前言
通过对金融投资的数千年发展历史进行了浅显但本质化的探寻，我们可以发现，金融不但是智能与量化的产物，也是最早运用机器智能和量化分析的行业，是智能与量化的推动者。这种趋势在20世纪后期变得非常明显，到了21世纪，更成为金融所彰显出来的最重要特征。
机器学习的进攻
金融从业者相信数据统计，相信模型和算法，更依赖运转越来越快的计算机，这些都使得他们对新的技术有着更强烈的渴望。金融从业者知道，只有运用更为强大的技术，使用更为先进的算法，掌握更多的数据，才有可能在激烈的竞争中取胜，才能更好地获取利润。正是因此，他们对机器学习和深度学习等人工智能技术的追逐也就变得顺理成章。
金融业从一开始就可以看作一个数据行业，到了20世纪80年代之后，随着交易越来越电子化，电子数据的数量也开始爆炸性增长，金融从业者也越来越认识到数据的重要性。这种重要性的一个最初体现就是彭博公司的建立与壮大。彭博公司由迈克尔·布隆伯格于1981年创办，时至今日，已成为全世界最大的金融信息服务商。
在1981年之前，布隆伯格这位哈佛商学院的高才生一直在所罗门兄弟公司工作，起初他是一位交易员，后来因为业绩出色而逐步晋升为合伙人。不过，后来公司的内斗让布隆伯格成了牺牲品，他被从一线职位上赶下来，被派到后台负责计算机和数据系统。
在当时，负责数据信息系统就跟被打入冷宫没什么区别，但对于布隆伯格来说，这次挫折却使他看到了数据和信息的价值所在。不久之后，他被所罗门兄弟公司彻底扫地出门，于是他就拿着1000万美元的分手费开始了彭博公司的建设。
彭博为金融机构提供实时的金融数据、各种计算工具和数据分析服务，甚至还建立了一个交易平台。这些服务很快得到了金融机构的认可，彭博也因此快速发展。到如今，除了金融数据之外，彭博还创办了新闻社、电视台以及杂志等，为用户提供其他类型的数据和信息。
互联网催生了大数据时代的到来，而这也在无形之中影响到了金融产业。金融行业对数据的利用，说到底就是两个方向，一个是风险控制，包括投资风险和信贷风险，另外一个则是机会挖掘。在大数据时代之前，可以说，金融业对数据的利用基本限于金融行业本身。
但是，随着互联网提供了越来越多的图片、文字、视频等信息，金融业也逐渐认识到这些数据对于掌控风险和发掘机会的重要性。挖掘这些数据，然后从一些不相关的数据中间找到其与金融波动的相关性，正是金融业新的机会所在。
西蒙斯和他的大奖章对冲基金，就是这一方面的一个最典型的成功案例。西蒙斯自己是一个没有学习过金融的数学家，他所雇佣的物理学家和人工智能专家也完全是非金融出身，但是他和他的团队却极度善于从不同的事物之中发现关联性，然后用这种关联性来预测市场变化。尽管西蒙斯很少透露自己的成功秘诀，但在TED的一次对谈中他承认自己使用了人工智能方法。
Q:机器学习在这里扮演了怎样一个角色？
A:某种意义上，我们做的就是机器学习。
你观察一大堆数据，模拟不同的预测方案，直到你越来越擅长于此。我们所做之事，不见得一定有自我反馈，但确实有效。我们知道，传统的宽客遵循的是一个自然界的基本定律——大数定理，同时它们也是均衡和随机游走的信徒，这样的一个基础，加上又都是在使用金融数据进行建模，因此他们所能结出的成果往往会过于相似或者趋向相似，而这对于金融机构而言则是一种灾难，这不仅会加剧竞争，也会增加市场风险。
但西蒙斯这一派使用的方法明显不同。他们不会对市场有效这样的理论抱有过多的遐想，相反，他们相信的是数据本身。输入数据，得出模型，然后通过市场来验证，这才是他们的行事方式。在这里，我们也看到了机器学习投资和量化策略的根本不同。
量化策略就是由人主观设定一种选股方法，然后进行编程，交给电脑去运算并得出选股结果，但是机器学习投资则是尽量从数据出发，由机器去寻找不同因子和金融波动的相关性，然后机器自己再设计出用于实践的新模型。简单点说，前者是一个静态的分析过程，但是后者永远处于动态之中，因为计算机可以随时根据数据变化做出策略调整，但由人设置的因子，只有靠人的干涉才能得到修正。
机器学习时代的投资变得非常有趣，那就是不再局限于使用金融本身的数据，相反，它把眼光放到了更为广阔的世界之中。就像混沌理论认为一只蝴蝶扇动翅膀就可以引发一场远方的风暴，机器学习要做的就是找到推是那只蝴蝶，谁是那场风暴，以及两者之间的关联性到底如何。
在21世纪的第一个10年之中，高杠杆的高频交易成了市场上的一把利剑，它一秒钟完成上百万次快速交易的能力，可以轻易把人拉到马下。对人来讲，高频交易似乎是不公正的交易方式，毕竞速度并非人所擅长，人更擅长的是智力活动。
然而到了机器学习的时代，人更擅长智力活动的观点恐怕也要被证明是一个伪命题，因为机器学习想要做到的，不再是靠速度取胜，而是靠“能力”——从大量千丝万缕看似毫无头绪的数据中发现问题本质或者机会的能力。
除了文艺复兴科技这样的典型基金公司，其他人也在尝试将人工智能用于金融交易。毕业于麻省理工学院的未来学家雷·库兹韦尔一直是人工智能的坚定支持者，他相信计算机和人工智能终有一天会达到一个自我创造的时刻，而这个时刻就叫作“奇点”。虽然这位未来学家的主业是创作和发明，但是他在1999年时就开始涉足对冲基金。
这家于2006年开始交易的基金叫作肥猫（FatKat)，它的主要策略就是利用算法来收集和梳理市场机会，出奇制胜。按照库兹韦尔的理论，机器将取代人类，掌控全世界所有的股票交易。在一个机器操控的市场里，没有人性的贪婪和恐惧，因此也就不会有大崩溃和泡沫。
阿斯托·泰勒（AstroTeller)如今是谷歌X实验室的CEO，但在此之前他曾经有过多次创业经历，其中也包括和别人共同创建了一只叫作“小脑资本”的对冲基金。这家对冲基金使用机器学习来制订投资策略，他们的机器学习程序被命名为“源机器”。源机器会模拟很多不同的交易信号，然后从中找出最好的，也就是说，这个机器可以先生成很多的算法，然后通过测试，来确定哪个算法更好，换言之，这些算法可以自我进化。
这家基金研究的数据也非常广泛，例如他们会关注交易员的情绪，而对情绪进行关注的数据主要收集于他们的网上酒店房间预订数据。他们认为，这些数据越高，说明交易员的情绪越乐观。当然，小脑基金不会仅仅根据这样一个简单的数据就做出投资决策，实际上，这只是他们众多测量数据中的一个。
结果证明，这种方法还是很成功的。在最初，这只基金管理的资金只有数百万美元，但后来他们管理的资金量扩展到了数千万美元。斯宾塞·格林伯格和亚历山大·弗莱斯创办的反叛研究（RebellionResearch)是另外一家知名的机器学习投资公司。这家公司的创始人都极为年轻，但却是人工智能和机器学习的坚定信仰者，他们把机器学习明确写到了自己的网站上。
反叛研究的成名要源自2008年金融危机之后。此前，两位创始人一同研发出一款叫作“明星”的人工智能程序。这款程序可以扫描全世界各个国家和各个市场的数据，然后将这些收集到的数据转换为投资策略。当然，作为机器学习的算法，这款程序也会自我学习。在2007年时，这款程序自动清仓了大量后来暴跌的股票，同时又买入了很多黄金股和非周期股，这使得使用这款程序的公司大赚了一笔，在市场最为惨烈的时刻，连续两年大幅战胜市场。
如今，这家公司的队伍已经得到大幅扩充，其中最主要的成员都是机器学习出身的博士或者专家。反叛研究会以日为单位，扫描53个国家的数据，而其数据积累更是多达20年。他们在网站上写道，公司的使命就是要以机器学习和人工智能的方法来为投资者管理资产。
机器学习与交易
“很明显，人类没有进步，但是计算机和算法只会变得越来越快，越来越强大。”斯宾塞·格林伯格如是说。机器学习正在入侵投资界，越来越多的公司和研究者也正在将这种方法用于交易之中。以下就是从各类报道中收集到的相关信息：伦敦帝国学院数学系的JustinA。Sirignano称，他利用2014——2015年纳斯达克市场489只股票的交易情况提取了高达50TB的数据。在使用其建立的“空间神经网络”进行训练和测试后，这位学者发现能够提前1秒钟预测到买卖双方的报价情况。
美国伊利诺伊理工大学的MatthewFrancisDixon利用深度学习神经网络，试图预测43种大宗商品和外汇期货在未来5分钟的价格变动。他们的信息接收端包含9896个神经元，用于处理不同合约之间的价格差异和协同效应。
创办于2015年的旧金山对冲基金Numerai，推出了其第一只基金。该公司通过举办机器学习竞赛来寻求更好的投资策略，具体做法是：采集财务数据—加密—将数据投入机器学习算法比赛——筛选最优结果。
斯坦福大学的RuoxuanXiong等人试图通过集成了谷歌趋势和市场数据的LSTM(LongShort——TermMemory)区块来预测标普500指数的波动性。这项研究显示了在存在大量噪音的情况下深度学习金融时间序列的潜力，研究中所用的方法能够直接应用于其他的金融变量。
BartlitBeckHermanPalenchar公司的J.B.Heaton等人试图打造出表现超过美国IBB生物医药指数的投资组合。他们的研究工具包括5个神经元，利用2012——2016年间IBB成分股票的每周收益数据进行分析。这种对机器学习的热情，显示出人工智能在金融及投资领域的威力所在。
毫无疑问，会有越来越多的人工智能专家投人到金融市场，因为与很多其他市场相比，金融市场是最容易检验结果正确与否的场所。投资公司ProtégéPartners的创始人杰夫·塔蓝（JeffTarrant)花费数年研究金融领域的人工智能，在他看来，虽然人工智能技术在金融上的应用还处于采用的早期阶段，但将对这个行业产生变革性的影响。
不过，乐观情绪的背后其实也有一些隐忧。最大的问题是人工智能并不是想搞你就能搞并搞好，许多跃跃欲试的公司都一度折戟沉沙。正如一家叫作SentientTechnologies的对冲基金所言，现在人工智能面临的问题是“机器学习容易产生“过度拟合＇，在特定的数据库中用特定的模式进行机器学习具有很大的局限性。”
金融数据的量很大，但是信息量却未必有Fa——cebook上的那些数据丰富。SentientTechnologies的创始人之一是研发苹果Siri系统的前工程师，在过去的几年中，该基金是最受硅谷关注的人工智能对冲基金，其出资方不仅包括中国香港首富李嘉诚，还有印度的塔塔钢铁集团。
其次是人工智能的人才现在也非常稀缺。在2015——2016年，各大科技公司就展开了对人工智能人才的搜刮，其报出的年薪可以高达数百万美元。直到现在，真正懂人工智能并进行应用的人才可谓寥寥无几。这在一定程度上也限制了人工智能在投资领域的应用。尽管有各种不利的因素，但人工智能和机器学习类基金仍以强有力的业绩证明了其能力的优越性。
根据Eurekahedge网站的统计，从2011年到2016年，人工智能类对冲基金每年的业绩回报在多数时候都大幅高于传统量化基金以及对冲基金的平均业绩回报。从长期来看，人工智能基金的5年年化回报率要比传统量化基金高出近5个百分点。
当然，即便如此，也会有很多人工智能可能跑不赢指数或者输给其他类型的基金，一方面是因为人工智能不是万能的，另外一方面是因为人工智能基金也有水平、层次之分。毕竟，相比普通的量化策略，机器学习在各个方面的要求更高，尤其是智力方面的投入更高，因此，我们必须破除一个误解，认为带上机器学习或者人工智能，就一定意味着更高的收益率。这是不正确的。
但是，大奖章基金、小脑资本以及反叛研究这些成功的公司证实了人工智能的潜力。而且按照正常逻辑，一旦人工智能的效果得到了验证，那么所有的公司都会投入其中，在这方面展开“军备竞赛”。一些大公司已经迈出了这一步。
摩根大通在2017年雇用了微软的机器学习专家GeoffreyZweig。他将使用摩根大通数据开发可以适用于整个公司的机器学习策略。该公司称，公司曾在2017年利用机器学习技术推出一款预测性推荐系统，辨别应该发行或出售股票的客户。如今，摩根大通计划将它推广到其他领域。
另外，摩根大通还设计了一款名叫COIN的金融合同解析软件。这款软件可以只用几秒钟就完成原先律师和贷款人员每年消耗360000小时才能完成的工作，而且这个软件可以全年无休。摩根大通的掌舵人杰米·戴蒙在2017年透露，2016年摩根大通在金融服务技术上的花费高达95亿美元，这些资金投向了数字化、大数据以及机器学习等领域。
另外一家领先的大公司高盛也不例外。如今的高盛已经越来越像一家科技公司，其技术部门雇佣的工程师就超过了9000人。高盛聘请了数据科学家和机器学习的专家，以求实现更高的业务自动化水平。作为一家老牌投行，高盛在过去几十年中一直大力加强技术能力，建立了一套复杂的技术信息系统。如今，高盛的高层相信，应该将这些复杂系统的运行更多地交给机器来打理，这不仅可以解放其雇员，让其专注于更具创新性的工作，同样也是一种减少运营风险的方法。
其他的投行也在推行类似的变革。全球著名的咨询公司波士顿咨询在其2017年的全球资产管理报告中说，资产管理这一行业正面临日益严峻的挑战，而全新的颠覆性技术将在给某些资产管理机构带来机遇的同时对另一些机构形成威胁。报告指出，若想在未来制胜，资产管理机构需要全面拥抱人工智能、机器学习、大数据和分析等先进技术来实现创新，从而抓住机遇、果断行动、变革工作方式。
对技术巨额投入的影响是多方面的，它既可以增强企业的竞争力，也意味着公司在人员组成等方面的结构变化。一些岗位会因为技术的需求而诞生，另外一些岗位则会因此消失。如今的金融机构中有了越来越多的机器学习专家和大数据专家，但同时华尔街的部分传统交易员开始被自动化程序替代。
2000年，高盛的柜台还雇用了600名交易员，但如今，高盛在纽约总部的现金股票交易柜台只剩下2个人，另外高盛还增加了200名计算机工程师。交易员的薪资和奖金占据了公司利润的很大一部分，如今可以用不需要领薪水的机器取代，对于企业业绩来说自然是一个利好，但那些被解雇的交易员可能就不这么想了。
但这种人员结构的变化趋势已经很难扭转。在未来，可能有越来越多的投资经理被人工智能替代，更不用说是普通的投资者了。在20世纪70年代，“投资者无法战胜市场”的思想让计算机管理的被动型投资开始崭露头角，但主动投资者并没有因此而受到太大的冲击。然而，人工智能和机器学习的野心更大，它们希望发挥数据分析与预测的超强能力，以此在基本面分析方面战胜主动投资者。
以前有股神巴菲特，如今机器智能想要做的是一个完全自我管理的数字版巴菲特。当然，我们也不能忘记机器版巴菲特还有真人巴菲特所不具备的优势：不需要休息，收取的费用更低。当然，机器版的巴菲特要想真正超过真人巴菲特，还需要假以时日。
尽管目前人工智能可以帮助对冲基金跑赢传统的量化对手，但这并不意味着它已经完全具备了战胜市场的能力。金融市场不是围棋比赛，它没有固定的规则，却有更多的博弈对手，因此要在金融市场上取胜，比和李世石或柯洁下一盘围棋要难得多。
另外，人工智能人才的匮乏限制了这一行业的发展。一些机构已经开始寻求办法解决这一问题，例如英国的英仕曼集团就与牛津大学合作，推出研究机器学习和数据学的新专业方向。而那些等不及的金融机构则早已展开了挖人大战，2017年5月，微软人工智能首席科学家邓力宣布离开微软，转投格里芬所领导的著名对冲基金大本营公司，担任首席人工智能官一职。在人工智能的时代，金融公司越来越像科技公司了。
进入21世纪的第二个10年，静态的量化策略虽然仍是市场的主宰，然而，人工智能的新一轮崛起，尤其是深度学习的发展，使得能学习的机器逐渐崛起，动态算法已经从业绩上证明了它的优势。
在21世纪的第一个10年内，宽客们曾经靠更复杂的产品和更快速的交易来实现对利润的追逐，但到了近年，他们发现自己越来越不是计算机工程师的对手。传统的交易员越来越少，取而代之的是越来越聪明的计算机。量化交易让散户成为看客，人工智能要消灭的，则是基金经理。
机器的崛起让我们开始思考作为个人的价值。既然西蒙斯已经用人工智能在收益率上打败了巴菲特，那么，个人投资者研究20世纪的技术分析文章，阅读股票大作手利弗莫尔的回忆录以及格雷厄姆的《证券分析》到底还有什么意义？
结语
新的时代，“聪明的投资者”的含义也许早已经发生了变化。也许，远离市场，把资产交给一部聪明的机器，才是如今的最佳选择。在这样的背景之下，一种新的针对散户投资者的财富管理模式—智能投顾—应运而生。