如今，人工智能和深度学习不再是一门“高冷”的科学技术。可以说，我们每个普通人都已经被渐渐包围而混然不觉。
尤其在金融投资的实战领域，硝烟已然开始弥漫。
也从AlphaGo说起
众所周知，2017年在人工智能的研究领域，发生了两件大事。
先是在5月27日，2017人机大战三番棋第三局结束，人类围棋排名第一人柯洁执白209手中盘负于谷歌开放的AlphaGo，人机大战2.0的结局被定格在了0:3。
接着于10月19日凌晨，在国际学术期刊《自然》（Nature）上发表的一篇研究论文中，谷歌下属公司Deepmind报告新版程序AlphaGo Zero：从空白状态学起，在无任何人类输入的条件下，它能够神速自学围棋并达到顶级境界——经过3天的训练便以100:0的战绩击败了它的哥哥AlphoGo Lee，经过40天的训练便击败了它的另一个哥哥AlphoGo Master。AlphaGo Zero的取名正暗合中国武侠之最高境界“手中无剑，心中也无剑”。
机器学习是个啥
机器学习（Machine Learning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。
那么，机器能否像人类一样能具有学习能力呢？
1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序终结了美国一个保持8年之久的冠军常胜记录。
机器学习的核心原理是特征提取。即从开始的通过传感器（例如CMOS）来获得数据。然后经过预处理、特征提取、特征选择，再到推理、预测或者识别。
深度学习之起源：神经网络
目前很火的深度学习（deep Learning）的鼻祖为神经网络。1958年，David Hubel和Torsten Wiesel在JohnHopkins University，研究瞳孔区域与大脑皮层神经元的对应关系。
之所以做这个试验，目的是想证明一个猜测：位于后脑皮层的不同视觉神经元，与瞳孔所受刺激之间，存在某种对应关系。从原始信号摄入开始（瞳孔摄入像素），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定眼前物体的形状，比如是“圆形”），然后进一步抽象（大脑进一步判定该物体的分类，比如是“气球”）。
深度学习自动选择原始数据的特征，通过多层迭代不断具化数据特征。苹果公司最新发布的iphone X手机去掉了指纹识别，而采用了人脸识别开机技术。据苹果官方说，iPhone X可以“在一百万张脸中识别出你的脸”，还可以通过人脸识别解锁手机，新技术的错误率为百万分之一。
此技术的原理正是将像素值矩阵输入深度网络，网络第一层表征物体的位置、边缘、亮度等初级视觉信息。第二层将边缘整合表征物体的轮廓……之后的层会表征更加抽象的信息，如人脸这样的抽象概念。这种随着层的深入，从具象到抽象的层级式表征跟大脑的工作原理吻合，视网膜接收图像从LGN到视皮层、颞叶皮层再到海马走的是同样的路数。
人工神经网络在20世纪80年代成为人工智能领域的研究热点。大岩资本汪义平博士也正是在那个年代，听了人工智能先驱赫伯特•西蒙(Herbert A.Simon)认知心理学的课程，开始进入神经网络研究领域。
神经网络近年来的快速发展离不开一个感人的故事。2003年，经费短缺的Geoffrey Hinton还在多伦多大学苦苦坚守在神经网络研究领域。当时，以Hinton为首的十五名来自各地不同专业的科学家因为研究经费紧张，向加拿大先进研究院(Canadan Institue oF Advanced Research,简称CIFAR)的基金管理负责人Silverman申请研究经费。Silverman问为何要支持他们时，科研团队回复：“因为我们有点古怪。如果CIFAR基金要跳出自己的舒适区，寻找一个高风险，极具探索性的团体，就应当选择资助我们。”最终CIFAR同意资助这个团体十年，总额1000万加元。CIFAR成为当时世界上唯一支持神经网络研究的机构。
Hinton得到资金支持不久所做的第一件事，就是先换个牌坊，将“神经网络”改名“深度学习（Deep Learning）”。当年一个快60多岁的教授，搞了三十多年“没有前途”的研究,还要绞尽脑汁四处化缘申请研究经费。这种凄苦和当前人工智能的火热相比，不得不让我们对当初的学者肃然起敬。
深度学习之应用：我们已被包围
如今，深度学习不再是一门“高冷”的科学技术。可以说，我们每个普通人都已经被渐渐包围而混然不觉。下面这张图显示，目前深度学习的应用已经涉及到很多领域：
以语音识别为例，科学家发现语音存在有规律的识别特征。他们从未标注的声音中发现了20种基本的声音结构，其余的声音可以由这20种基本结构合成。
根据这些语音识别特征，就可以做声音的特征提取和进一步处理了。近期电视节目《最强大脑》用到的人工智能模拟流行歌手唱歌，就用到了相关的技术。
其它应用方面，比如计算机现在可以辨识图片和视频里的东西都是什么；可以将语音转化成为文字；可以同声传译；可以预测农田作物产量；还能更加精准地诊断癌症。
金融市场人工智能展望
其实，“神经网络”这个概念自上个世纪60年代就已经出现了，只是因为最近在大数据、计算机性能上面出现的飞跃，使得它真正变得有用起来。
2017年10月，全球首只人工智能ETF（AI Powered Equity ETF）上市交易，该ETF利用IBM Watson超级计算机进行大数据处理，并分析美国境内投资机会，对股票投资进行主动管理。ETF利用人工智能和机器学习，对全美6000多家上市公司进行分析，构建上百万份资料和众多金融模型，从当前经济形势、未来趋势以及公司重大事件等方面进行深度分析后，再挑选出几十只股票的投资组合。
金融市场千变万化，参数之多难穷其尽，人工智能虽崭露头角却仍然任重而道远，但是人工智能地位日益“做大”的趋势不会改变。可以预见的是，也许在不久的将来，市场上大部分业绩优异的基金背后其实是人工智能的机器人在管理。
目前先见先行的金融资产管理公司已经十分重视在人工智能领域的团队建设，比如大岩资本，毕业于哥伦比亚大学的投资经理黄铂，其运筹学博士期间的研究方向就是大规模机器学习和最优化算法，在机器学习顶级会议ICML和应用数学期刊SIAM发表过相关论文。而同期加盟的其他投研同事，比如庄明洲，也在机器学习方面有一定专长。
人工智能在金融领域“科学投资”方面的应用需要把人类智能与机器智能进行有效的整合。大岩资本投研团队在理论和实践上，特别是在中国的金融市场里，也正在积极探索人类智能和机器智能的真谛，在为投资者谋利益的同时，也希望给金融市场的生态优化作出应有的贡献。
如果您想了解大岩资本更多资讯，敬请关注：大岩资本官方网站http://www.jaspercapital.com
深圳市福田区益田路5033号平安金融中心88层01单元
上海市浦东新区陆家嘴街道富城路99号 （震旦国际大楼）27层
香港中环德辅道中188号金龙中心17楼1701室
