讓AI代替人類炒股，多么美妙的目標。

機器學習技術能在不需要人類預先編寫規(guī)則的情況下，讓計算機從數(shù)據(jù)中尋找模式。從機器人到天氣預報，再到語言翻譯，甚至開車，這項技術驅動著多個領域的進步。

為什么不能用它來搞定金融市場呢？

這種想法，已經(jīng)引發(fā)了投資公司之間的軍備競賽，各家本來就已經(jīng)非常依賴數(shù)學的基金開始爭搶他們所能找到的頂尖計算機科學家和統(tǒng)計學家。

這項技術一開始表現(xiàn)還不錯。今年業(yè)績最好的兩家對沖基金——Quantitative Investment Management LLC和Teza Capital Management LLC今年分別上漲了68%和50%，他們都說能做出這么好的業(yè)績，機器學習功不可沒。

然而，在投資上持續(xù)全面押注機器學習的公司寥寥無幾。

對哈里托諾夫（Michael Kharitonov）來說，基于機器學習建立對沖基金不是件易事：難度是想象中的三倍，耗時是預期的三倍。

“我們基本是屢戰(zhàn)屢敗?！彼f。

哈里托諾夫是Voleon Group的聯(lián)合創(chuàng)始人，這是首批全面擁抱機器學習的投資公司之一。從他們這些年的掙扎中，可以大致理解其他公司的選擇。

將機器學習用在金融交易中，我們先要清楚：這項技術在其他領域取得的那些成就，在交易上可能并不適用。金融交易是一個更雜亂的環(huán)境，模式總是被掩蓋著。

哈里托諾夫說，他們一開始就想用機器學習做交易預測，但是“就是不管用”。

哈里托諾夫現(xiàn)年54歲，他還有一位43歲的聯(lián)合創(chuàng)始人麥考利夫（Jon McAuliffe）。他們分別是計算機和統(tǒng)計學博士，都曾在最古老、最成功的量化投資基金D.E. Shaw Group做研究員。

那個時候，今年時不時登一下首富寶座的貝佐斯還沒有創(chuàng)立亞馬遜，剛好是哈里托諾夫的上司。

哈里托諾夫和麥考利夫多年來一直堅信，他們學過的機器學習技術天生適用于投資，有著可靠的方法論指導。但他們年輕時，計算機還不夠快，可用的數(shù)據(jù)集還不夠大。

到2007年，新數(shù)據(jù)集和足夠厲害的計算機出現(xiàn)了，于是哈里托諾夫和麥考利夫創(chuàng)立了Voleon，用機器學習做投資。公司的名字沒什么特別含義，編了這么一個詞只是因為域名剛好能注冊。

在融資過程中，他們遇到了挑剔的機構投資者。

要知道，機器學習這項技術和量化交易的常用方法有一些不同，它不需要科學家提出假設、寫出算法給計算機執(zhí)行，而是由人類為自己算計提供大量數(shù)據(jù)，然后讓它自己找出模式。

實際上，就是計算機自己寫出算法，用來做預測，但問題在于，計算機不會告訴你它是怎么得出這個結果的。

市面上的那些量化基金能夠很清晰地解釋出自己的算法在做什么，但是Voleon的機器學習算法是怎么想的，只有計算機自己知道。

這種方法固有的神秘性，讓Voleon根本無法向潛在投資者解釋他們買賣股票的理由。計算機所找出的模式對人類來說太細微了，很難理解。

“很多人都完全不感興趣，但后來我們終于找到了能理解機器學習潛力的人。”哈里托諾夫說。

2008年，全球市場深陷金融危機之中時，Voleon開始了真實交易。

接下來整整兩年，這家公司都在虧錢。2009年市場回暖也無濟于事。

Voleon的創(chuàng)始團隊堅持按著原來的方向走下去，他們堅信自己在處理機器學習最難的問題之一，要想賺錢，需要先花時間打磨系統(tǒng)。

他們所面對的基本問題，是市場太混亂了。到目前為止，機器學習系統(tǒng)表現(xiàn)很好的領域都有一個共同特征：模式本質上是重復的，于是就更易于辨別，圍棋、開車都是如此。

而金融市場有更多噪聲，它持續(xù)受到新事件的影響，而這些新事件之間的關系，也總是在變化。

市場變幻莫測的本質也就意味著投資者剛剛找出昨天的關聯(lián)，想要運用它來做投資，它就消失了。在機器學習的其他應用場景里，都沒有這樣的問題。比如說用機器學習來做語音識別，人類語音的基本性質，基本是不變的。

盡管Voleon的創(chuàng)立在某種意義上講，是受到了機器學習在其他領域成功案例的激勵，但是到了2011年底，Voleon創(chuàng)始人已經(jīng)拋棄了從其他應用借來的大部分技術。取而代之的是創(chuàng)始人自己為不守規(guī)矩的市場定制的系統(tǒng)。

麥考利夫整潔的辦公室里，書架上放著《大樣本理論要素》、《BDA3》等書籍。哈里托諾夫的辦公室里裝滿了他拆開的電路板，以及好多堆滿紙的箱子。

他們面臨的一個挑戰(zhàn)是，需要使用每秒股票的價格變化，來運行15年的股市模擬。這涉及太字節(jié)的數(shù)據(jù)。Voleon需要在幾個小時內模擬完畢，但他們耗時數(shù)天甚至數(shù)周。

那時候，整個公司有10到12個人。這個團隊嘗試購買更多的計算力，使用為電腦游戲打造的GPU。但仍然耗時太長。

麥考利夫在辦公室里痛苦的度過了好幾個月。最終，他攻克了這個問題。2012年7月，Voleon推出第二代平臺。

哈里托諾夫說，蠻力的方法沒用，標準技術也沒用。

他們的新交易系統(tǒng)帶來了更多的利潤，以及更多投資者的興趣。據(jù)一位投資者透露，在旗艦基金2011年出現(xiàn)小幅回升后，Voleon 2012年的業(yè)績是34.9%，2013年是46.3%。

然而，兩年之后，Voleon去年遭遇滑鐵盧，虧損超過9%。這也引起了部分投資者的擔心。

“沒什么比回撤更引人深思”，哈里托諾夫說：“去年我們學到了很多”。

今年比去年好。截止今年10月，這家管理著18億美元資金的公司，其旗艦基金上漲約4.5%。自成立以來，其年化收益率大約是10.5%。

業(yè)績波動、策略復雜……并沒有阻止Voleon的發(fā)展。這家基金正在擴大投資目標，投資標的不僅限于美國和歐洲的股市，還包括加州大學伯克利分校附近的一座樓。

在機器學習技術的幫助下，Voleon每天交易價值超過10億美元的股票。在這個過程中，他們對買入或者賣出一只股票的原因，沒有絲毫興趣。

哈里托諾夫說，機器學習系統(tǒng)越是具有預測性，人們就越難理解它要做什么。有理論認為人類思維主要用于處理三個維度的情景，數(shù)十個乃至數(shù)百個維度的任務則是機器學習系統(tǒng)擅長的領域。這些維度之間的關系，往往是非線性的。

“這并不意味著我們不會考慮發(fā)生了什么”，麥考利夫說，Voleon的研究人員會設計“擾動”，來研究各種輸入在預測系統(tǒng)中的權重，以及解決過擬合等問題。

Voleon的電腦不僅在財務信息中尋找關系，而且在非財務數(shù)據(jù)中尋找關系。其中包括衛(wèi)星圖像、航運艙單、信用卡收據(jù)、社交媒體情緒等等。這些目標數(shù)據(jù)，可以幫助尋找某個行業(yè)的健康狀況或者商品供應的變化。

顯然，沒有人會透露自己使用了哪種數(shù)據(jù)，如何進行的評估。Voleon也是一樣，謹慎的保護著自己的技術和策略隱私。

這個“神秘”的機制讓投資者不安，哈里托諾夫理解這種感受，不過他堅信：電腦犯錯的情況要比人類少得多。

“機器學習在財務預測領域的應用還在早期階段”，他說：“一切才剛剛開始”。