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(nèi)可以幫助客戶去實現(xiàn)最優(yōu)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(fā)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(yī)療診斷，而更好的搜索引擎、交通運輸和物流行業(yè)也在發(fā)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(wù)。

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(fā)揮著越來越重要的作用。

人工智能這個領(lǐng)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(tǒng)可以對照片、圖象進行識別。

最近有一次大規(guī)模視覺識別挑戰(zhàn)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(jīng)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(xiàn)實世界采取操作的能力的一個關(guān)鍵的基礎(chǔ)，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(tǒng)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(shù)據(jù)的分支。雖然這里面有深度學習和大數(shù)據(jù)內(nèi)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(shù)，如果你有數(shù)據(jù)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?，F(xiàn)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(chǎn)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(wù)報告、政府報告、分析師報告，以及社交媒體上發(fā)表的，比如推文，所有這些人類產(chǎn)生的信息都是這種信息的組成部分。

其次就是知識。大數(shù)據(jù)必須有知識，現(xiàn)在在這個領(lǐng)域當中我們已經(jīng)有了很多的知識，關(guān)于經(jīng)濟、政治、系統(tǒng)的運行，以及行業(yè)和地理劃分，所有這些都可以幫助我們深度理解其他數(shù)據(jù)。

再次就是心理，因為我們所做的一切都是和市場有關(guān)的，市場上的價格并不僅僅基于現(xiàn)實，而是基于人們對于現(xiàn)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(yè)買家的心里、心態(tài)是負責重要的，有這樣的信息才能做出預(yù)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(tǒng)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(gòu)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(gòu)才能接受這個建議，解釋是非常重要的。

深度學習現(xiàn)在很難做到這一點，深度學習系統(tǒng)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(wù)的時候，有時候表述的內(nèi)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(fù)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(shù)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(shù)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(gòu)建的衍生品合約數(shù)量也是無限的，復(fù)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(shù)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(gòu)投資者，都希望實現(xiàn)十年的投資回報的最優(yōu)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(jīng)濟運行我們只知道其中一部分機制。

數(shù)據(jù)有很多的噪音和雜質(zhì)，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(shù)據(jù)是虛假的，可能是人們在推特當中發(fā)表的信息，恰恰是為了操縱信息的，假新聞、假數(shù)據(jù)，都是我們要對整個環(huán)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(jīng)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(jīng)濟體背后運行的機制。

人工智能如何應(yīng)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(yù)測，為今后預(yù)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(yù)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(tǒng)來說，高頻交易系統(tǒng)指導(dǎo)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(tǒng)，只能判斷他們認識的經(jīng)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(fā)方面、廣告方面、商譽方面做了多少投資。對于一家制藥企業(yè)他有哪些藥物在研發(fā)，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(tài)，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(tài)。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(shù)據(jù)，他是根據(jù)歷史數(shù)據(jù)，以及對于隱性狀態(tài)、方方面面的理解結(jié)合在一起做的決定。

從20世紀60年代以來就已經(jīng)出現(xiàn)了這樣的思路：對于短線的決策很簡單，收集大量數(shù)據(jù)，通過統(tǒng)計學的正相關(guān)性來做出決策，也就是運用各種各樣的預(yù)測技術(shù)。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(yù)測。但是，當預(yù)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(jù)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(jīng)本人確認。）