除信号技能较差的公司更有帮助。麻烦的是，这样的数据变得更容易和更容易找到，因此它可能不会长时间提供优势。
鉴于区分无用数据的复杂性，大多数公司都试图让模型尽可能简单。
尽管对冲基金正在使用计算机进行数据处理和模式识别，但寻找新的市场仍然是人类的努力。精英定量管理人员雇佣了庞大的员工，有时是数百人并出现在机器学习会议上以招募新的博士学位。
05
要建立一个真正自主的投资系统，计算机本身需要不断用新的数据和策略来尝试。研究人员可能需要解决因果关系问题。这意味着不仅注意到，例如，特定股票的上涨通常伴随着利率的上升，而且还能够找到理由。人类擅长这种思维，但人工智能才开始取得进步。
另一种被称为深度学习的方法已经推动了AI的最新进展，例如图像识别和语音翻译。交易的对抗性意味着大多数发展仍然笼罩在保密之中。这使得高质量的AI科学家难以招募。科学家喜欢发表和合作。公司喜欢发现有关市场的新事物，并且在公司内部拥有一个伟大的社区，但不幸的是无法将他们传达给更广泛的人群。
利用机器打败市场是一项非常艰巨的挑战，但在未来科技终将打破市场。