证通电子股票(35美金)35美金
作者：割麦子
1
先让我再一次引证恩格斯这段闻名的“合力论”——
“……有很多彼此交织的力气，有很多个力的平行四边形，而由此就产生出一个合力，即前史事故，这个效果又能够看作一个作为全体的、不自觉地和不自主地起着效果的力气的产品。由于任何一个人的期望都会遭到任何另一个人的阻碍，而终究呈现的效果便是谁都没有期望过的事物……”
我在一篇文章里写过，战役与革新都是这种“谁都没有期望过的事物”。现在这篇触及出资、数学、人工智能、机器学习，你会发现，它们也是。中心便是，影响人的挑选以及事物改变的要素太多了，而且这些要素之间还不断地彼此反响循环效果，这使得你简直不或许真实精确地猜测其走向；所谓对的猜测，绝大多数仅仅命运够好，剩余的，则是猜测的模型在一段时刻内由于捉住了最重要的几个变量而显得相对成功，但你的成功反过来现已改变了一切变量（包含那些你没有归入模型的变量）及其效果方法和彼此联系，因而刻刻再拉长一点，只需你陷在成功的模型里（人道决议了你很难不陷在里边），你必定会撞墙。
恩格斯的“合力论”尽管大体沿用了19世纪略显生硬的形而上学言语，但20和21世纪最前沿的数学研讨，比方非线性偏微分方程，比方高维拓扑流形，再比方它们当下的实践运用——机器深度学习，究其实质，无非是用更科学和严厉的方法，重写了“合力论”——所谓“很多个力的平行四边形”，无非现代数学中向量和向量丛的二维简化版算了。
而我常常觉得，人们之所以对“量化出资”之类夺目的新事物一开始就抱有深深的误解，其底子便在于对真实的现代数学，包含以现代数学言语重写的恩格斯“合力论”了解太浅薄。
以下是我在知乎上读到的一位“专业人士”（个人标签是“算法规划人工智能”），依据（对大数据和技能剖析的）陈旧之见，对量化出资所作的十分典型的一种“误读”：
“基本原理，短线、高频买卖，即所谓的‘见利就走’。所谓的‘见利’是依据猜测模型的‘实时机器学习’模型，对某个操作目标的价格数据实时监测进行序列价格曲线拟合，得到猜测曲线y=f（t）和差错概率P（t），其间t为猜测未呈现序列号，y为该序列号时的价格，核算机依据跟定的期望获利值（此刻的买进价和猜测卖出价的差值），程序化自动下单。因而，西蒙斯量化模型彻底不考虑外部条件（x1，x2，x3……xn）对价格的影响，只重视价格改变，快速买进卖出做高频短线买卖，尽管每单获利很小，但确保高频获利的前提下，赢得最大获利概率Max[P（t）]。”
这种误读的要害，正在于经历让他难以逾越低维度的视界，将数据及其建模仅仅视作“曲线”以及曲线与数据之间的简略“拟合”。而事实上，咱们知道，以詹姆斯·西蒙斯在微分几许范畴的数学效果，以文艺复兴科技公司所集合的那数百位尖端的数学家、物理学家、天文学家、生物学家对真实前沿的数学的了解，这儿呈现的模型最少应该是“曲面”，更大或许则是恣意维度的拓扑流形。
2
文艺复兴的模型为什么如此奥秘？为什么至今没有脱离的人能真实“泄密”？除了用人合同中严厉的保密条款（其实我觉得其间虚张声势的成分居多），更大的或许，在于它压根儿很难被泄密，敞开了让你抄，你也不会抄。正如文艺复兴的高管们所泄漏的，连他们自己都无法切当地知道公司为什么会挣钱，为什么会亏钱。用非线性偏微分方程处理数据+高维拓扑流形建模+机器深度学习，其间每相同都是高度活动、自组织演化的，并没有一个能够让你直接抄下来用的方程或图表。特别是机器深度学习，其依据海量前史数据的高维模型（想想弦论中的六维卡拉比-丘流形），随时随地都在不断自我批改、深化、变形和出现中，你抄什么？抄一个切片有什么用？
量化的高维建模与常见的统计学建模的最大差异，我认为在于统计学更多考虑的不是作为原因的变量及其彼此效果，而是终究效果的概率散布，因而统计学模型或许在理论上十分有力，却不见得有多少实践价值——你依照统计学散布去出资，很或许会踩坑，由于统计学散布是很多效果的归纳效应，而你的每一次出资却是一个当下的、高度不确定的一次性作业；按统计学散布去做，总体上固然有较高的获利概率，但你很或许没有满足的本钱，在统计学效应满足明显曾经，你就输光了。
而高维流形建模并不是仅仅依据概率，而是依据对很多或许相关的变量的辨认、挑选与测验，与统计学模型的“过后特征”不同的是，它彻底是即时反响型的，时刻在（自动）调整模型中变量的特性、数量与彼此联系。在人力核算年代，这当然是十分困难以致不切实践的作业——绝大多数多变量的非线性偏微分方程，在数学上是极难甚至无法求解的，数学家们在这些范畴的中心作业，早已从求解变成了估值，甚至不是对解自身估值，而仅仅对或许有多少个解进行鸿沟估值。可是核算机尤其是深度学习，让数据的高维建模变得实践了。核算机的高速数据处理才能，使其能在很多变量中收支自若，对这些变量及其联系进行很多的挑选、评价和运算；而深度学习使得核算机能够在人的脑力彻底没有才能处理的层面上，经过很多的比对、拟合、回测，来自动建模、工作和改善。
高维模型不是针对大数据制作一望而知的统计学曲线（如咱们在股市K线图之类“技能剖析”中常见的），而是针对无量的部分小数据构建很多极端杂乱的、高度活动性的拓扑流形——事实上，早在19世纪中叶，一度担任过罗斯柴尔德宗族掌门人私人秘书的法国会计师亨利·勒菲弗，就一语道出了其间的要害：“套利活动是一般代数的风趣运用，而投机活动则需求助于几许学，由于无法仅独自运用算术、代数或简略言语就能将这些买卖组合了解清楚。”只不过今日数学家们对几许，特别是高维的拓扑几许和代数几许的了解，现已远远逾越了勒菲弗那个年代的数学水平。
举个不那么精确但满足浅显的比方。比方石油价格的涨跌，在简化模型的年代，通常会出于考虑和核算的功率考虑，被设定为几个首要要素的效果，比方欧佩克限售、美国探明的页岩储量又有添加、中亚的某条输油管由于民族抵触而被切断……你归纳考虑这几个看上去很重要的变量，挑选性忽视其他或许但不那么重要的变量，然后比对前史上相似情况下产生的价格动摇，然后树立一个模型，去猜测其价格走势。时下比较盛行的因子出资，其所运用的多因子模型，其实便是这样经过一系列技能手法挑选出3~5个被认为是要害性的变量，环绕它们建模以测定财物的预期收益率。而在（真实的）机器主导的量化出资中，被考虑的变量或许暴增千百倍，那几个变量或许依然是最重要的，可是不那么重要的也不会被删去，仅仅占的权重稍低算了。
更有甚者，咱们还应该进一步使用核算机的强壮算力和客观性，去开掘更多咱们或许彻底没有意识到在起效果的变量，由于咱们对事物的认知必定被成见与心情等主观要素所极大限制，核算机的“非人道”正好能够用来“对冲”这一“人道的，太人道的”底子缺点，然后大大扩展咱们的视界。
而现在国内干流的量化出资组织，好像首要仍是靠战略开发人员个人去发掘因子、调整模型参数，能够说从底子上偏离了量化出资的中心要旨——使用核算机捕捉人类因受限于视野、注意力、反响速度等要素而无力捕捉的信息，然后捉住——简直是无量无尽但极端细小的——瞬时时机。真实的核算机量化模型必定不是一个或几个“战略”（尽管这好像是咱们现在提起量化时的口头禅），而是人底子无从发觉更无法去自动树立的很多部分小模型的高度活络的组合。这便是为什么在量化出资中，“程序化”远远要比“数量化”或“数据化”更底子，只不过这儿的“程序”也不是一般的“程序猿”写得出来的——假如码农就能写，文艺复兴还招车载斗量的尖端科学家干吗？
3
任一作业，都是很多变量效果与彼此效果的效果，归入尽或许多的变量来树立高维模型，使用现代数学在比方高维流形向量丛上的效果，来树立早年不可思议的杂乱空间，以依据微分几许、几许剖析等前沿数学的一系列技能东西，对其全体与部分的形状和衡量加以掌握，才能使数据的内涵丰富性和彼此关联性得到深度发掘。
而且高维模型在判别当下形势的时分，并不是在简略地（也便是说粗糙地）拟合和比对前史与实践两条微观曲线，而是在相似极小曲面这样最微观的层面上，对海量的前史数据中具有相似性的多变量效果形式进行挑选和匹配，做极为细致和即时性的详细比照。因而真实的高维模型恰恰不做猜测，只做当下的高度机动性的即时应对——正如纳特·西尔弗所说：“咱们要中止对事物进行猜测的做法，而且供认咱们的预言有问题。咱们喜爱对事物做出猜测，而咱们的预言却总是犯错。”量化出资之所以喜爱高频极短线买卖，除了经过扩大买卖量来提高总收益，另一个，我觉得也是更重要的原因恐怕就在这儿——面临底子的不确定性，反响活络的即时应比照中长期猜测要“科学”得多。
猜测一般只对中长时段有用。比方所谓“分久必合，合久必分”，便是经过调查数个为期两三百年的长时段而作出的猜测。而长度约为50~80年的康德拉季耶夫长周期，能够视为典型的中时段，其动摇周期性也具有必定的猜测功用。可是一切这些猜测对短时段都无效，由于短时段上的事物处于类布朗运动中，没有体现出统计学特征，即使你能核算出相关的概率，实践的指导意义也极为有限。
咱们都知道比方一个中国古代王朝的生命周期大约是两三百年，所以在长时段上能够依据咱们身处的时刻点，大致猜测往后昌盛或衰落的走向。可是开元初年的人明显不或许猜测到安史之乱正在昌盛鼎盛的高潮中大踏步走来。人最简单犯的过错之一，是将猜测的功用扩大化，企图将只对中长时段有用的猜测手法强行运用于短时段以致当下。实践上，当下之事只能用尽活络之能事地加以详细应对，而不能依据自认为是的猜测采纳举动——这是绝大多数股民是韭菜的“科学原因”（当然，韭菜之为韭菜还有其“政治经济学原因”，在此不触及）。
依据高维流形的人工智能——现在的机器深度学习是其很初级的形状——要害便是最大极限地缩减了固有模型的猜测惯性，相反，模型自身在数据环境下每时每刻都在进行自反响、自适应甚至自出现。
当然，关于深信符号主义道路的人，这一点是很难承受的，所以他们当然会进犯机器深度学习仅仅“黑箱”。但是真实的高维智能对人来说必定是无法了解的“黑箱”，由于它必定远远逾越于人脑的数据处理才能，并从而远远逾越于人的感知和思维才能。这个质疑实践上恰恰应该反过来，作为对高度发达的人工智能的判准，即一切未能呈现出“黑箱”特征的人工智能，底子算不上真实的人工智能。