--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能时代：破解人机共存密码（套装共10册）" author: null edition: null publisher: null year: null isbn: "9787521719512" library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5" source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced" pdf_physical_page_count: 3314 pdf_physical_page_index_base: 0 range_start: 940 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=940&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=940&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=930&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=950&limit=10" --- # 人工智能时代：破解人机共存密码（套装共10册） > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=940 | PRINTED_PAGE=NOT_DETECTED 有两名金融学教授也持相同看法，因此他们用1949—1972年的数据测试了“四傻”策略，正是加纳德兄弟进行数据挖掘的年份之前的时期。回顾历史，两名教授发现这确实是个失败的策略；预测未来，加纳德兄弟也发现这确实是个失败的策略。1997年，就在他们推出“四傻”策略的第二年，加纳德兄弟稍稍改进了他们的系统，将其重新命名为UV4。为什么要换名？因为历史证明UV4真的比“四傻”好一点。捏造模型—进行测试—改变模型，如此循环。 2000年，加纳德兄弟停止兜售“四傻”策略和UV4。这不足为奇，如果你的第一反应也是——数据挖掘！ 为乐趣和盈利投资的黑匣子 技术分析的价值似乎不言而喻，任何明眼人都能在股价中看出清晰的模型。然而，搜遍数据寻找模型只能证明研究人员具有坚韧不拔的毅力。请记住，“如果你拷问数据的时间足够长，它就一定会坦白”。 我们从中可以吸取两个教训。第一，我们应该认清如下诱惑：寻找模型并认为我们找到的模型一定具有意义——尽管所有证据都是反证。第二，我们应该奋力抵抗易受影响的天性。 以前的技术分析都是靠人仔细审查股价图，然后寻找模型。现在，编程好的计算机可以找出复杂细致到目测难以检查出的模型，两者可能同样毫无作用。这也就是为什么要记住这两个教训。人们很容易认为模型一定有意义，抵抗住这种想法的诱惑实属明智之举。 [1] 愚人金，指看上去像黄金，实则一文不值的矿物。——译者注 ## PDF_PHYSICAL_PAGE_INDEX=941 | PRINTED_PAGE=NOT_DETECTED 第11章 完胜股市（下） ## PDF_PHYSICAL_PAGE_INDEX=942 | PRINTED_PAGE=NOT_DETECTED 如今，技术分析师都被称为金融工程师。我们不仅过度欣赏计算机的能力，也过于钦佩使用计算机而不使用笔和图表的金融工程师。 金融工程师不思考他们发现的模型是否合理。他们的准则是：“给我看数据就行。”其实，虽然很多金融工程师是物理学或数学博士，但其对经济学和金融学的了解过于肤浅。不过，这并没有对他们造成困扰，要说有什么影响的话，那就是无知的他们更有勇气从最不可能的地方寻找模型。 从使用铅笔的技术分析师转到使用计算机的金融工程师，对此符合逻辑的结论是要将人类彻底排除在外，数据分析的工作交给计算机做就行了。 2011年，精彩的科技杂志《连线》发表了一篇文章，全文充斥着对计算机化股票交易系统的敬畏和钦佩之情。这些黑匣子式系统被称为“算法交易者”（algorithmic traders）——由计算机根据算法来决定股票买卖，而不是人的判断。人类编写算法指导计算机，但在这之后，全靠计算机自己运行了。 有些人被唬住了。2016年，佩珀代因大学将其投资组合的10%投给了金融工程师基金，其投资总监表示：“寻找具有良好前景的公司合情合理，因为我们在日常生活中都会寻找被低估的事物，但是金融工程师策略与我们的生活毫不相干。”他认为，没有从生活中获得的智慧和常识，是支持使用计算机的论据所在。和他观点一致的大有人在。如今，美国股票交易的近1/3是依靠黑匣子式的投资算法完成的。 这些系统有的追踪股价走势，有的观察经济数据和非经济数据、剖析新闻线索。它们全都在寻找模型。一个动量算法或许会注意到，当某只股票的交易价格连续五天较高时，其第六天的股价通常也会更高；一个均值回归算法或许会注意到，当某只股票的交易价格连续八天较高时，则其第九天的交易价格通常会下降；一个配对交易算法或许会注意到，两只股票通常会同涨同跌，当其中一只上涨而另一只没上涨时就是在提示机会来了。其他算法还使用了多元回归模型。在每一种情况下，算法都是基于数据挖掘运行的，其格言是：如果它行得通，那就好好利用。 ## PDF_PHYSICAL_PAGE_INDEX=943 | PRINTED_PAGE=NOT_DETECTED 我自己会投资，也在教授投资学，因此我决定自己尝试一下数据挖掘，看看能否找出预测股价的可靠指标。运气好的话，我的数据挖掘或许能收获“知识发现”，我可以靠此赚上一笔。 股市与天气 据报道，纽约市的天气会影响美国股市，虽然其影响随着时间的推移已经减弱，因为全美乃至全世界的股票交易已经从大厅交易演变为电子下单。 海蒂·阿蒂格搜集了25座城市每日的最高气温和最低气温数据，这鼓动我想看看能否找到某些气温，用来解释标准普尔500指数每日股价的波动情况。 我最初以为每日气温在预测股价上有局限性，因为气温随季节变化而股价不是。此外，股价具有明显的上涨趋势但气温没有（至少短短几年内不会）。尽管如此，没费多少工夫，我还是用数据挖掘找到了五个气温，很好地预测了2015年的股价。 那25座城市的最高气温和最低气温为我提供了50个可能的解释变量，以它们为基础，我可以获得：50个含有一个解释变量的模型；1225个含有两个解释变量的模型；19 600个含有三个解释变量的模型；230 300个含有四个解释变量的模型；2 118 760个含有五个解释变量的模型。试图做一名非常投入的数据挖掘者，我将所有解释变量都推算出来了，总共是2 369 935个模型。 ## PDF_PHYSICAL_PAGE_INDEX=944 | PRINTED_PAGE=NOT_DETECTED 得到的很多模型都不错，但最好的如下： Y=2361.65-3.00C+2.08M-1.85A+1.98L-3.06R 其中： = 澳大利亚科廷市，最高气温 = 华盛顿州奥玛克市，最低气温 = 蒙大拿州羚羊谷，最高气温 = 蒙大拿州林肯市，最低气温 = 怀俄明州石泉镇，最低气温 巧合的是，在第4章讨论过的科廷市和奥玛克市再次出现，不过这次最高气温和最低气温互换了。 如图11.1所示，尽管2015年下半年股市下跌，含有5个温度的模型与股价波动的吻合度很高。该模型的准确率为60%，对于预测变幻莫测的对象（如股价）来说，已经算是相当可以了。 这对“知识发现”来说又算是怎么一回事呢？有谁知道这5个小城镇的每日最高和最低气温能有助于预测股价呢？ ## PDF_PHYSICAL_PAGE_INDEX=945 | PRINTED_PAGE=NOT_DETECTED 答案当然是它们对预测股价没有帮助。找不到合理的理由能说明标准普尔500指数与这5个城镇的最高气温和最低气温存在正相关或负相关关系，其中还有一个城市远在澳大利亚。我们能生编硬造出不切实际的说法，解释为什么每日股价取决于这些城市的消费状况，而消费状况又如何取决于这些城市的天气，但这也不过是信口雌黄而已。 ## PDF_PHYSICAL_PAGE_INDEX=946 | PRINTED_PAGE=NOT_DETECTED 先用2015年的数据推算出200多万个方程式，再从中挑出准确率最高的那一个，这就是上述模型的选择过程。由于模型建立在数据而非逻辑之上，因此我们不要指望它能较好地预测2016年的股价。如图11.2所示，2016年的预测准确率为-23%。没错，结果是个负值。当该模型预测股价将上涨或下跌时，很可能出现相反的情况。 ## PDF_PHYSICAL_PAGE_INDEX=947 | PRINTED_PAGE=NOT_DETECTED 不断尝试 我对自己的气温模型感到失望，于是考虑用100个新的变量，尝试从1\~5个解释变量的所有可能组合。现在，模型数量已接近8 000万，但是对我的数据挖掘软件来说，这个数目还是小到它能尝试每一种可能性，而无须求助主成分分析、因子分析、逐步回归法或其他有缺陷的数据规约步骤。 推算这些模型花费了数小时，所以我就止步于5个解释变量了。如果我继续推算，利用10个解释变量会得到超过17万亿个可能组合，那样的话，计算机就得花费好几天来跑数据。幸运的是，有几个5变量组合预测的股价与实际股价非常接近。最好的模型如图11.3所示，准确率高达88%，拟合数值与实际数值非常接近，实际上很难将其区分开来。 ## PDF_PHYSICAL_PAGE_INDEX=948 | PRINTED_PAGE=NOT_DETECTED 我可能已经揭开了股票预测的未解之谜。你做好投资的准备了吗？ 我是在2017年4月利用2015年的每日数据进行这次数据挖掘探秘的。对于含有5个气温变量的模型，我特意预留了2016年的每日数据，目的是验证我的“知识发现”。如图11.4所示，该模型对2015年的预测结果喜人，但对2016年的预测结果则一塌糊涂，它预测股价会暴跌但实际是暴涨。具体来说，该模型对于2015年预测的准确率为88%，而2016年的准确率为-52%。这个5变量模型的预测结果与2016年标准普尔500指数的实际表现存在强负相关关系，我的模型比毫无价值更糟。 ## PDF_PHYSICAL_PAGE_INDEX=949 | PRINTED_PAGE=NOT_DETECTED 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=950&limit=10)