如果ALPHAGO也玩量化交易！人类还能赢吗？- 大数跨境

导读

创造出最聪明人工智能的努力真的已经演变成一场竞赛，而且竞争者们都是这个地球上最有权力也最富有的巨人。在近几天的围棋人机大战中，AlphaGo机器人连胜韩国顶尖围棋高手李世石四轮，谷歌在这场战役中的胜利，让“人工智能到底有多厉害？”这个话题再次成为人们关注的焦点。

终于，在今天最后一场人与机器的较量分出胜负

大洋彼岸的小李（李世石）1:4 Alpha Go

Alpha Go获得最终胜利

关于Alpha Go到底解决了多难的问题

多年以来，人机大战从来没停止过，人工智能一直在各个领域不停地向人类发起挑战。

如今，人工智能系统其实早已进入我们的日常生活，比如智能语音助手Siri和人脸识别系统。

1997年，IBM的超级电脑“深蓝”击败国际象棋世界冠军卡斯帕罗夫，深蓝也成为击败人类的最知名的人工智能。但Alpha Go在围棋界击败世界顶尖选手，“深蓝”不得不退下神坛。众所周知，围棋的规则与胜负条件足够复杂，其估值函数非常不平滑，差一个子盘面就可能天翻地覆，同时状态空间大，也没有全局的结构。

△国际象的棋算法

△围棋的算法

说起这个话题，小盈女就从最火的围棋赛说起。围棋复杂度超过宇宙原子总数：围棋棋盘横竖各有19条线，共有361个落子点，双方交替落子，这意味着围棋总共可能有10^171(1后面有171个零)种可能性。这个数字到底有多大，你可能没有感觉。我们可以告诉你，宇宙中的原子总数是10^80(1后面80个零)，即使穷尽整个宇宙的物质也不能存下围棋的所有可能性。

因为人工智能技术已经迎来了一个新的突破——深度学习技术

AlphaGo比此前国际象棋人工智能复杂的点在于：它基于深度学习进行估值和走棋。而近几年深度学习最大的突破之处，就是深度学习不需要人来设计算法“找特征”；只通过大量原始数据和标签的对比，程序便可以自动找特征，并且并不比人差。

不只是围棋，自从人工智能不断趋向成熟，越来越多的传统领域受到了挑战。

人工智能在其他领域的卓越表现

除了在被热议的围棋界，人工智能在其他领域的表现也是可圈可点。超越人类极限，对于人工智能来讲，太轻而易举。

图灵测试

1950年，英国的数学家阿兰·图灵在曼彻斯特大学提出了著名的“图灵测试”理论，代表着人工智能的概念被初步提出。“图灵测试”理论具体为一个人和一台机器隔开的情况下接受测试，要求提问者不断提出各种问题，从而辨别回答者是人还是机器，如果机器有30%的回答骗过了提问者，那么这台机器就通过了测试，并被认为具有人类智能，即人工智能。

例如你反复问被测试者同一个问题，“你吃饭了吗？”连问五遍，假如被测试者是人类，多半会蹦出：“你烦不烦啊？”，但机器人则不会，机器永远会基于答案的对错来回答问题，这就是计算机与人类大脑的区别。2014年6月7日，也是图灵逝世60周年，尤金·古斯特曼通过了图灵测试，达到13岁小孩的水平，是人工智能乃至于计算机史上的一个里程碑事件。

专业医师

2011年在综艺节目上狂虐人类选手的超级电脑“沃森”。在面对主持人提出的各类新奇古怪的问题时，沃森不仅能在第一时间给出正确答案，还能主动忽略自己不擅长的问题。据说，沃森储存了数百万的文档资料，包括字典、百科全书、新闻、文学等，其硬件配置可以使它每秒处理500GB的数据，相当于每秒阅读100万本书。

如今沃森被运用于医疗服务、咨询等领域，能够给患者提供最合适的治疗方案。不论从效率还是诊断准确率来讲，人工智能都远胜过人工咨询，足以媲美专业医师。

人工智能与仿生

德国著名的仿生科技公司Festo因能制造出令人叹为观止的仿生生物而闻名于世。其研究推出的仿生生物不但在外观上与原来的生命体十分相像。这些仿生生物不仅能够完美的模拟动物的飞行、降落、游行、弹跳，甚至懂得自己编排行进路线，根据障碍选择合适的处理方案，甚至可以在一个大网络里实现团队合作，分工合作。

而相比于活体，他们能适应更恶劣的环境，能完全接受高强度，高密度的工作，他们不需要实物，可以做到不受伤.....我们可以想象，基于此技术，若能结合模拟人类大脑深度学习的神经网络技术，高智商“克隆人类"也并非不可实现之事。

△ 德国festo公司制造的仿生鸟SmartBird

△ 德国festo公司制造的仿生蚂蚁

△ 德国festo公司制造的仿生袋鼠

这款仿生袋鼠几乎完全复制了袋鼠的弹跳功夫，仅需一小块电池与腿部的弹簧机构，袋鼠便能立刻活蹦乱跳起来。

当人工智能战胜人类之后

在这些封闭的博弈系统中（围棋），战胜人类这个也不奇怪，因为它虽然计算复杂度高，但是每个状态是确定性的，就在棋盘方寸间；而一些社会行为，比如股票投资不确定因素就大多了，所以其他类似的确定性的机器迟早都会赢的。

小盈女记得有些预言家说过未来20年，98%的人类工作将会被机器取代，那么我们现在要怎么做？怎么才能成为那2%的人，人类怎么办。我想办法总会有的，通用智能也不一定那么快就能到来，还会有很多未知障碍，比如让机器去发展科学理论。有一点可以肯定，有生之年，机器会取代越来越多的人类劳力，这是双刃剑，既是好事也是坏事，自动化生产线取代部分劳动力，可能人类会越来越懒。但创意灵感还是机器学不来的。

人工智能+金融=？

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

1

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。

2

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。

3

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。

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。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。

老实说

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。