新闻中心讯 面对传统金融产品的投资和交易，人的精力是有限的，一方面只能有效处理有限的投资，另一方面难以形成快速的决策。但是随着端对端的深度学习模型的发展，延伸到金融领域，机器有效决策能力的提升降低了金融参与者的专业要求，大数据的蓬勃发展也使全方面理解金融数据成为可能。
日前，PG电子麻将胡了2怎样才能赢计算机科学技术学院教授张军平带领的团队和上海跃然信息技术有限公司合作开发出了一款金融AI助手，可通过人工智能和大数据实时分析监控，提供证劵投资再增值一站式服务，使得投资者的长期持仓也能获得额外收益。作为一个价格追踪型的系统，这款金融AI助手并不会直接对股市产生影响。这项曾获上海市技术转移协会最具技术交易潜力奖的成果将亮相2018中国国际工业博览会。
“小平台”背后的“大系统”：优化学习方法 提高预测能力
帮助不同层次的用户获得全方位的金融画像，对复杂金融产品进行更加直观快速的理解和判断，形成更智能、高效、个性化的投资组合，并依据市场的动态性对资产配置再平衡给用户提供建议……这款金融AI助手如何能做到这样“机智”？
张军平介绍，这款金融AI助手是由一个“大系统”和一个“小平台”组成的。系统是核心，其中包括近十年中国股市的原始数据，而系统的输出结果就是对股市走势的预测，不断提高预测能力是系统的关键所在。而平台的表现形式为一款APP，是连接客户和系统的桥梁，客户通过使用APP以利用系统的预测结果，从而对自己的投资进行调整。
“小平台”背后的“大系统”从无到有，从有到优，在一年的时间内，张军平团队搭建框架、选择模型、优化算法，最终在系统的核心部分取得了突破与创新。在研发初期，团队面临着不知道如何下手的困境，在尝试了许多模型之后，最终的效果也都不尽人意。在传统的机器学习方法和现在较为热门的深度学习方法之间，团队并没有做出取一舍一的决定。面对两种学习方法单独使用效果都不突出的情况，融合借鉴成了团队的选择。
金融AI助手系统框架图
“机器学习方法是使用算法来解析数据、从中学习，通过各种算法从数据中学习如何完成任务，然后对真实世界中的事件做出决策和预测，这种方法的特点在于大量‘数据训练’带来的有据可依，解释性较强。而深度学习方法只是在模型里进行学习，最后提取到数据中更深层次的特征，这些特征不容易被机器学习方法所发觉。这样一来，系统的预测能力就会更强，但解释性相对弱一些。”张军平说。对此，团队将两种学习方法的优势进行融合，将劣势进行弱化，通过不断的调整优化，系统的预测能力也得到了上升。
NVIDIA DGX-1深度学习超级计算机，性能相当于250台传统服务器，国内仅26台
在研发后期，交易员也参与到了系统的运行当中。张军平介绍，交易员有长期的股市经验，对股市有一些更深入的看法。这些看法作为信息，从建模的角度来看很难进行量化，所以交易员的经验就是一种有必要的补充。而对金融AI助手来说，这也是模仿学习的过程，系统模仿人的操作，从而使系统的特征抓取和预测能力都得到进一步提升。进入到正式运营阶段，交易员的角色作用逐渐被淡化。目前，系统已经实现百分百独立运行。
系统后台服务器
挑战“不确定性”：超越人所能及 提供投资参考
作为由人工智能和大数据支撑的系统，在股市市场，这款金融AI助手既有着全自动的速度，也有同时监测分析一百支股票的能力，更重要的是，在博弈过程中，系统做出的决策不会受到情绪波动的干扰，而这些特点都是人所不具有的。
该系统还可以为用户提供更加个性化的投资策略。以基金投资为例，传统的基金投资是一个面向于所有投资者的项目，但该系统可以通过“深度学习”得出更多元化的预测值，这样一来，不同周期、不同风险偏好、不同流动性偏好的投资者都能得到切合本身需求的投资策略。同时，系统可以按照不同的投资周期和不同的投资标的，从收益率和最高胜率两个方面对所有股票进行排序，为用户提供预测推荐。
AI驱动的股票交易系统
目前，该系统可以实现的相关性超过了一名资深运营经理，而预测能力高低和相关性大小密不可分。在进入实盘之前，系统进行了多次回测，即仿真测试，在过去股市真实数据上运行系统，测试系统的预测能力和盈利率。最后的测试结果证实是可以盈利的。
据悉，这款金融AI助手已成功管理中国第一只AI股票交易基金。目前有十余家私募和券商正在使用这款金融AI助手，该金融AI助手也成为UBS和高盛的组合优化器供应商，每日的成交量超过五千万，预计到年底，每日成交量可以超过十亿。
“它只是被动追踪价格，并不会主动影响股市价格，也不能实际进行投资。”商业公司是该系统的主要用户。在运营的前期，该系统通过准确的预测能力和稳定的收益率吸引用户使用，给予用户投资建议。发展到一定阶段之后，大量的用户吸附在各家机构周围，将会形成机构与机构之间博弈的局面，而制胜的秘诀就在于哪一家的算法更加精准、更加优越。“始终都是一个相互平衡的状态，是博弈的结果。”张军平解释说。
“我觉得很有意思，因为股市数据的不确定性比其他领域的数据要大，中国的股市难度则更大。而有了端对端的深度学习，对金融专业知识的要求就没那么高了，金融领域的很多内容都可以转换到深度学习的模型上去研究。”谈及研发的原因和目标，张军平表示，团队希望打造一个基于人工智能和大数据的共享平台，用户借助这个平台进行分析，作为投资参考。他同时强调：“任何一种投资都是风险与收益并存的，不可能百分百会赚钱。天下没有免费的午餐。尤其在中国股市，每一个股票交易数据的背后都有着人的参与，并非人工智能常面临的、纯粹的数据。因此，股民在选择投资产品时仍需要保持清醒和谨慎的头脑。”
（封面制图：张琦）
