A股教做人：想靠AI精准抄底，结果恐怕会让你怀疑人生

二是自然语言理解技术的限制。理想情况下，好的深度学习模型是可以从社交媒体、财经新闻、金融信号（比如黄金、外汇等）的动态变化中寻找规律、把握情绪的。但现实情况是，这些数据往往是模糊的、非结构化的，在少量数据集的前提下训练出的模型自然也就无法得到很好的分析效果。

三是数据集的本土差别太大。即使数据集足够大，但不同的资本市场数据往往有着很强的个性化模式特征，并不存在一种“放之四海而皆准”的模型，可以在任何市场、任何时间段都表现出极高的性能。

因此想要依靠AI算法来提高收益，只能进行独立探索并找出某一模型最强优势并与本土特色相结合。这就导致了另一个问题，那就是研究资源不足。

大部分预测模型都是由个人开发者或者投资组织在研究和开发，很多在NLP、深度增强学习领域技术比较强的科技算法公司，研究重心还是放在通过AI预测改革更有民生价值的领域。

比如运用算法改进工厂发电效率、智能决策(DI)检测欺诈性交易等等，谷歌甚至在临床应用深度机器学习算法进行诊断和预测死亡时间。

相比这些多赢的业务，预测股价这类技术上不成熟、业务逻辑复杂、于民生又没有太大收益的应用场景，吸引不大足够的人才和资源去攻破，自然进步有限。

总而言之，股市本质上是零和博弈游戏，最终是依靠信息的不对称，从信息匮乏的一方身上赚钱。这种情况下，人工智能作为基础的技术工具，决定了只能是锦上添花。

散户们想要将抄底赚钱的希望放在各种似是而非的智能选股模型身上，怕是要失望到怀疑人生了。

既然选股不靠谱，AI还能有点别的用吗？

既然依靠人工智能来预测股市目前还不可能，但并不代表那些荐股模型背后的技术没有用武之地。实际上，不少金融生活场景正在比股市更快地成为人工智能的“应许之地”。

比如借助金融类数据帮助实体商业项目进行风险控制。

传统模式下，银行在评估某些开发商项目时，仅仅针对开发商信用资质、还款能力等评估风险，却很难去考察项目所在区域的消费能力、经济活跃度及周边配套的发展情况，而后者才是影响项目的最大风险因子。

而借助阿里、京东、腾讯等超级平台每天产生的庞大数据，就会涉及商场、物流、理财、支付、信用等各类金融数据。在这些实时结构化数据的基础上，通过深度神经网络实现“经济体征”的全面量化，实时监测预警，就能根据具体区域经济、消费相关的发展变化，进行精准预测，避免“一叶障目”带来的资源风险。

另外，还有很多机构利用机器学习、LSTM等技术来训练模型以预防网络诈骗。

Sift Sciencee就从6000多家欺诈检测网站收集了大量数据，利用智能引擎关联了多源数据点，包括付款信息、交易频率、行为习惯等等，以此为基准采集和建立优质用户行为模型，对每笔交易进行比较和评估。

这样做的好处是，既避免了高风险控制带来的误判，防止请求失败造成用户流失，同时又能够有效地检测欺诈性交易。

上述应用更多是围绕多元结构化数据展开的，实际上，利用NLP和机器学习算法提供个性化的智能客服服务，在金融领域也越来越普及。

目前，中国的5大国有银行和12家全国性股份制商业银行已经全部上线智能客服。

而随着NLP技术的进步，智能客服也开始告别传统印象中的程式化服务，逐渐在情感分析、多轮对话等应用中发挥出不错的水平。

比如英国开发者设计的智能助手Cleo，在授予账户信息全线之后，就能够通过深度学习技术学习并适应用户的个人习惯与偏好。在对话的同时帮助用户进行理财指导和资金规划。

未来，使用AI来预测和解读市场与用户，将是金融公司的必备技能之一。不过对比机器学习在股市上的失利，以及其他场景中的可圈可点，或许我们可以得出一个基本结论：

每种机器学习算法的优缺点和应用表现各有不同，但总的来说，作为先锋技术，人工智能更应该被用在那些可用Availabl、可靠Reliable、可知Comprehensiblee、可控Controllable的地方（简称ARCC）。在这种共识之上，AI短时间内既不能让基金经理下岗，也无法帮散户们精准抄底。

或许是宿命的悖论吧：越清楚技术的能量有多大，就越无法理解人性的贪婪。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App

（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!