北京时间 12 月 12 日上午消息，一名对冲基金经理和一名计算机科学家发现了一种很有前景的新方式，用人工智能来选股。相对于华尔街以往采用的机器驱动方法，新方法适合更长的投资周期。
在测试中，对冲基金 Euclidean Technologies 联合创始人约翰·阿尔伯格（John Alberg）和亚马逊人工智能实验室研究员扎恰里·利普顿（Zachary Liptoon）利用这项技术取得了 17.1% 的年化回报率，而标准统计模型的回报率为 14.4%。上周五，在 NIPS 大会的研讨会上，他们介绍了相关论文。
金融行业正在积极拥抱人工智能。在今年的 NIPS 大会上，对冲基金和投资银行正在与大型科技公司争夺神经网络方面的人才。
目前只有很少的公司使用神经网络去进行交易和投资。这些公司大多专注于短时间内复杂的交易策略。阿尔伯格和利普顿的研究表明，通过处理大量基本面信息，例如盈利、营收和债务水平，这一深度神经网络适合更长线的股票交易。
他们向神经网络输入了财报中的 16 种常见数据，以及 4 种关于股价变动的指标。他们选择了纽约股票交易所、纳斯达克和美国股票交易所所有股票从 1970 年 1 月到 2017 年 9 月中至少连续 12 个月的数据。
最开始，他们让神经网络处理 5 年的数据，随后试图预测一年后的未来股价。然而与标准的计算机交易模型相比，这个神经网络的表现并没有更好。
利普顿表示：“至少在短期内，股价会出现大幅反弹，这独立于实际事件。”阿尔伯格表示，这种不稳定的股价变动在人工智能和数据科学领域被视为“噪声”，而神经网络会被这样的情况误导。
随后，他们尝试了不同的技术。他们不再要求神经网络预测股票未来一年的价格变化，而是预测公司未来的基本面价值，包括利润和息税前利润（EBIT），随后用这个数字除以当前的企业价值，最终得出基于人工智能的前瞻性估值倍数。基于这一指标，他们投资了 50 家“最便宜”的股票。
阿尔伯格表示：“如果你将问题划分为两步：从历史基本面预测未来基本面，随后用未来基本面去预测股价，那么深度学习的复杂性可以变得有用，给模型带来优化。”
他们将继续推动这方面的研究，而未来的项目之一是，看看神经网络在预测公司基本面方面是否比股票分析师做得更好。他们还想看看，如果向系统输入关于公司未来的其他信息，例如财报电话会议的内容，那么性能是否还可以优化。
相关文章
