北京時間12月12日上午消息，一名對沖基金經理和一名計算機科學家發現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聯合創始人約翰·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網絡方面的人才。
目前只有很少的公司使用神經網絡去進行交易和投資。這些公司大多專注于短時間內復雜的交易策略。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，這一深度神經網絡適合更長線的股票交易。
他們向神經網絡輸入了財報中的16種常見數據，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12個月的數據。
最開始，他們讓神經網絡處理5年的數據，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，這個神經網絡的表現并沒有更好。
利普頓表示：“至少在短期內，股價會出現大幅反彈，這獨立于實際事件。”阿爾伯格表示，這種不穩定的股價變動在人工智能和數據科學領域被視為“噪聲”，而神經網絡會被這樣的情況誤導。
隨后，他們嘗試了不同的技術。他們不再要求神經網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），隨后用這個數字除以當前的企業價值，最終得出基于人工智能的前瞻性估值倍數。基于這一指標，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，給模型帶來優化。”
他們將繼續推動這方面的研究，而未來的項目之一是，看看神經網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，如果向系統輸入關于公司未來的其他信息，例如財報電話會議的內容，那么性能是否還可以優化。
京公網安備 11010502049343號