一、什么是AlphaGo

　　阿尔法围棋(AlphaGo)是一款围棋人工智能程序，由位于英国伦敦的谷歌(Google)旗下DeepMind公司的戴维·西尔弗、艾佳·黄和杰米斯·哈萨比斯与他们的团队开发，这个程序利用“价值网络”去计算局面，用“策略网络”去选择下子。

　　2015年10月阿尔法围棋以5：0完胜欧洲围棋冠军、职业二段选手樊麾;2016年3月9日，AlphaGo对战围棋冠军李世石，最终李世石投子认输;3月10日，“围棋人机大战”第二局在韩国首尔的四季酒店开赛，结果阿尔法电脑执黑战胜李世石，五番棋2-0领先;3月12日，阿尔法电脑执白再次战胜李世石，五番棋3-0领先;3月13日，李世石战胜阿尔法电脑，比分扳成1-3;3月15日，AlphaGo战胜李世石，总比分定格在1比4;2016年3月，阿尔法围棋分数为3586，排名世界第二;2016年7月18日，GoRatings公布了世界围棋排名，阿尔法围棋排名第1;2016年7月23日，GoRatings公布了围棋世界职业棋手排名，AlphaGo以3606分排名第二。

　　二、 AlphaGo工作原理

　　阿尔法围棋(AlphaGo)的主要工作原理是“深度学习”。“深度学习”是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。

　　三、AlphaGo在金融界的发展

　　投资界有关智能投顾的讨论越来越多，华尔街产生一股“机器人投顾”热，这股浪潮来自硅谷的Fintech企业。事实上，在中国人工智能与资本投资相结合的初期应用已经出现一段时间了，那就是“金融科技”。经过16年A股市场的血雨腥风，金融科技再次脱颖而出，整体表现优异，多数产品跑赢大盘。

　　在过去三年里，风投面向消费者的金融技术投入了超过10亿美元的资金，而机器人顾问吸引了其中大量的份额。

　　在当前的经济形势下。很多人不喜欢全球化，而我个人认为，全球化对世界是极好的事情。唯一的问题在于，如何对全球化加以改善，让更多的小企业和更多的年轻人参与进来。如果我们能采取新机制或新技术，让10亿人、20亿人甚至30亿人做贸易，会是怎样的情况?提出e-WTP(世界电子贸易平台)的设想，让小企业、年轻人在全世界自由、开放和公平地做贸易。

　　机器人顾问所管理的资产从2012年零点，激增到2014年底的140亿美元。报告预测，在未来十年时间里，机器人顾问管理下的资产将会呈现出爆发增长的势头，有望达到5万亿美元。

　　四、AlphaGo与金融科技

　　金融科技，也称为程序化交易或者量化投资，可以理解为人工智能在证券投资领域的一个子分支，或者其技术在证券投资领域的具体应用。量化投资是区别于定性投资的一种形式，关键点就在于策略模型的大量使用，即利用现代统计学、数学方法，借助计算机处理海量数据和信息，并严格按照机器所构建的数量化模型来指导投资决策，以获得稳健的持续的投资收益，与AlphaGo有异曲同工之处。

　　一般来说，公募基金或大型私募的量化投资部由两部分组成，一部分是投研团队，另一部分是IT团队，投研团队提出需求，IT团队做出算法交易的模块，解决基金经理们的需求。1.0时代主要依靠“主信号+约束条件”的办法。2.0时代包含信号研发、信号组合与模型构建、风险模型、组合管理等等。现阶段量化投资策略开发方式为：研究组或者交易组提出思路→研究组论证，提出基本模型→模型拟合估计→回溯检验→小规模测试→实盘投资。

　　其好处在于可以克服人性，做决策时不会像人类一样受情绪和心理因素的干扰。可同时运用多个策略模型，对全市场各种信息进行实时监控，一旦出现合适的机会，能瞬间下达交易指令。

　　比如CTA基金的趋向性跟踪指标，其调整多空头寸的临界点是由特定计算机算法规则的，并且嗅觉灵敏，能在第一时间改变阵营，下手迅速，更善于承担人类不喜欢的空头角色。一般这类品种是通过量化手段不断交易，反复进行大概率获得正收益的策略，会设置最大回撤值，一旦到“止损线”就立刻止损，因此风险并不会太高。

　　再或者相对价值策略中，金融科技的程序能短时间内根据估值模型，发现海量相关联证券中存在的的价值误差，需找到套利机会。当判断一种证券的价值被高估，一种证券的价值被低估的时候，通过买入低估的证券，同时卖空高估的证券直至二者的价格趋于收敛而平仓，从而获取微小的价差收益。这类产品不会瞬间赚取大钱，熊市中这种策略对于投资者的吸引力比较大，相对比较符合稳健型投资者的需求，也是组合投资中较好的一环。

　　此外，还有人类无法胜任的高频交易，几秒一次交易，甚至超高频的一秒内数次。

　　然而，量化投资本身也存在着一定的缺陷，存在过度拟合的问题：所谓过度拟合，指的就是程序化交易中，对于样本数据描述的准确度很高，而对于样本外数据描述的准确度却很差。导致历史回测完美，而在实盘中失效。有时还可能导致黑天鹅事件，数据模型主要是根据历史数据来构建的，所以它吸收新信息的能力比较缓慢和迟钝，一旦外部环境发生变化或者发生某些重大事件，如基本面上的变化等，有效性就会大大受到影响。

　　如果将大量的数据放入AlphaGo 中的核心的“深度神经网络算法(DNN算法)”，那就可以自动提取一些相关性，同时匹配结果。理论上可以弥补研究人员建立模型时，容易忽略一些变量，导致模型失效的问题，以及解决了回归分析中会产生的过度拟合。

　　人类可以充分利用这个工具，充当一个掌舵手，通过前瞻性和对市场非理性机会的把握，对重大政治事件背后的洞察力，来对策略进行调整，保证时效性，构建稳健的投资策略。

图片来源：找项目网