人工智能在圍棋、象棋、德國機器人等領域取得了壓倒性的勝利，這是不爭的事實。事實上，AlphaGo等AI可以用於任何需要理解復雜模式、制定長期計劃和做出決策的領域。人們不禁要問，有什麽是人工智能克服不了的嗎？比如變幻莫測的a股？
有許多人對這個問題持有不同的觀點。探究壹下可以分為兩部分:1。股市可以預測嗎？2.如果可以預測，是否可以用機器學習來預測？
先回答第壹個問題:股市的漲跌可以預測嗎？
如果我們把股票市場的價格變化看成是壹個時變序列，Price = Market (t)，我們往往會發現，無論我們是否試圖用n個模型(線性的、非線性的、概率的)來近似它，即使我們建立了這樣壹個符合股票價格變化的模型，用足夠多的訓練數據來模擬股票價格，這些模型最多只能在壹個特定的區間內做出壹些不準確的預測。
第壹，補償學習，基於馬爾可夫性，從壹個狀態預測下壹個狀態，但是股價的漲跌是否具有很強的馬爾可夫性？也就是上壹刻的股價和下壹刻的股價有必然聯系嗎？應該不會太大。這種基於N階馬爾可夫性質的系統不利於股票價格的分析。而且如果只用股價的歷史數據來訓練模型，準確率可以說幾乎為零。
其實影響股價的因素不僅僅是歷史股價，還有更多的因素，比如公司的近況，投資者對股票的態度，政策的影響等等。所以很多人從這方面入手，利用人工智能提供的快速計算能力，用合適的模型來量化這些因素，比如，(政策X的出臺可能會讓股價改變Y元)。當妳的模型把所有因素都考慮進去，那麽股價預測就唾手可得了。股價= f(政策因素，公司情況，市場因素，歷史股價，前壹年的歷史股價，壹個股東自殺的影響...)
但是，有多少因素呢？它們將如何相互影響是問題的關鍵。在壹些穩定的條件下，我們可以做壹個粗略的預測，但是很多時候會不準確，因為妳的模型很難把所有的因素都考慮進去。而且因素之間會有相互影響。股票價格的模型會變得極其復雜。如下圖所示:
壹個因素和另壹個因素之間的相互作用很可能是可以預測的，但如果它們之間存在相互作用，整個系統在這個時候將變得幾乎不可預測。壹個因素的變化會導致幾個因素的變化，最後這些因素會反應使最後壹個因素直接或間接發生變化，股價的變化會突然變得難以捉摸。壹些小因素也可以通過這個系統無限放大，最後對股市產生巨大影響。
那麽是不是無法預測股價呢？
其實人工智能遠比我們想象的強大。比如非常復雜的貝葉斯推理，包括深度學習/深度補償學習，都可以表達復雜隱變量之間的關系。現在國內外很多公司都在探索將人工智能應用於股市的可能性。
但是，這裏所說的將人工智能技術應用於股票市場，大多並不是指讓人工智能代替人做決策，而是利用人工智能在數據處理、不受主觀偏好影響等方面的優勢，在投資決策中發揮“AI專家顧問系統”的作用，輔助人類做出更明智的決策。
股市分析包括基本面分析和技術面分析，人工智能技術可以在這兩個方面發揮作用:
1
基本面分析
總之就是看各種財經信息。面對互聯網上海量復雜的信息，僅僅依靠人腦是無法解決問題的。我們知道數據挖掘的三個V，(大容量數據)，(快速更新)和(多樣性)。在處理如此海量的數據時，計算機有著人腦無法比擬的優勢。深度學習在自然語言處理領域的應用，可以從海量信息中進行自動摘要，提取本質信息，幫助人類進行決策。
另外，股價很大程度上是由買賣雙方的實力決定的，是由每壹個股民對壹只股票的心情決定的。如果大家都看好壹只股票，那麽它就有可能上漲；否則會跌。還有壹些具體事件會明顯影響股價。比如今年美國40年來首次開放原油出口後，國內能源板塊意外下跌。這也是為什麽那麽多投資者會刷新聞，看動態來保持敏銳的嗅覺。可見，預測股票，最重要的是信息，或者說數據，從中可以挖掘投資者的情緒。情感識別已經是人工智能擅長的技術了。國外已經有很多這方面的研究，像DataMinr這樣的壹些公司專註於從社交媒體中提取有價值的財務信號。
如下圖，美聯社官方被黑(傳言奧巴馬被攻擊受傷)，很快股市經歷了大幅下跌-上漲(見13點附近)。雖然這個事件比較特殊，但是如果能在第壹時間得到類似的消息，我們實際上就掌握了預測股市的主動權。
可以大膽想象壹下，如果把情緒分析和機器學習結合起來，收集海量數據做情緒分析，找出人們對某些股票是樂觀還是悲觀，那麽至少可以把這個因素納入模型學習範圍。許多現有的論文正在尋找許多方法來提高情感分析的準確性。其他更簡單的方式有:(1)谷歌趨勢。這是壹個很簡單的方法:Google提供的搜索量數據是通過搜索量的變化來預測的。(2)使用推特量(與推特相關的帖子數量)
2.技術分析
傳統技術分析中的k線分析，如“大陽星”、“小陰星”、“旭日東升”、“穿心頭”，其實就是人腦的模式識別。受限於人腦的信息處理能力，這些公認的模式有以下缺點:(1)只有單壹的k線，只基於壹個模糊的形態，似是而非，沒有確切的數值標準；(2)基於有限的歷史信息。好的深度學習策略可以突破人腦的局限，比如突破單壹k線的局限，從更多的金融信號(其他股票、黃金、外匯等)中尋找規律。);或者從更長時期的歷史信息中認識規律。
簡而言之，人工智能將增強我們信息處理的深度和廣度。使用基於人工智能技術的“智能投顧”的人，會比不使用或仍然使用“人腦”進行基本面分析和技術分析的人擁有信息優勢，因此更容易在股市中獲利。
人工智能在證券投資領域的興起始於2007年。當時，美國紐約誕生了第壹只純人工智能投資基金。自此，人工智能在證券投研領域的發展進入快車道；其實在證券投資領域，人工智能已經不是什麽新鮮事了，量化對沖基金經理遍布北京金融街和上海陸家嘴。壹般來說，公募基金或者大型私募的量化投資部門由兩部分組成，壹是投研團隊，二是IT團隊。投研團隊提出需求，IT團隊做算法交易的模塊，解決基金經理的需求。
“壹般情況下，我每天的工作流程是早上起床後看(機器)生成的股票清單，然後看投資組合管理系統中的每種策略有多少權重，這些策略加起來有多少倉位，然後根據各種數據(包括融資融券、投資者入場等)判斷機器給出的信號是否存在明顯錯誤。)的機器給出的信號。”壹位量化對沖經理表示，如果當天需要交易，他會生成交易指令，然後在交易系統下單，交易系統就會開始自動運行。
在傳統的投資研究中，基金經理和研究人員利用回歸分析等傳統的機器學習算法，對金融、交易、市場等數據進行建模，分析其顯著特征，制定交易策略。在人工智能階段，這些任務都交給了計算機。目前，壹些私募基金已經開始將量化對沖的三個子領域整合到日常交易策略中，試圖獲得收益，包括機器學習、自然語言處理和知識圖譜。例如，作為全球最大的對沖基金，Bridgewater Asspcoates使用基於歷史數據和統計概率的交易算法，使系統能夠獨立學習市場變化，適應新信息。
AlphaGo戰勝李世石傑克引起了全世界的關註。投射到投研領域，就是用人工智能量化選股和人類基金經理的對抗。實踐證明，人工智能選股在避免非理性選擇、規避非系統風險、獲得市場波動下的確定性收益方面更勝壹籌，波動率、最大回撤等指標也更低、表現更穩定。
但是，機器雖然動作比人快，但思維還是不如人快。例如，面對壹個新的政策和市場熱點，基金經理可以據此立即采取行動。但是機器沒有那麽快。這是人類的優勢。再比如，機器壹次只能做壹個策略，比如供給側改革，只能想到煤炭、鋼鐵、有色金屬的股票，但是對於基金經理來說，他也可以同時做價值投資或者動量反轉等策略。
總的來說，把整個股票投資決策過程交給機器，是目前只有少數金融巨頭能做到的事情。
美國矽谷的感知技術公司，讓人工智能程序壹直負責股票交易。與其他壹些使用人工智能的投資公司不同，該公司的交易部門只有兩名員工，他們負責監控機器，以確保在出現不可控情況時可以通過關機來終止交易。據悉，感知公司的人工智能投資系統可以通過經驗學習實現“自主進化”。該公司在全球擁有數千臺同時運行的機器，其獨特的算法創造了數萬億個被稱為“基因”的虛擬交易員。該系統使用歷史數據來模擬交易。目前可以在幾分鐘內模擬1800天的交易量。經過測試，壞的“基因”被淘汰，好的“基因”被保留。通過測試的好“基因”用在真實交易中。公司員工只需要設定時間、收益率、風險指數等交易指標，剩下的會由機器來打理。
該公司首席投資官傑夫·霍爾曼(Jeff holman)透露，目前，該機器在無人幹預的情況下持有大量股票，每天完成數百筆交易，持倉時間長達數天至數周。該公司表示，該機器的性能已經超過了他們的內部指標，但沒有透露指標的具體內容。
隨著人工智能技術的不斷進步，人工智能投資成為學術界和資本青睞的領域。英國布裏斯托大學教授克裏斯蒂亞尼尼表示，股票投資是最有可能被人工智能改變的十大行業之壹。另壹方面，並不是所有的投資者都信任機器。英國對沖基金MF Global首席科學家萊德福德警告稱，不應過度信任人工智能投資，該領域遠未成熟。盡管有各種令人困惑的承諾，但許多投資者的錢從未歸還。