獨家編譯 | 這個行業的人終於可以鬆一口氣了！人工智慧暫時幹不了……

常看人工智慧前沿的朋友們就知道，AI最擅長的就是數據，人腦偏偏不擅長這個。這麼一想，天天跟海量數據打交道並作出決策的投資行業人員真是太危險了！但事實真的是這樣嗎？

十年前，一台由計算機驅動的交易系統因演算法失控，被拔去了插頭，並造成數十億美元的損失，高盛關閉了其旗艦基金。

十年過去了，人工智慧與機器學習成為熱門辭彙。但拂去炒作部分，人工智慧與投資行業結合依然要面對三個嚴峻的問題：

★人工智慧做得太好了，好到我們沒法理解

★人工智慧只知道最近的東西，只知道資料庫已有的；

★還會弄巧成拙，因為它按照自己的演算法找最優解，就會不可避免攻擊對手。

機器學習系統非常善於總結某種模式。不幸的是，他們太擅長了，所以還會弄出一些並不存在的「模式」。（其實這裡的模式更像我們人類說的「套路」）

Michael Kollo是安盛投資公司的首席策略師，他說，例如神經網路是一種人工智慧的類型例如我們訓練系統給的照片裡面狼多在雪地，於是系統便會將狼與雪聯繫在一起，來區分狼和狗的照片。

如果在過去35年，市場中培養了一個投資方面的人工智慧，它很可能會總結出一個簡單的規則去購買理財產品。10年來美國國債收益率從1982年7月的13.7%降至本周一的2.31%。但可以肯定的是，但在未來35年裡，收益率不可能再跌這麼多了。

在這個行業中，發現不重複的模式被稱為「過度擬合」——就像人工智慧在在狼的照片中撿起不相干的雪，或者在過去的股價中會出現與未來毫無關係的機會模式。對沖基金Winton Group的創始人大衛哈丁表示，避免這種虛假模式的方法是計算機驅動投資系統要努力的核心。

「避免過度擬合是一種心態，」他說。「這和避免一廂情願的想法是一樣的。」

量子基金「AHL」的首席科學家Anthony Ledford說，即使更先進的機器學習系統有時也會證明不那麼有用。他說:「你的模型越複雜，它就越能解釋你在訓練中使用的數據，而在預測未來時，它的用處就越小。」一個模型需要接受的是，市場上發生的許多事情都是毫無意義的噪音，並試圖找出更廣泛宏觀的信號，即使在過去的數據中顯得無法解釋。

許多優秀投資者都在試圖避免過度擬合，他們認為，他們所採取的任何規則都應該有經濟或行為上的理由。但如果時計算機，一旦它發現，周三在堪薩斯下雨的話，在巴黎上市的石油公司的股票都會上漲，那麼系統以這種邏輯來幫助你投資就比較荒謬了。

更不幸的是，你還不可能知道系統是根據天氣來給你買的股票……讓一個擁有數千輸入的系統去解釋它為嘛做出某個決定幾乎是不可能的。這是一個嚴重的問題，美國國防研究機構正在資助一個項目，試圖讓人工智慧來解釋它自己。

再先進的系統，缺乏透明度的話，也只能小投入試驗或者在人類的監管下運行，其實就是當輔助。

查爾斯·埃利斯的項目就是典型。去年11月，他加入了位於都柏林的Mediolanum Asset Management，負責開發機器學習系統，並開始拿去為行業提供建議。他說，考慮到與美國股市相關的1500個變數的20年數據，它使用了一種被稱為隨機森林回歸的機器學習系統，試圖避免過度擬合，早期結果很好。只用於200億美元投資組合中的一小部分，並且最後由基金經理做出最終決定。還有另一個用於預測經濟周期的系統目前情況也很樂觀。

隨機森林方法也有缺點：依然很難理解為什麼計算機會做出某個決定。

「這是一個黑盒子，你不知道為什麼輸入數據後會產生這樣的效果，」他說。

Kollo說，如果沒有理解，就很難避免關閉一個系統。

「所有的事情最終都會出錯，每一種演算法都有糟糕的一天，」他說。「那些倖存下來的，一定是能夠解釋自己所做所為的。」

但一些投資者並不關心缺乏透明度。Jeffrey Tarrant說，「根本不影響我。」他投資了6家使用人工智慧技術的基金，這些基金通常與不同尋常的數據來源相結合，而這些基金的經理來也沒有很好的專業背景。他估計有75隻基金使用人工智慧，但他認為只有25個是真的。

也有一些長期使用電腦管理資金的投資者對人工智慧的最新時尚不屑一顧。

「在30年的時間裡，你就像個傻瓜一樣，說你可以用電腦來管理錢，現在他們來了，說你可以用電腦來管理錢，」溫頓的哈丁先生嘲笑道。他運用機器學習的方式來推動期貨價格的移動，這使他成為億萬富翁。他的團隊將機器學習視為另一種統計技術，以發現市場異常情況。

Sushil Wadhwani曾在對沖基金都鐸時代的系統交易中使用機器學習，現在他使用機器學習管理自己的自動化基金，但偶爾會重寫系統。在2008年，他拒絕了歐洲債券的分析，因為它已經了解到，在多年的證據之後，最好和最壞的歐元區債券之間的息差並不依賴於經濟基本面。隨著銀行體系的崩潰，他知道這已經不再適用了。

總結：高頻交易系統可能會有足夠的例子來改變交易機制，使其自行運行，但卻無法配置大量資本。將機器學習應用於長期投資是一件棘手的工作，因為許多新數據集只會在10年或2年之後才會投入使用。不懂歷史的計算機註定要重蹈覆轍。

關注 | 王者榮耀遭官媒「怒懟」，國小生遊戲上癮究竟該怎麼破？

觀點 | 究竟什麼職業最容易被人工智慧取代？這 12 個