人工智能可以用来炒股吗 用人工智能炒股可行吗
\u672a\u6765\uff1a\u4eba\u5de5\u667a\u80fd\u80fd\u7092\u80a1\u7968\u5417\u4e0d\u80fd\u3002\u7b2c\u4e00\u4e2d\u56fd\u80a1\u5e02\u662f\u653f\u7b56\u5e02\uff0c\u53c8\u6709\u5e84\u5bb6\u63a7\u76d8\uff0c\u800c\u6211\u4eec\u7528\u7684\u8f6f\u4ef6\u53c8\u662f\u9759\u6001\u7684\uff0c\u5e84\u5bb6\u4ec0\u4e48\u65f6\u5019\u62c9\u5347\u51fa\u8d27\u90fd\u4e0d\u77e5\u9053\u3002\u6240\u4ee5\u7528\u4eba\u5de5\u667a\u80fd\u505a\u80a1\u7968\u53ea\u4f1a\u4e8f\u94b1\u3002
说的神乎其神，人工智能能用来炒股吗？
人工智能在围棋、象棋、德扑等领域都已经取得了碾压式胜利，这已经是一个不争的事实。事实上AlphaGo这样的AI已经可以用于任何需要理解复杂模式、进行长期计划、并制定决策的领域。人们不禁想问，还有什么是人工智能不能克服的吗？譬如说，变幻莫测的A股？
对于这个问题，持各种观点的都不乏其人。探讨它实可以分为两个部分：1. 股市可以预测吗？ 2、 假如可以预测，用机器学习的方法去预测可以吗？
先回答第一个问题：股市的涨跌可以预测吗？
如果将股市的价格变化看做一个随时间变化的序列，Price = Market (t), 我们往往会发现，不管是尝试用N个模型(线性，非线性, 概率)来进行逼近，即使是建立了符合股价变化的这样的模型，并且在有足够多的训练数据的情况下模拟出了股价，但是这些模型最多只能在特定的区间能做一些并不十分精准的预测。
首先是ReinforcementLearning, 这个算法基于马尔可夫性，从一个状态预测下一个状态，但是股价的涨跌具有强烈的马尔可夫性吗?也就是上一时刻的股价与下一个时刻的股价间有必然的联系吗?应该是不太大。这种基于N阶马尔可夫性的系统对于股价的分析很不利。而且假如只使用股价的历史数据进行模型的训练的话，准确度可以说几乎为0。
事实上影响股价的因素不仅仅是历史股价，还有更多的因素，公司的近况，股民对股票的态度，政策的影响等等。所以许多人从这方面进行入手，用人工智能提供的快速计算能力，使用合适的模型，来量化这些因素，例如, (政策X出台, 可能会对股价造成变化y元)。当你的模型将所有的因素全都考虑进来, 那么股价的预测就唾手可得了。股价 = f(政策因素, 公司情况，市场因素, 历史股价，上一年历史股价, 某个股民自杀的影响...)
然而这些因素到底有多少? 它们之间会如何影响，这才是问题的关键。在某些稳定的情况下，我们是可以做大概的预测的，但是有很多时候会不准确，这是因为，你的模型很难把所有的 因素都考虑进来。而且因素与因素间还会产生互相影响的情况下。股价的模型将会变得极其复杂。如下图：
一个因素与一个因素之间的互相影响是很可能被预测出来的，但是假如它们之间产生了相互的影响，这时候整个系统就变得几乎不可预测了。一个因素发生变化，会造成好几个因素的变化，最后这几个因素又会反作用回来使上一个因素直接或间接的发生变化，股价变化一下子就变得难以捉摸起来。一些微小的因素也可以通过这种系统无限的放大，最后给股市造成巨大的影响。
那么是不是预测股价是就是不可能的呢？
事实上人工智能远比我们想象的更强大。例如非常繁复的Bayesian reasoning，包括deep learning/deepreinforcement learning，它们都能表示复杂的hidden variables之间的关系。现在国内外也已经有许多公司在探索将人工智能应用于股市的可能性了。
但是这里所说的将人工智能技术应用于股市，大部分不是说让人工智能代替人去做决策，而是利用人工智能在数据处理和不受主观喜好影响上的优势，在投资决策中扮演一个“AI专家顾问系统”的角色，去辅助人类做出更明智的决策。
股市分析包括基本面分析与技术分析两大块，而人工智能技术在这两方面都能发挥作用：
1
基本面分析
简言之，就是读取各类财经资讯。面对网上海量又纷繁复杂的信息，只依靠人脑已经无法解决问题了。我们知道数据挖掘的三个V，（Volume数据大）,（Velocity更新快）,（Variety多样），在处理这样的海量数据时，计算机相比人脑具有不可比拟的优势。而深度学习在自然语言处理领域的应用，可以做到在海量的信息中做出自动摘要，提取出精华信息以帮助人类进行决策。
另外，股票价格在很大程度上是由买卖双方的力量对比决定的，是由每个股民对某支股票的情绪而决定的。如果大家都很看好一支股票，那么它就很可能会涨；反之会跌。还有一些特定事件会很明显地影响到股票价格，例如今年美国40年来首次开放原油出口后，国内能源版块不出意料下跌了。这也是为什么这么多股民会刷新闻，看动态来保持敏锐的嗅觉。可以看出，在预测股票这件事上，最重要的是信息，或者说是数据，从中挖掘股民的情绪。而情绪识别已经是人工智能所擅长的技术了。国外已经有很多这方面的研究，也有DataMinr这样的公司专注从社交媒体中提取有价值的金融信号。
如下图，美联社官推被黑（谣言奥巴马被袭击受伤），很快股市出现了大幅度下滑-上升（看13点左右）。虽然这个事件较为特殊，但是设想如果能够在第一时间得到类似消息，实际上就掌握了预测股市的主动权。
可以大胆想象，如果将情感分析与机器学习相结合，抓来海量的数据，去做情感分析，大概找出民众对于对某些股票持乐观还是悲观的情绪，那么至少可以将这一因素纳入模型学习范围中。现存的很多论文都是在情感分析上找寻很多办法去提高准确率。其他一些更简单的做法还有：（1）Google Trend。这个是很简单的办法：谷歌提供的搜索量数据，利用搜索量的变化来预测。（2）利用Twitter Volume(相关Twitter的发帖数量）
2. 技术分析
传统技术分析中的K线分析，什么“大阳星”、“小阴星”、“旭日东升”、“穿头破脚”，其实就是人脑的模式识别。受人脑信息处理能力的限制，这些识别出来的模式有以下缺点：（1）只是单条K线的、只是基于一个模糊的形状，似是而非的、没有确切的数字标准的；（2）基于有限的历史信息的。 而好的深度学习策略，可以突破人脑的限制，比如突破单一K线的限制，从更多的财经信号（其他股票、黄金、外汇等）中寻找规律；或是从一个更长时间段的历史信息中识别出规律。
总之，人工智能将提升我们处理信息的深度、广度。使用基于人工智能技术的“智能投顾”的人，将比不运用或是还在利用“人脑”进行基本面分析与技术分析的人占信息优势，从而也就更可能在股市中盈利。
人工智能在证券投资领域的兴起始于2007年。彼时，第一个纯人工智能的投资基金在美国纽约诞生，此后人工智能在证券投研领域的发展步入快车道; 事实上，在证券投资领域，人工智能早已经不是什么新鲜事，量化对冲基金经理遍布于北京金融街、上海陆家嘴。一般来说，公募基金或大型私募的量化投资部由两部分组成，一部分是投研团队，另一部分是IT团队，投研团队提出需求，IT团队做出算法交易的模块，解决基金经理们的需求。
“正常情况下，我每天的工作流程是早上起床后看一下(机器)生成的股票清单，再看看组合管理系统里每个策略配了多少权重，这些策略加起来的仓位又是多少，然后根据机器所给出的信号(卖出或买入)的各类数据(包括融资融券、投资者入场情况等)，判断机器给出的信号有没有明显的错误。”一位量化对冲经理说，如果当天需要交易，他就会生成交易指令，再下单到交易系统，交易系统就会开始自动运作。
在传统的投研中，基金经理及研究员们对财务、交易、市场等数据进行建模，分析其显著特征，利用回归分析等传统机器学习算法作出交易策略，到了人工智能阶段，这些工作便交给了计算机。目前，一些私募基金已开始将量化对冲的三个子领域融入日常交易策略中，尝试获取收益，它们包括机器学习、自然语言处理与知识图谱。例如，作为全球最大的对冲基金，桥水联合(Bridgewater Asspcoates)使用的是一种基于历史数据与统计概率的交易算法，让系统能够自主学习市场变化并适应新的信息。
AlphaGo大胜李世石柯洁，引发全世界关注。投射到投研领域，则是以人工智能量化选股和人类基金经理之间的对决。已经证明的是，人工智能选股在规避市场波动下的非理性选择、回避非系统性风险、获取确定性收益方面等更胜一筹，波动率、最大回撤等指标也更低，表现更稳定。
然而，机器虽然动作比人快，但思维还是没人快。比如面对某个新出台的政策、市场热点，基金经理可以立即以此为主线采取行动。但是机器没那么快。这是人的优势。再譬如，机器一次只能做到一个阶段做一个策略，比如供给侧改革，只能想到煤炭、钢铁、有色金属里的股票，但是对基金经理，他就还能同时做价值投资或动量反转等策略。
整体来说，将整个股票投资决策过程全部交给机器，目前来说还属于少部分金融巨头企业才能做到的事情。
美国硅谷“感知力”技术公司让人工智能程序全程负责股票交易，与其他一些运用人工智能的投资公司不同，该公司交易部门只有两名员工负责监控机器，以确保出现不可控情形时可通过关机终止交易。据报道，“感知力”公司的人工智能投资系统可以通过经验学习实现“自主进化”。公司在全球拥有数千台同时运行的机器，其独特算法创造了数万亿被称为“基因”的虚拟交易者。系统利用历史数据模拟交易，目前可在几分钟内模拟1800天的交易量，经过测试，不好的“基因”被剔除，好的“基因”被保留。通过考验的好“基因”被用于真正的交易。公司员工只需设定好时间、回报率、风险指数等交易指标，剩下的一切都交由机器负责。
公司首席投资官杰夫·霍尔曼透露，目前机器在没有人为干预情况下掌握着大量股票，每天完成数以百计的交易，持仓期限为数日到几周。公司说机器的表现已超越他们设定的内部指标，但没有透露指标的具体内容。
随着人工智能技术的持续进步，人工智能投资成为被学术界和资本看好的领域。英国布里斯托尔大学教授克里斯蒂亚尼尼说，股票投资是十大最有可能被人工智能改变的行业之一。另一方面，也不是所有的投资商都信任机器，英国对冲基金曼氏金融首席科学家莱德福警告说，不应过度信任人工智能投资，该领域还远没有成熟。虽然有各种各样具有迷惑性的承诺，很多投资人的钱却有去无回。
可以用来炒股。通过机器学习、深度学习等技术，可以通过分析大量的数据，识别市场走势和趋势，并给出投资建议和决策。此外，还可以帮助投资者进行风险预测和评估，减少投资风险。但是，投资决策不仅仅依赖于技术分析，还需要考虑经济和政治因素等外部因素的影响，因此辅助决策的工具更为合适。
妈难得添一件冬衣和夏衣，
Ai智能股市小程序重点还是看技术本身，也要事先理解清楚AI技术的本质，AI是利用计算机技术模拟人类大脑，设计出一个具有强大学习能力的结构（俗称神经网络），这个结构体在初始状态下是一个完全随机的选择器（根据神经网络的输入和输出的数据结构）：例如输入一张“猫”的图片，它给对不同的结论给出一个概率值，比如“猫”0.1，“狗”0.2，“鸭”0.04 .。。。。。需要对这个初始的神经网络结构进行大量数据的训练（机器学习），然后让这个神经网络结构逐渐收敛到某个固定的复杂数学函数（含上亿个参数），使得对于某种图片的输出概率维持到某个较高水品，例如对于猫的图片输出“猫”的概率在0.8~0.9。
所以，类似，AI炒股，应该是首先设计一个强大的“大脑”然后让它自主学习（不加任何人为想法或所谓的策略），让它自己根据收集到的数据（例如行情、新闻、财报等）自主做出决策（输出一个操作的概率），让它反复进行，这就是一训练过程，当它的某个目标（例如收益率达到某个值时，例如收益率稳定在80%~90%），就人为该模型已经成熟，可以用于炒股实践。总之，关键还是看这个AI模型本身的技术、学习能力以及学习的数据量、训练过程，这一切还需要一个强大的算力来支撑。我们应该科学地去分析和评估这个问题，而股市妄下一个结论。
绛旓細AI鐐掕偂鏈哄櫒浜烘槸鍚︾湡鐨勫姝ゅ嚭鑹诧紵闅忕潃浜哄伐鏅鸿兘鎶鏈殑杩涙锛岃秺鏉ヨ秺澶氱殑鏈烘瀯鍜屾姇璧勮呭叧娉ㄥ皢AI鎶鏈笌閲戣瀺鎶曡祫鐩哥粨鍚堢殑鍙兘鎬э紝杩欐樉鐒舵槸鏈潵鍙戝睍鐨勪竴涓噸瑕佽秼鍔裤傚敖绠I鍦ㄤ氦鏄撹繃绋嬩腑娑堥櫎浜嗕汉绫绘儏缁殑褰卞搷锛屼絾AI鏈哄櫒浜虹殑绠楁硶鏄敱浜虹被璁捐鐨勩傝璁¤繃绋嬩腑鐨勫眬闄愭ф剰鍛崇潃鍦ㄤ氦鏄撶瓥鐣ャ侀昏緫鍜屽缓妯＄瓑鏂归潰鍙兘瀛樺湪缂洪櫡銆...
绛旓細杩欎釜褰撶劧鏄笉闈犺氨浜嗐鐐掕偂绁闈浜哄伐鏅鸿兘鏄笉鍙互鐨勩傜壒鍒槸閭ｇ鏁ｆ埛锛岀倰鑲＄エ涓鑸槸涓嶅彲鑳借兘鎸ｅ埌澶ч挶鐨勩
绛旓細浜哄伐鏅鸿兘鐐掕偂鏄竴浠跺緢鍙曠殑浜嬫儏锛岀倰鑲¤繖浠朵簨鎯呮槸鏈夊緢澶х殑姒傜巼瀛樺湪銆傛鐜囧氨鏄緭鍏ュ拰杈撳嚭璁＄畻寰楀埌鐨勭粨鏋滐紝鑲″競鐨勬敼鍙樹笉鏄病鏈変换浣曠殑瑙勫緥锛屼负浠涔堜細鏈夊緢澶氱殑鍗庝汉琛楅噷闈㈢殑鏁板瀹舵渶鍚庢垚涓轰簡鑲″競鐨勫ぇ鐗涳紝閮芥槸鍥犱负姒傜巼鏄彲浠ヨ绠楃殑銆傚瓨鍦ㄤ竴瀹氱殑璇樊锛屽ぇ浣撲笂鏄竴鑷寸殑銆浜哄伐鍙互璁＄畻寰堝噯纭紝浜哄伐鏅鸿兘鐨勭粨鏋滃皢鏇村姞鐨...
绛旓細杩欎釜涓昏鏄▼搴忚瘽浜ゆ槗杩欏潡鐨勶紝杩樻槸鍙互鐨勶紝涓昏鏄ぇ鏁版嵁杩欏潡鎵
绛旓細ai灏辨槸浜哄伐鏅鸿兘鐨勬剰鎬 涔熷氨鏄浜哄伐鏅鸿兘鐐掕偂 灏辨槸鐢佃剳鐐掕偂
绛旓細涓嶆槸楠楀眬锛屽緢闈犺氨锛屾垜鐢浜嗗嚑骞翠簡锛屾晥鏋滃緢濂斤紝鏈鏈夊彂瑷鏉冦傝屼笖鏄浗闄呭浗鍐呴珮姘村钩鐨鏅鸿兘鐐掕偂鏈哄櫒浜猴紝鑾峰緱浜嗗椤瑰彂鏄庝笓鍒╋紝鐩堥AI鍏ㄨ嚜鍔ㄧ倰鑲℃満鍣ㄤ汉锛屾垜鐢ㄤ簡鍑犲勾浜嗭紝鏁堟灉寰堝ソ锛岃屼笖鏄叏鑷姩浜ゆ槗鐨勶紝绛栫暐鏄嚜宸鍙互寰堟柟渚跨殑璁捐鐨勩傝屼笖涓嶉渶瑕佽嚜宸卞啓缂栫▼锛屽彧瑕佹坊鍔8涓暟鎹嵆鍙缃氦鏄撶瓥鐣ャ傛牳蹇冨姛鑳界紪杈戯紝...
绛旓細涓嶈繃锛屽湪鎶曡祫AIGC姒傚康鑲￠緳澶磋偂鏃讹紝浠嶉渶娉ㄦ剰甯傚満娉㈠姩鍜岃涓氶闄┿傚悓鏃讹紝鎶曡祫鑰呭簲瀵瑰叕鍙哥殑鍩烘湰闈佽储鍔＄姸鍐点佸競鍦哄墠鏅瓑鏂归潰杩涜缁煎悎璇勪及锛屼互鍋氬嚭鐞嗘х殑鎶曡祫鍐崇瓥锛屽疄鐜伴闄╀笌鏀剁泭鐨勫钩琛°俢po榫欏ご鑲＄エ鏈夊摢浜 鐐掕偂灏辫鐐掗緳澶,浜哄伐鏅鸿兘缁嗗垎棰嗗煙鏍稿績榫欏ご,涓嬪懆闅忔椂鍗峰湡閲嶆潵2娉,澶у鍙婃椂鍋氬ソ鏀惰棌 1,浜哄伐鏅鸿兘+CPO:鍓戞ˉ...
绛旓細鍦ㄩ噾铻嶈涓氾紝AGI鐨勫簲鐢ㄤ富瑕佹槸閫氳繃鏁版嵁鍒嗘瀽銆佹満鍣ㄥ涔犵瓑鎶鏈紝甯姪棰勬祴甯傚満璧板娍鍜屼紭鍖栨姇璧勭粍鍚堛傝繖绉嶆妧鏈簲鐢鍙互甯姪閲忓寲浜ゆ槗鍏徃鏇村ソ鍦版妸鎻″競鍦烘満浼氾紝鎻愰珮鎶曡祫鏀剁泭锛屼絾涔熼渶瑕佷粯鍑哄法澶х殑鐮斿彂鎴愭湰鍜岃绠楄祫婧愩傚洜姝わ紝铏界劧閲忓寲宸ㄥご鎺㈢储AGI鍙兘浼鐢ㄤ簬鐐掕偂锛屼絾鍏跺簲鐢ㄩ鍩熼潪甯稿箍娉涳紝涓嶄粎浠呴檺浜庨噾铻嶈涓氥
绛旓細鐟炲＋鏃ュ唴鐡︾殑涓浣嶉噾铻嶆暟鎹【闂 Gaëtan Rickter 杩戞棩鍙戣〃鏂囩珷浠嬬粛浜嗕粬鍒╃敤 Python 鍜屾満鍣ㄥ涔犳潵甯姪鐐掕偂鐨勭粡楠,鍏舵渶缁堟垚鏋滅殑鏀剁泭鐜囪窇璧簡闀挎湡澶勪簬鐗涘競鐨勬爣鍑嗘櫘灏 500 鎸囨暟銆傝櫧鐒惰繖绡囨枃绔犲苟娌℃湁灏嗕粬鐨勬柟娉曞畬鍏ㄥ交搴曞叕寮,浣嗗凡鍏紑鐨勫唴瀹规垨璁歌兘缁欐垜浠甫鏉ュ浣鐢ㄤ汉宸ユ櫤鑳界倰鑲鐨勫惎杩 鎴戠粓浜庤窇璧簡鏍囧噯鏅皵 500 鎸囨暟 10 ...
绛旓細闅忕潃杩戝嚑骞浜哄伐鏅鸿兘鍏磋捣锛屼笉灏戜汉寮濮嬮夌敤鏈哄櫒瀛︿範绛夋柟寮忥紝杈撳叆浼楀鍥犲瓙锛岃AI鑷繁鐢熸垚绛栫暐銆傚垱濮嬩汉鍏糃EO搴炶〃绀猴紝鐨勫仛娉曞垯涓嶅悓锛屾槸鐢ㄧ缁忕缃戠粶鏇夸唬鍘熸潵鐢ㄩ昏緫鍜岀瓥鐣ユ瀯寤虹殑鏁板妯″瀷锛岄氳繃杈撳叆鑲＄エ鐩稿叧鏁版嵁锛屽埄鐢ㄨ缁冧笉鍚岀粨鏋勭殑绁炵粡缃戠粶鏉ュ疄鐜版満鍣ㄨ嚜涓荤殑閲忓寲浜ゆ槗銆傛兂鍋氶噺鍖栦氦鏄撶晫鐨凞eepmind锛堢爺鍙戦樋灏旀硶鐙楃殑鍥㈤槦...
