北京時間12月12日上午消息，一名對沖基金經(jīng)理和一名計算機科學家發(fā)現(xiàn)了一種很有前景的新方式，用人工智能來選股。相對于華爾街以往采用的機器驅(qū)動方法，新方法適合更長的投資周期。

在測試中，對沖基金Euclidean Technologies聯(lián)合創(chuàng)始人約翰·阿爾伯格（John Alberg）和亞馬遜人工智能實驗室研究員扎恰里·利普頓（Zachary Liptoon）利用這項技術取得了17.1%的年化回報率，而標準統(tǒng)計模型的回報率為14.4%。上周五，在NIPS大會的研討會上，他們介紹了相關論文。

金融行業(yè)正在積極擁抱人工智能。在今年的NIPS大會上，對沖基金和投資銀行正在與大型科技公司爭奪神經(jīng)網(wǎng)絡方面的人才。

目前只有很少的公司使用神經(jīng)網(wǎng)絡去進行交易和投資。這些公司大多專注于短時間內(nèi)復雜的交易策略。阿爾伯格和利普頓的研究表明，通過處理大量基本面信息，例如盈利、營收和債務水平，這一深度神經(jīng)網(wǎng)絡適合更長線的股票交易。

他們向神經(jīng)網(wǎng)絡輸入了財報中的16種常見數(shù)據(jù)，以及4種關于股價變動的指標。他們選擇了紐約股票交易所、納斯達克和美國股票交易所所有股票從1970年1月到2017年9月中至少連續(xù)12個月的數(shù)據(jù)。

最開始，他們讓神經(jīng)網(wǎng)絡處理5年的數(shù)據(jù)，隨后試圖預測一年后的未來股價。然而與標準的計算機交易模型相比，這個神經(jīng)網(wǎng)絡的表現(xiàn)并沒有更好。

利普頓表示：“至少在短期內(nèi)，股價會出現(xiàn)大幅反彈，這獨立于實際事件。”阿爾伯格表示，這種不穩(wěn)定的股價變動在人工智能和數(shù)據(jù)科學領域被視為“噪聲”，而神經(jīng)網(wǎng)絡會被這樣的情況誤導。

隨后，他們嘗試了不同的技術。他們不再要求神經(jīng)網(wǎng)絡預測股票未來一年的價格變化，而是預測公司未來的基本面價值，包括利潤和息稅前利潤（EBIT），隨后用這個數(shù)字除以當前的企業(yè)價值，最終得出基于人工智能的前瞻性估值倍數(shù)?；谶@一指標，他們投資了50家“最便宜”的股票。

阿爾伯格表示：“如果你將問題劃分為兩步：從歷史基本面預測未來基本面，隨后用未來基本面去預測股價，那么深度學習的復雜性可以變得有用，給模型帶來優(yōu)化。”

他們將繼續(xù)推動這方面的研究，而未來的項目之一是，看看神經(jīng)網(wǎng)絡在預測公司基本面方面是否比股票分析師做得更好。他們還想看看，如果向系統(tǒng)輸入關于公司未來的其他信息，例如財報電話會議的內(nèi)容，那么性能是否還可以優(yōu)化。