文｜脑极体
经历了漫长熊市的A股，在农历新年后迎来了一个超乎想象的春天。最能够代表牛市来临的信号，不是领跑全球的历史性涨幅，而是连你老家的大妈都准备拿出首付甚至卖房抄底了，各路股神纷纷出来指点江山了，大数据分析、人工智能选股之类的炒股秘籍也集体重现江湖了。
与“玄学炒股”和“内部消息”等方式不同，量化投资、机器模型之类的技术名词一摆出来，可信度噌地就上去了。
不过，利用人工智能模型预测股市，到底会让散户们跑赢大盘赚到怀疑人生，还是被以“技术”为名的镰刀精准收割？事情的真相恐怕与大家想象的相去甚远。
靠人工智能预测股市，方法有哪些？
首先我们先来搞搞清楚，那些所谓的人工智能预测股市，到底都应用了哪些技术。
在AI大规模应用之前，利用大数据等数字工具，结合经验甚至周易的天干地支来预测股市行情，已经是高科技的代表了。但自从2016年AlphaGo击败李世石之后，机器学习技术就取代大数据成为预测股市的最强选手。
现在，市面上有许多证券公司推出了人工智能预测股市的工具、模型，甚至基金。接下来我们就追根溯源，来聊聊这些应用型产品都是依托那些机器学习算法/模型来工作的。
1.卷积神经网络
2016年，来自斯坦福大学计算机系的Ashwin Siripurapu发表了一篇文章，《Convolutional Networks for Stock Trading》，这是首次提出使用卷积神经网络来进行股票交易预测的方法。
该方法采用标普500etf分钟级数据作为历史数据（包括交易时间、每分钟收盘价、最高价、最低价、开盘价和交易量等），然后通过历史股价波动的图片，训练出了一个卷积神经网络模型，并试图通过这个模型来预测未来股价的运行。
最后验证的结果是，使用该模型预测股价还不如瞎猜。
2. 时间序列预测
尽管前文中的初级版卷积神经网络模型的实际预测效果不尽如人意，但其提出的利用时间序列建模的想法，就成为接下来机器预测股市的常用方式。
不过，ARIMA、SARIMA等模型都需要进行大量的数据预处理（比如K线图片识别等等）才能建立预测数据集，并且常常忽视股市波动的季节周期性差异。因此，Facebook设计和开发的时间序列预测库Prophet(先知)很快就被引入了训练之中。
研究人员试图让Prophet从过去的数据中捕捉趋势和季节性。但从试验效果来看，该模型并没有达到预期的效果。
3.长短期记忆网络(LSTM)
单纯的时间序列并没有取得很好的效果，但如果机器能自己划重点呢？LSTM 算法在序列预测问题中的优秀表现，就引起了重视。主要是它们能够存储重要的既往信息，并且忽略那些不重要的信息。
从训练结果来看，LSTM模型可以对各种参数进行调优，在股市历史数据的预测匹配度上，表现果然超越了前面的所有算法。
但想通过LSTM 来预测股票价格的未来走势，不好意思它依然做不到。因为它只会认数据，看不懂那些很可能大幅度影响股价的新闻和非货币行为。
4.NLP特征提取
既然LSTM看不懂非数字的重要指征，那在此基础上让机器学会“认字”不就得了。
NLP技术能够对包括新闻、资讯、社交媒体等文字图片信息进行自动特征提取和情绪分析，有了这些数据，神经网络不就能分析基本面了吗？至此，一个简略版的机器学习股市预测模型就成型了。
简单解释一下它的基础逻辑：输入股市的历史数据和实时结构化信息，特征提取选出那些有价值的信息，再通过深度神经网络训练出基本模型，通过预训练调整参数，这样就得到一个终极预测模型，可以一次来构建选股组合。当然，在实际的训练过程中可能还需要反复调参测试。
目前市面上用来选股的主流算法，比如随机森林、朴素贝叶斯、XGBoost、Stacking等，基本都是按照这一逻辑运行的。
具体效果怎么样呢？我们不妨用一个实际案例说明一下。
2017年，EquBot LLC、ETF Managers Group共同推出了全球第一只使用机器选股的基金AI Powered Equity ETF（AIEQ.US），这只基金不仅能够拥有认知和大数据处理能力，还能够阅读大量的文本线索，比如从年报、每日新闻中显露的经济形势、趋势以及公司重大事件等信息进行分析，然后挑选出相应的投资组合。
而它的表现，用“平平无奇”来说已经很善良了。短期投资“成功”跑输大盘（上市12日的表现比标普500指数低了3个点），至于长期价值投资嘛……价值投资还得靠机器，这水平基本也就告别股市了吧？？？
为什么人工智能预测股市，总是遭遇滑铁卢？
不难看出，想要靠人工智能模型来预测股市，虽然理论上可行，但在实际操作过程中，模型们也并没有展现出比“玄学”强得多的技术。
前不久，科学家Mario Filho就将这些预测模型一锅端了。他以这些模型为基础建立了一个数据集python version of TA-LIB，用以此训练了一个新的机器学习模型，并分别在一天和三天后检验了不同模型的预测效果。
实验结果显示，这些五花八门的AI预测模型，得到的效果也是随心所欲，有的居然还“消极罢工”了。
比如“随机森林”（The Random Forest）模型，其结果无论是和零预测还是平均值都相去甚远，这意味着，它虽然从数据中学到了一些东西，但在实际的验证过程中却完全没有体现出来。
目前看来，靠机器学习模型来预测股市，现实中基本不可能不亏钱。为什么无往而不利的AI遇上股市就束手无策了呢？主要有四个方面的阻碍：
一是历史数据更新不及时。机器学习的运算处理能力和信息深度都比个人强很多，这是不争的事实。但预测行为往往涉及一系列实时的动态因素，新闻事件、经济、政治、监管、自然灾害、个人心理等等，都会对最终的结果产生影响，在高波动的市场行情下，AI也很难准确预测。
（编辑：温州站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
