被“阿尔法狗”支配的恐惧又来了，这是金融界的“炒股狗

光动电磁炮

2017-02-12 23:40            来源：小白财之道                                                        2016年可以说是人工智能（AI）爆发元年，继AlphaGO（阿尔法狗）接连击败中日韩顶尖棋手、又以Master名义在网上横扫各路英豪拿下60盘赢局后，目前AlphaGO团队正与中国棋院沟通，酝酿人机围棋大战第二季，九段棋手柯洁即将应战。

人工智能攻下围棋界，未来将被应用到哪些领域，又能走多远，能否成为下一个风口，是机遇还是威胁？一下众说纷纭。
但在金融界，有一家对冲基金布局已久，想复刻出投资领域的“阿尔法狗”。
成立于2007年的Sentient Technologies目前是美国最顶尖的人工智能研究公司之一，在过去十年里，这家公司通过训练人工智能机器消化海量数据，研究市场走势，学会如何在股票上投资，研发出可用于投资的AI系统和完全依靠AI运行的对冲基金。
据Sentient Technologies透露，他们认为对于股市来说，交易员的人为主观和情感偏见因素可能会对交易决策带来很大影响，而机器可以避免这些问题。于是，Sentient在世界各地设有同时运行的上千台机器，并利用计算机算法打造出数以万亿计的虚拟交易员，把这些交易员称为“基因”。
“基因”各自进行虚拟交易的过程中，表现不好的“基因”会被系统淘汰删除，而成交质量高、可以赚钱的“基因”则被留下。不止如此，Sentient大规模运行“进化计算”算法，持续刷新出更好结果，将好的“基因”进化到下一代。不断通过这些虚拟交易完善系统，这被Sentient称为“进化智能”（EvolutionaryIntelligence）。早在2014年底，Sentient就曾向外界透露所研发的分布式AI平台已经能够独立进行股票交易。随着机器的进步，如今Sentient系统可以在几分钟内模拟1800天的交易。

根据Sentient透露的信息，目前机器在没有人为干预的情况下掌控着大量的股票，每天完成数以百计的交易，持仓期限一般为几天到几周。对于公司的员工来说，只需设定好交易的一些指标，如时间、回报率、风险指数等，剩下一切都可以交给机器。和其他的传统投资公司不一样，Sentient在旧金山的总部中只有两位职员负责监视系统运行，主要防止机器出故障。
虽然对于交易业绩其并未披露过多信息，但依赖自有资金进行交易的Sentient表示这一AI平台的成绩已经跑赢了其内部建立的基准指数，并计划于今年开始引入外部投资者资金。
事实上，在过去的6年中，Sentient是硅谷获得风投最多的人工智能公司。2014年，这个用电脑进行独立投资的基金就吸引了大鳄们的注意，获得高达1.43亿美元的投资，投资方包括李嘉诚、印度钢铁大王塔塔集团。
除了Sentient，去年上半年，创业公司Aidyia尝试让人工智能操盘对冲基金，期间没有任何人类干扰行为。据说负责各个不同交易系统的AI引擎不仅可以分析数据、研究报表，甚至可以聚集一起做出市场预测，然后投票选出最佳市场决策。
不禁感到好奇，说穿了这有点像是计算机自动运行，只要有大量数据让机器学习，就可以不断分析数据不断交易，但这能赚到钱吗？
目前，根据把人工智能算入交易表现的指数“Eurekahedge AI对冲基金指数（Eurekahedge AIHedge Fund Index）”显示，人工智能投资的回报率为5%，高于市场的平均回报率但是低于标普500的平均回报率。
同时，还有一些投资商持着观望态度，认为目前系统还远远没有成熟，不应过度信任人工智能。这些公司也会下重本发力研究人工智能，但机器只负责分析数据提供参考，所有投资决定仍然由人来作出。

事实上，基于大数据积累和智能算法的量化投资在金融界已不是新鲜事物。随着互联网和计算机技术的不断进步，金融机构正在探索人工智能与投顾业务更加紧密地结合。放眼全球，摩根、高盛以及蒙特利尔银行等大型金融机构都在纷纷布局智能投顾，国内市场上，互联网金融公司也争相在智能投顾上加大投入研发。
但目前重点仍然偏重于为投资者提供参考服务。比如说，把钱交给机器人打理，无需人工操作。机器从投资者的个人资产状况和风险偏好出发，匹配相应的资产配置方案，提供资产配置建议；又或者，利用技术的深度研发和数据挖掘积累，提供投资决策辅助服务。
好处在于，未来人工智能强大的信息储备管理能力、精准的理性分析和高速度的决断将会大大提高金融交易效率与质量。比如，一般基金经理个人跟踪研究的股票数量在50只以内，而利用人工智能的大数据可以覆盖市场所有的股票。同时，人工智能的信息处理能力更强，投资策略更为多样化，还可以避免人为主观性，相对更客观公正。就像是根据投资者特点，定制化一个虚拟的投资顾问。

但是从长期来看，人工智能“炒股狗”可能还存在许多局限。比如，即便是算法开发者本人，都无法预知机器人的下一个决定到底是什么。这给机器工作带来了不确定性，也让投资者增加了风险。其次，对于用于训练算法的数据而言，数据隐私和数据脱敏的监管框架仍然缺失。面对人工智能强大的数据挖掘和信息处理能力，个人隐私问题如何保障仍然有待考证。