《21世纪资本论》通过详实的数据研究，提出了一个观点：20世纪70年代以来，在全球范围内投资增长率高于经济增长率。
全球范围内贫富差距扩大，富有者越发富有，而贫穷者愈发贫穷。
钱本身代表了赚钱能力，而当金融遇到人工智能后，这种能力从过去的粗放式，逐步可以通过大数据、精准计算以及人工智能的手段，变得稳定而精准。
我们不妨看几个案例：
高频程序化交易Virtu Financial LLC公司在1238个交易日中，仅有一个交易日出现了亏损。
第一个以人工智能驱动的基金Rebellion预测了2008年的股市崩盘，并在2009年9月给希腊债券F评级，而当时惠誉的评级仍然为A。通过人工智能手段，Rebellion比官方降级提前了一个月。
掌管900亿美元的对冲基金Cerebellum也使用了人工智能技术，结果从2009年以来，没有一个月是亏损的。
所以有钱人纷纷把资产投入到人工智能公司，通过专业化的人工智能投资顾问管理财产。根据花旗银行的最新研究报告，人工智能投资顾问管理的资产，2012年基本为0，到了2014年底已经到了140亿美元。在未来10年的时间里，它管理的财产还会呈现指数级增长的势头，总额达到5万亿美元。
5万亿是什么概念？中国2014年的GDP是10万亿美元，相当于每2元就得给机器人上交1元。
在这样的大趋势下，我们来看看金融和人工智能的结合，背后究竟是怎么回事。
量化交易的人工智能趋势
量化交易近些年一直很火热，而随着大数据和人工智能的兴起，它在产品上有越来越大的用处。
量化交易模型的三个类别
最简单的量化交易以约翰·墨菲的《期货市场技术分析》为代表，主要用到了指数、对数等简单数学知识，它更适合于作为辅助手段，最多由计算机发出交易信号，但最后还得人手动下单交易。
层次更高一点的，以丹尼斯的《海龟交易法则》为代表，主要涉及到均值、方差和正态分布的数学内容，策略上也更有科学性。这是一种基于交易规则的排列组合式交易，如果策略设计的好，而且行情和大趋势不错，也能取得不错效果。
更高一层体现在交易信号的整合上，会涉及到对回归分析、神经网络、支持向量机等传统技术指标进行整合，同时还需要考虑到金融数据的时间特征，使用滚动优化来获取样本外的测试结果。
更多的信息来源
基本上可以认为，越高层次的量化交易，背后需要处理越多数据。量化投资公司的持仓时间往往能达到1到2个星期，要进行这么长时间的价格趋势预测，需要处理的信息会非常庞大。
目前一些公司不仅利用传统的金融数据，还会用到卫星拍摄到的港口集装箱图像等图片信息，或者从新闻报道、博客、名人讲话中获得经济发展的线索。在图像识别和自然语言处理的技术支持下，很多非结构化的数据也能成为分析对象。
而大数据、非结构化数据以及训练模型，都需要人工智能技术介入其中。
FRM对冲基金在伦敦的负责人Patric对此有很好的解释：
“在这个互联网时代，我们获得的数据远远超过了人类可能的处理能力。要在这个巨大的信息海洋中分析和识别模式，唯一的办法就是使用机器学习工具和技术。这是一条发展更优的投资策略路径。”
自动进化交易策略
在对数据的处理上，人工智能技术扩宽了数据来源，使得有更多数据能够被纳入分析。而在算法上，人工智能技术也让金融工具能自动进化交易策略。Rebellion首席投资官Alexander介绍自己的产品说：
“我们给了系统20年的全球经济和市场数据，以及让它学习现代金融的历史，让它找出不同因素是如何影响各资产类别、行业和地区的价格。它不是按照程序遵循任何特定的交易策略，因为我们没有告诉它去寻找这些。系统会自动识别概念，并在特定市场状况下，将概念通性能绩效联系起来。”
相比之下，传统的量化投资方法往往严格应用事先设定好的策略，它的基本假设是现在的相关性会无限持续下去。但这往往会造成很大问题，因为市场瞬息万变。所以人工智能系统的优势在于，它能够随着旧关系的衰减以及新关系的出现，不断进化自己的投资策略。
以Rebellion的例子看，它在分析了金融和贸易数据后，发现在过去的18个月里，大宗商品和外汇市场周期变短了。所以它会自动重新校准，计算周期变短的影响，以新的策略进行交易。
从左到右﹐依次为Rebellion公司的弗莱斯(Alexander Fleiss)、牛顿(Jeremy Newton)、斯特奇斯(Jonathan Sturges)和格林博格。
模仿专家决策
这是一种对规则的学习过程，人工智能会在基本原则的基础上，识别出哪些是真实的规则，哪些是虚假情报。这也许会发现某些套利的机会。
但对于计算机来说，难点经常在于对规则和机会的权重把握。所以Castilium采用了模仿专家的方法，选择某一领域的一群专家，复制他们的决策过程，并导入可重复的计算框架。虽然这样做费时又费力，但专家系统可以带来连贯的决定，这很透明，也比较便于理解。
高利润的长尾市场
而且相比于专家，人工智能能应用在更多长尾的市场。我们可以用亚马逊销售图书的方式做比较，由于有限的货架空间，实体书店必须专注于销售量大但利润低的书籍。而亚马逊有容易扩展的货架和预测能力，就能从小众的书籍中获得超高额利润。量化投资也能触及这样的长尾，一些总量少但利润高的领域，人力覆盖很不划算，这时候人工智能系统就有很强的优势。
基本上可以看到，人工智能在金融领域有着越来越多的应用。它也能够从简单的数据和计算辅助者，变成能学习规则、发现套利机会、模仿专家行为的系统，而且还能在长尾市场获取高额利润。
挑战：缺少常识
但人工智能在金融领域的发展，也面临着非常多挑战。其中一个非常重要的是常识，我们可以理解为基本的价值观，以及人类社会运转的基本规律。
有一个有趣的例子：
1990年代金融和计算机专家David发现孟加拉国生产的黄油，加上孟加拉国羊的数量以及美国生产的奶酪，与标准普尔500指数从1983年开始的10年时间内，有99%以上的统计相关性。
对于人类来说，他会很清楚这背后的巧合性。但人工智能没有这种常识，它会把这种规律理解为很强的相关性。在1993年后，孟加拉黄油的关系莫名其妙破裂了。
而在一些突发的情况下，例如恐怖袭击、监管变革和卖空禁令。人工智能系统没有遇到过这些情况，即便是资深从业者们，也经常在这类情况中持有非常相反的意见。这时候如果让人工智能管理资产并自动交易，就可能会有很大的风险。
我们认为，从大趋势而言，人工智能在金融领域的应用会加深加快。但基础研究的限制，让它很难单独面对复杂的金融市场，更好的方法是让它去处理大数据，找到数据和市场之间的关联，发现套利机会。但在这个过程中，人也不应该缺席。人和人工智能的混合系统，会在未来的金融市场中唱主角。
【关于作者】本文作者@王嘉俊，作者表明本文在成稿时亦参考了量投网、 搜狐等文章。
正在生成分享图...
Nemo