作者简介：金融量化师，人生思考者。这是我第357篇原创文章，感谢您的关注和转发。
这个问题前几天还真有人在问我。在解答这个问题前，我觉得大家先要搞清楚三个概念：
1、有监督机器学习；2、无监督机器学习；3、深度学习。这三者都可以叫实现人工智能的工具，或者说，随着技术的进步，人们从有监督机器学习到无监督机器学习，再到深度学习，已经为人工智能的实现找到了更接近的工具。
有监督机器学习，解决的主要是回归问题（或者叫梯度下降问题），算法包括决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等。就是人们给定方向，由机器帮助你找到最接近的路径。在金融市场中，就是你给定目标，机器会通过计算得出哪个参数最好。比如，通常用的单均线策略，你想要收益最大化，那么机器很容易帮助你找到这条均线的最优解（5日均线还是10日均线，还是15日均线）。
无监督机器学习，解决的主要是聚类问题（或者叫分类分堆问题）。算法包括k-means、PCA、gmm等。主要是两类，一是基于概率密度函数估算的聚类，另一种是基于样本间相似性度量的聚类。在金融市场中，就是如何把市场数据进行分类，当然这种聚类并不是你事先设定的标签。比如，股票中的多因子策略，你并不知道哪些因子有效，机器会通过算法帮你找出来（可能是波动率+市盈率+换手率）。
深度学习，解决的主要是修正问题（或者叫自我提高问题）。算法包括深度神经网络、深度堆叠网络等。就是在1和2的基础上，结合计算结果反过来对过程参数进行再修正，从而提高自我预测能力。比如，震惊围棋界的阿尔法狗、阿尔法元都算是一种自我训练提升的人工智能。从理论上讲，金融市场也可以采取这样的方法，来找到致胜的“葵花宝典”。
这样，我们再回到题目的问题上，就是人工智能到底能不能自已生成“超人类”的金融模型。
如果你是一名有超过十年交易经验的资深手工交易员，你通常是这样进行操作的。1、一眼就可以看出这个金融品种应当如何进行最佳分类；2、迅速调整交易策略中的核心参数与之匹配；3、在市场没有变化的情况下，严格执行交易纪律；4、在市场有变化的情况下，迅速判断如何调整分类或核心参数。分类---调整---坚持---修正，这是一条回路。这四条的核心都是建立在充分理解交易原理的基础上，所谓交易原理也可以理解为市场人群的心理。
如果人工智能想完成这些工作，就必须要清楚地知道如何实现这四步，但目前来讲，通过黑箱实现的所谓人工智能，通常都会被矩阵转换、算法优化中的噪音所干扰，而一个十分复杂的超级神经网络，常常已经超出了人类的理解，你也就无法判断这个超级智能提供给你的东西或策略是否可用。我们最担心的是“这个东西赚钱了，我们不知道为什么；这个东西亏钱了，我们也不知道为什么”，在未知面前，我们无法向前走。
我们这些老家伙（用手拍进行交易十年以上的人），也在向人工智能转型，但我们用的方法是，在这四个过程中由“机器主导运算，人工筛除噪音”。当然，这也是有科学根据的，因为“泰勒”连续不等式告诉我们，之所以你搞的那么复杂，是因为你没找到交易市场上的核心东西是什么。但未来已来，我们也知道在不远的将来，一定有一个大师，不但精通交易，还精通编程，这样他就一定可以在投资领域创造出一个新的神---“阿尔法钱”。
在这条路上，真正的大师都闭口不谈，我之所以敢讲，是因为我和你们一样，也是一个“摸着石头过河”的探索者。
作者简介：二十年编程，十五年交易，四十年人生。中国第一届国际高校量化大赛三个队的指导老师；《金融量化简史》十七集小视频的作者；新媒体矩阵“十点洞见”原创撰稿人。
