2021年3月底，中概股遭遇血洗，多个股票暴跌，腾讯音乐大跌34%，爱奇艺大跌40%，百度大跌22%。

许多机构和个人损失惨重，其中损失最大的是一名韩国人叫做Bill Hwang，几天的时间150亿美元的资金被强制平仓。

Bill从2012年开始，以2亿美元的资金起家，用了八年的时间扩张到150亿美元，这主要归功于他激进的杠杆操作。当然成也萧何，败也萧何，一夜之间，血本无归。

金融市场上的决策是世上最复杂的决策之一，市场的不确定性、人性的影响、政府的干预，众多不可控因素叠加在一起，对未来的预测显得不可能。

那么是否可以诉诸于人工智能，从数据中学习到规律，提高收益的同时控制风险？

人工智能可以代替我们做出选择吗？

桥水基金创始人达利欧，操盘着世界上最大的对冲基金并取得不菲的成绩，该基金收益长期雄踞全球第一。他在书《原则》中说到，

把你的决策原则转化成算法，让计算机和你一起决策。

因为情感和人性的因素，对人类来说，保持决策质量的稳定性是非常难的，很容易受市场波动和情绪的影响。如果我们能够将决策的依据和过程系统化、程序化，基于程序的稳定性，来保持决策的质量，同时也大大提高了决策的效率。

达利欧的方法是，把人类思考的过程总结为原则，再转化为计算机语言，借助于计算机和算法的力量，提高决策的稳定性和效率。

这种计算机辅助决策系统称为 专家系统。

专家系统依赖于人类总结出来的规则，这种决策本质上还是人类决策，只不过翻译为机器语言并执行。而真正的人工智能，是使用算法模型基于提供的数据自动寻找处规律，从而指导后面的决策。

随着人工智能技术的发展，基于大数据的智能决策也相继出现。比较著名的是谷歌开发的机器人AlphaGo击败人类顶尖职业围棋棋手李世石和柯洁，对人类取得胜利。

围棋之外的决策领域，人工智能是否可以替代人工？

我们先了解下人工智能和人类智能的特点：

人类智能的优势在于经验和创造，人工智能的优势在于客观且强大。人工智能可以从巨量的数据中学习深层次、非线性的规律，因此在复杂的问题上（例如围棋），人工智能的学习能力是远远高于人类的。

现阶段人工智能也有自己的问题，主要表现在解释性差以及对数据的依赖。

当今流行使用的人工智能算法主要是深度神经网络，该网络层次深、参数多，通常作为黑盒进行训练和推断，因此很难给出结果的直接解释。虽然近期有很多研究尝试去解释这些网络，但大多是从结果进行假设和分析，很难给出确切的关系。

算法模型的弱解释性，使得业务专家在应用人工智能的时候比较谨慎。由于获取不到人工智能做出决策的逻辑依据，他们无法据此判断决策结果的合理性和可靠性，传统专家们面对黑盒产生的结果往往没有安全感。

人工智能另外一个特性，就是强依赖于数据的规模和质量。在算法领域有句话，“Garbage In，Garbage Out”（输入垃圾数据，产出垃圾结果）， 无论模型如何复杂和炫酷，如果输入的数据有问题的话，输出的结果就有问题，自然就不可信。

在围棋的例子中，围棋的规则是确定的，人工智能可以根据规则利用对抗网络生成大规模的训练数据。而在实际应用中，数据往往是需要采集的，而采集的数据往往存在各种问题，如果不合理对待和处理，则会导致人工智能无法学习到正确的知识，从而陷入数据陷阱。

人工智能的数据陷阱

数据规模

越复杂的算法模型需要的数据量的越大，这也依赖于问题的复杂度，这就是为什么人工智能蓬勃发展在大数据的时代。数据的采集和积累为人工智能提供了必要条件。

在数据相对稀疏和匮乏的领域，人工智能发挥的空间就比较有限，因为有限的数据导致复杂模型丧失有效的泛化能力。

数据充分

数据充分是指人工智能学习的数据必须包含模型做出决策的充分信息。现阶段，视觉领域的效果已经接近甚至超过人类，像人脸识别、自动驾驶已经进入商用阶段。

同样是人工智能，语言智能的效果还差很多，虽然对话机器人Siri可以模仿人类进行对话，但主要还集中在任务处理和简单会话，与真实人类相比还相去甚远。

其主要原因之一就是视觉领域的训练数据（图片）包含了做出决策的核心信息，我们基于一张图片就是可以识别出图片的内容，而不需要额外的信息，但是语言领域的训练数据（语言文本），没有充分包含语言背后所支撑的人类知识，导致深度的语义理解水平与人类还有一定差距。当然算法专家们也在努力，主要的两个解决方向是大规模的预训练模型和知识图谱。

在预测股市涨跌的场景中，如果仅仅根据历史股价作出判断，而不考虑其他的重要信息，即使使用复杂的模型，效果也不会很理想。

数据有偏

数据有偏是常常被忽略的数据陷阱，因为它更加的隐蔽。用来训练算法的数据和真实的数据存在分布不一致的情况，如果没有通过统计学方法来合理的纠正，模型则会学习到错误的“知识”，在实际应用中的效果会远低于预期和测试的效果。

后记

人工智能的技术还未完全成熟，与广泛的应用还有一段距离。

与完全依赖或者完全不信任人工智能的态度相比，更重要的是，了解当前人工智能的边界，根据具体问题和数据特点，判断在什么条件下可以使用人工智能，从而将人工智能和人类智能结合在一起，以及如何更好地提升智能化来服务于人类。