今天，人类已经掌握了太空旅行技术。智能电脑HAL9000主导了对木星的探险，以发现宇宙的奥秘。科幻经典《2001:太空奥德赛》中，Arthur C Clarke和Stanley Kubrick对未来的设想并不在这里，但也比较接近。人工智能（AI），对人类行为进行模拟计算，已经成为我们日常生活的一部分。它成就了谷歌的搜索算法、Facebook的朋友推荐和苹果的Siri应用程序。同时，我们也能在医学诊断程序、飞机着陆系统和无人驾驶汽车中发现它的存在。

一些对冲基金甚至使用人工智能系统来管理投资组合。总部位于纽约的Rebellion Research在2007年推出了第一个纯人工智能（AI）投资基金。该公司的交易系统是基于贝叶斯机器学习，结合预测算法，响应新的信息和历史经验从而不断演化。Rebellion的系统，七年前由一群20来岁的工程、数学和计算机科学专业毕业生所创建，有效地通过自学习完成全球44个国家在股票、债券、大宗商品和外汇上的交易。

“我们给了系统20年的全球经济和市场数据——现代金融的历史，让它找出不同因素是如何影响各资产类别、行业和地区的价格的。”Rebellion的首席投资官和风控总监Alexander Fleiss说。“它并不是按照程序遵循任何特定的交易策略或规则。我们没有告诉它去寻找动量或相对价值。系统自动识别这些概念，并在特定市场状况下将这些概念同性能绩效联系起来。”

Rebellion是少数利用人工智能技术进行交易为主的新设对冲基金之一。总部位于旧金山的Cerebellum Capital以及爱丁堡的Level E Capital自2009年以来一直运行着他们基于机器学习的交易程序。同时，来自伦敦的CastiliumCapital在今年早些时候发行了一个人工智能（AI）对冲基金。一些知名的对冲基金也不同程度地采用了这种技术。据知情人士透露，DE Shaw和文艺复兴一直在使用人工智能技术来提高他们的投资和风险模型。

世界上最大的对冲基金BridgewaterAssociates，也在2013年赶上了人工智能（AI）潮流，雇佣了开发人工智能引擎沃森的IBM研发团队首席工程师David Ferrucci。2011年，沃森在美国游戏节目Jeopardy 中击败两位前冠军，Ferrucci一举成名。

尽管在早期持有一定的怀疑态度，对冲基金投资者们似乎开始接受基于人工智能（AI）的量化投资策略。对冲基金中的基金（FoHF）管理人Paamco评估了一些新兴基金经理们，他们均利用各种形式的人工智能作为他们投资过程的一部分。一家专注于量化策略的伦敦公司副总裁James Jarvis认为这一技术在金融领域将非常有用。他说，“所有量化投资者面对的一个常见问题是，如何构建出能在不同市场机制下适用的模型，如何应对波动率、相关性和离散度的变化。人工智能技术能够解决部分问题，可能利用组合分配系统，自适应地在不同的市场和交易模型之间动态调配资金。”

2012年2月,爱丁堡SVM资产管理公司的Colin McLean对Level E Capital的玛雅市场中性基金进行了重大投资。玛雅市场中性基金利用机器学习技术对股票市场的价格行为进行建模。尽管该基金8月份被清算，Level E的旗舰基金，1500万美元的股票多空玛雅基金继续接收到来自三个Baillie Gifford投资信托的种子投资。Level E正在发行一个玛雅可转让证券集合投资计划（Ucits），欲取代目前专业投资基金的结构工具。

FRM，MAN Group的FoHF部门，对CommEq进行了一笔规模大约在2500万美元的种子投资。CommEq是今年6月份在伦敦新设的一家基于人工智能（AI）的对冲基金。CommEq的投资方法结合了定量模型与自然语言处理(NLP)，使计算机能够如人类一样通过推断和逻辑演绎理解不完整和非结构化的信息。自然语言处理（NLP）一般出现在语音识别程序,如苹果的Siri,可以用来从一切信息来源中提取数据，如新闻报道、博客、推特和贝南克的讲话等。

从事人工智能的众人认为，在大数据时代，自然语言处理（NLP）和机器学习技术是定量金融中一个至关重要的元素，在这里，信息是以拍字节（petabytes）来度量，计算能力几乎是无限的。

Patric de Gentile-Williams，FRM对冲基金种子业务在伦敦的负责人，看到了这一观点中的一些事实。他说，“人工智能（AI）和高级机器学习技术在投资领域有一些非常有趣的应用。在这个互联网时代，我们获得的数据远远超过了人类可能的处理能力。要在这个巨大的信息海洋中分析和识别模式，唯一的方法，就是使用机器学习工具和技术。这是一条发展更优的投资策略的路径。”

机器学习这一术语被用于描述计算机程序,从数据中学习，并根据信息的变化调整它们的行为。自然语言处理（NLP）系统使用机器学习进行识别，并根据人们使用语言的方式适应变化。同样的技术被用来创建算法，学习并根据市场和整个经济体的信息进行适应。

“贝叶斯机器学习具有自适应的能力，”Rebellion的Fleiss说，“一旦接收到新的信息，我们的算法将无缝地执行重新校准的工作。预测技术和交易策略会不断地根据数据的变化和历史结果进行升级。”例如，他说，Rebellion的系统学习到，在过去18个月，大宗商品和外汇市场周期变短了。“外汇交易的平均持仓周期已经从2007年的6到9个月缩短到如今的不到3个月。”

这种动态应对市场变化的能力，使得人工智能（AI）系统优于传统的量化方法。因为传统的量化方法，通常是严格应用事先设定好的策略，而不管当时的市场环境如何。“传统量化系统是基于现有的相关性将无限持续下去的假设。这是造成过去出现问题的原因所在。人工智能（AI）系统的优势在于，它没有暗含某种相关性假设，而是随着旧的关系衰减以及新的关系的出现而不断地进化。” GuyMitchinson说。他是伦敦一家使用人工智能（AI）进行投资管理的对冲基金CastiliumCapital的联合创始人和合伙人。

但是，一些老的金融行家并没有因为人工智能（AI）的各种宣传而进行投资。

Emanuel Derman，PrismaCapital Partners纽约风险管理联席主管，认为从目前对机器学习和自然语言处理（NLP）的应用形式来看，本质上是一个数据挖掘的过程。他说，“人工智能（AI）在医学流行病学和网购方面具有非常好的应用，但是对于发现事物的本质，特别是在金融市场上，我并没有很深的印象。如果你看看自然语言处理（NLP）用于翻译服务的方式，它确实有用，但是结果同人类演讲并无相似之处。它仍然需要人类思维去真正理解一篇文章是什么意思，并翻译成另一种语言。我认为对于市场信息也是同样如此。”

Ben Appen，MagnitudeCapital首席执行官，也同样对机器学习系统持怀疑态度。他说，“很难从原始财务数据中识别出有意义的规则并构建定量模型。” Appen对于定量金融和技术的交叉有一个独特的视角。在创立Magnitude之前，他在量化对冲基金DE Shaw工作了7年。在这之间，他成立了一家叫做Alkindi的科技公司，开发了一种基于N维聚类算法的协同过滤应用程序，对电影进行推荐。Alkindi系统基于人们的共同兴趣进行预测，类似于Netflix算法。这个听起来简单，但是严格实施起来完全超出人类大脑的能力。我们可以映射二维空间中两个变量之间的简单关系。引入第三个元素，每一部分成为云或聚类在一个三维空间。但是添加第四个维度，我们不再能想象，因为我们不能看到在思维空间的关系。“如果再添加更多的关系,就无法计算了(对人类),但聚类在计算上是可能的,”Appen说。这类似于机器学习的工作方式:寻找模式,并在有更多的可用信息时改变输出。但这种形式的数据挖掘“并不是真正的人工智能”,Appen说。“系统不是独立于数据来构建规则的。规则是预先确定的。”

数据挖掘工具可以帮助宽客们在金融市场找到更多微妙的模式,但Appen不相信它可以从根本上改变人们去建立模型的方式。

“人工智能还没有广泛应用的原因是由于我们对金融的规则还太弱。这就是为什么经济学家和金融教授无法预测最近一次危机。存在这样的情况,市场发生的事情并没有体现在数据中，”他说。“如果你有一个系统，规则是由原始数据驱动的，它会浪费时间追求一些并不存在的事情，它也不会提醒你可能的一些问题。利用数学和计算机在市场上赚钱，更富有成效的方式通常是在基本原则的基础上识别可能为真的规则,然后使用机器利用这种行为。”

人工智能（AI）最著名的例子——IBM的深蓝和沃森电脑，演示了这种技术的功能,以及它的局限性。电脑在下棋和冒险（Jeopardy）中击败了人类，但没有人建立一台玩扑克游戏的机器，扑克游戏被很多人认为与交易的艺术更相似。主要的担忧是，人工智能容易陷入“过度拟合”的问题，在这种情况下，模型遭遇巧合或虚假相关性。

数据挖掘可以产生各种荒谬的市场指标，尽管统计上是显著的。最好的例子是所谓的“孟加拉国黄油”理论。早在1990年代，金融和计算机专家David Leinweber，后来是对冲基金First Quadrant的董事总经理，发现孟加拉国生产的黄油，加上美国生产的奶酪以及孟加拉国羊的数量与标准普尔500指数自1983年开始的10年时间内均具有99%以上的统计相关性。1993年之后，这种关系莫名其妙的破裂。

问题在于自学习的机器是否可以学会区分重要的相关性和这种类型的噪音？Cerebellum Capital的联合创始人,机器学习专家David Andre负责管理基于人工智能（AI）的接近900亿美元的对冲基金策略，他承认这个确实是人工智能系统所面临的主要挑战之一。他说，“电脑非常擅长执行既定的规则，但是对于识别被训练数据之外事物的相关性和显著性非常不善长。”

2008年，Andre与另一位人工智能方面的专家Astro Teller，目前是谷歌负责新项目的主管，以及企业家GeorgeMueller和他的兄弟Gary，一家美国媒体公司机构投资者的首席执行官，共同创办了Cerebellum。Cerebellum的人工智能（AI）系统能够度量策略的过度拟合程度，但它并非尽善尽美。因此，公司引入了Andre所说的“人与机器的混合过程”。他说，2009年，机器学习系统“偶然发现了一个套利机会”，由此形成了该公司主要对冲基金的基础。“机器发现了一些东西，但确实是观察系统的人看到它的重要性，并指出如何利用这种异常。”

Cerebellum最初给予系统大量的回旋余地来定义自己的规则和定义，但是Andre已经决定减少机器的自主水平。他说，“我们定义了很多的因子和风险敞口——特别是那些我们不愿暴露的，然后机器搜索在这些参数下的最佳策略。”有一些人工智能领域的人也认为机器学习不适合金融。关于web搜索或医疗诊断的技术不太可能在金融市场有用，伦敦Castilium公司联合创始人兼高级投资组合经理Alicia Vidler说。他说，“在医学届，症状是疾病一个函数。在金融市场,同样的起因可以有多个不同的效果。你不能把一个通用的机器学习系统,应用于资产管理。市场是极其复杂的。”

Castilium成立于2012年，由前美林自营交易员Vidler，连同前德意志银行衍生品专家Guy Mitchinson以及花旗集团前董事长兼首席执行官和麻省理工学院教授Arnold Amstutz一起创建。该公司使用一种不同类型的人工智能，被称为“专家系统”，算法是基于Amstutz于1990年代末和2000年代初在RiskMetrics和花旗集团(Citigroup) 时的研究工作。根据Vidler介绍，其目的是利用一个计算机系统，复制分析师、交易员和风险经理们的推理和决策过程，而不是简单地使用电脑搜索模式。

类似Castilium的专家系统，更接近人们通常认为的人工智能，像人类一样思考的机器。程序本质上包括一系列从人类专家提取出来的“如果”规则和决策树。多年来，Amstutz就决策过程采访了大量交易员和基金经理，并将它们纳入算法中。

“专家系统都是基于具体的环境和目的来构建的。从本质上讲，你选取了某一领域的一个专家（或一组专家），复制他们的决策过程并嵌入一个健壮的和可重复的计算框架。”Mitchinson说。据Vidler介绍，这种方法既费时又费力,但它相对机器学习有些优点。他说，“机器学习系统可以找到各种各样的模式。专家系统可以给你一个连贯的决定,(这是)也很透明,容易处理。组合经理应该能够直观地理解和解释每一个决定。”

人工智能仍然是一个新兴技术,它带有明显的警告。但这并不是说它在定量金融中没有可用的应用，Vidler说。首先，它使创建模型的过程更快更便宜。“通常，您构建一个模型，然后花很多时间测试和调整。现在所有的调整可以通过计算机完成。”他说。这可能会使它更可行的运行某些之前被认为是过于昂贵的策略。

他对此与亚马逊销售书的方法做了比较。由于有限的货架空间，实体书店必须专注于销售少量的高利润书籍。亚马逊，拥有无限的货架空间、低成本和预测分析能力，使得它可以从晦涩难懂的书籍中获得的利润是实体书店所无法比拟的。同样，量化基金常常忽略低效的策略与“长尾”，因为回报可能不够覆盖一个建立和维护模型的量化人员的成本。“如果我们可以使用人工智能更便宜地找到并实现这些策略，我们就可以去追求长尾。”Andre说。

甚至人工智能（AI）的怀疑者也认为，从长远来看，这种技术是具有潜在用途的。Prisma的Derman说，一个可能的应用是对金融市场的群体行为和蔓延风险进行建模。他说，“大数据技术使得对市场参与者之间的交互进行建模变为可能，包括银行、对冲基金和中央银行之间的反馈回路。”“市场最大的风险来自于群体行为，当一个群体影响到另一个群体，然后每个人都冲进来进行相同的操作。”他给出了一个1980年代投资组合保险的例子，它对于每一个独立的人来说都是有意义的，但是当每一个都投入进来时，灾难就出现了。

将人工智能应用于投资的基金说他们看到了可喜的成果。Rebellion的人工智能程序预测了2008年的股市崩盘，并在2009年9月对希腊债券给出“F”评级，当时惠誉的评级仍然为“A”，比官方正式降级整整提前了一个月。该公司的股票策略自2007年以来平均每年相对标普500指数增强7%。一只2012年1月向投资者开放的绝对回报基金，已经获得年化6%的收益，夏普比率接近3。Cerebellum自2009年以来运作的市场中性股票基金没有一个月份是亏损的。截至记者发稿时，Level E的创始人兼首席执行官Sonia Schulenburg说，该公司的旗舰基金在4月1日至11月30日获得费后净回报率5.57%，同期富时100指数涨幅为3.9%。

人工智能（AI）公司说，他们对技术一直进行着相当严格的控制。在Rebellion，所有由人工智能系统生成的交易信号都会经过公司员工的审查和批准。“系统不会自己交易，它可以，但是我们选择还是应该有人来监管这一切。”Fleiss说。Cerebellum的Andre说，重要的是需要认识到，有些情况是机器解决不了的。他说，“我们经常会问的问题是，这个模型是否有足够的训练数据来找出可能发生的各种情况。”他举了一些例子，比如重大恐怖袭击或重要的监管变革，如卖空禁令。“在这些类型的情况下，我们会选择持有现金，让人来对风险进行管理，而不是让机器在未测试过的环境下进行自我导航。”Castilium的Vidler同意这个观点。“人工风险管理经理能够介入并在出现类似恐怖主义行为时去除组合系统风险。”

看过《2001:太空奥德赛》的人都会同意，最好谨慎行事。在电影中，当面临冲突的命令时，被要求在完成命令的同时保持其隐藏的本质，计算机HAL试图杀死船员。计算机科学家必须确保他们的系统能够比AHL能更好的做出判断，才能让它充分自由的在市场中发挥其能力。