讓AI代替人類炒股，多么美妙的目標。

機器學習技術能在不需要人類預先編寫規則的情況下，讓計算機從數據中尋找模式。從機器人到天氣預報，再到語言翻譯，甚至開車，這項技術驅動著多個領域的進步。

為什么不能用它來搞定金融市場呢？

這種想法，已經引發了投資公司之間的軍備競賽，各家本來就已經非常依賴數學的基金開始爭搶他們所能找到的頂尖計算機科學家和統計學家。

這項技術一開始表現還不錯。今年業績最好的兩家對沖基金——Quantitative Investment Management LLC和Teza Capital Management LLC今年分別上漲了68%和50%，他們都說能做出這么好的業績，機器學習功不可沒。

然而，在投資上持續全面押注機器學習的公司寥寥無幾。

對哈里托諾夫（Michael Kharitonov）來說，基于機器學習建立對沖基金不是件易事：難度是想象中的三倍，耗時是預期的三倍。

“我們基本是屢戰屢敗。”他說。

哈里托諾夫是Voleon Group的聯合創始人，這是首批全面擁抱機器學習的投資公司之一。從他們這些年的掙扎中，可以大致理解其他公司的選擇。

將機器學習用在金融交易中，我們先要清楚：這項技術在其他領域取得的那些成就，在交易上可能并不適用。金融交易是一個更雜亂的環境，模式總是被掩蓋著。

哈里托諾夫說，他們一開始就想用機器學習做交易預測，但是“就是不管用”。

哈里托諾夫現年54歲，他還有一位43歲的聯合創始人麥考利夫（Jon McAuliffe）。他們分別是計算機和統計學博士，都曾在最古老、最成功的量化投資基金D.E. Shaw Group做研究員。

那個時候，今年時不時登一下首富寶座的貝佐斯還沒有創立亞馬遜，剛好是哈里托諾夫的上司。

哈里托諾夫和麥考利夫多年來一直堅信，他們學過的機器學習技術天生適用于投資，有著可靠的方法論指導。但他們年輕時，計算機還不夠快，可用的數據集還不夠大。

到2007年，新數據集和足夠厲害的計算機出現了，于是哈里托諾夫和麥考利夫創立了Voleon，用機器學習做投資。公司的名字沒什么特別含義，編了這么一個詞只是因為域名剛好能注冊。

在融資過程中，他們遇到了挑剔的機構投資者。

要知道，機器學習這項技術和量化交易的常用方法有一些不同，它不需要科學家提出假設、寫出算法給計算機執行，而是由人類為自己算計提供大量數據，然后讓它自己找出模式。

實際上，就是計算機自己寫出算法，用來做預測，但問題在于，計算機不會告訴你它是怎么得出這個結果的。

市面上的那些量化基金能夠很清晰地解釋出自己的算法在做什么，但是Voleon的機器學習算法是怎么想的，只有計算機自己知道。

這種方法固有的神秘性，讓Voleon根本無法向潛在投資者解釋他們買賣股票的理由。計算機所找出的模式對人類來說太細微了，很難理解。

“很多人都完全不感興趣，但后來我們終于找到了能理解機器學習潛力的人。”哈里托諾夫說。

2008年，全球市場深陷金融危機之中時，Voleon開始了真實交易。

接下來整整兩年，這家公司都在虧錢。2009年市場回暖也無濟于事。

Voleon的創始團隊堅持按著原來的方向走下去，他們堅信自己在處理機器學習最難的問題之一，要想賺錢，需要先花時間打磨系統。

他們所面對的基本問題，是市場太混亂了。到目前為止，機器學習系統表現很好的領域都有一個共同特征：模式本質上是重復的，于是就更易于辨別，圍棋、開車都是如此。

而金融市場有更多噪聲，它持續受到新事件的影響，而這些新事件之間的關系，也總是在變化。

市場變幻莫測的本質也就意味著投資者剛剛找出昨天的關聯，想要運用它來做投資，它就消失了。在機器學習的其他應用場景里，都沒有這樣的問題。比如說用機器學習來做語音識別，人類語音的基本性質，基本是不變的。

盡管Voleon的創立在某種意義上講，是受到了機器學習在其他領域成功案例的激勵，但是到了2011年底，Voleon創始人已經拋棄了從其他應用借來的大部分技術。取而代之的是創始人自己為不守規矩的市場定制的系統。

麥考利夫整潔的辦公室里，書架上放著《大樣本理論要素》、《BDA3》等書籍。哈里托諾夫的辦公室里裝滿了他拆開的電路板，以及好多堆滿紙的箱子。

他們面臨的一個挑戰是，需要使用每秒股票的價格變化，來運行15年的股市模擬。這涉及太字節的數據。Voleon需要在幾個小時內模擬完畢，但他們耗時數天甚至數周。

那時候，整個公司有10到12個人。這個團隊嘗試購買更多的計算力，使用為電腦游戲打造的GPU。但仍然耗時太長。

麥考利夫在辦公室里痛苦的度過了好幾個月。最終，他攻克了這個問題。2012年7月，Voleon推出第二代平臺。

哈里托諾夫說，蠻力的方法沒用，標準技術也沒用。

他們的新交易系統帶來了更多的利潤，以及更多投資者的興趣。據一位投資者透露，在旗艦基金2011年出現小幅回升后，Voleon 2012年的業績是34.9%，2013年是46.3%。

然而，兩年之后，Voleon去年遭遇滑鐵盧，虧損超過9%。這也引起了部分投資者的擔心。

“沒什么比回撤更引人深思”，哈里托諾夫說：“去年我們學到了很多”。

今年比去年好。截止今年10月，這家管理著18億美元資金的公司，其旗艦基金上漲約4.5%。自成立以來，其年化收益率大約是10.5%。

業績波動、策略復雜……并沒有阻止Voleon的發展。這家基金正在擴大投資目標，投資標的不僅限于美國和歐洲的股市，還包括加州大學伯克利分校附近的一座樓。

在機器學習技術的幫助下，Voleon每天交易價值超過10億美元的股票。在這個過程中，他們對買入或者賣出一只股票的原因，沒有絲毫興趣。

哈里托諾夫說，機器學習系統越是具有預測性，人們就越難理解它要做什么。有理論認為人類思維主要用于處理三個維度的情景，數十個乃至數百個維度的任務則是機器學習系統擅長的領域。這些維度之間的關系，往往是非線性的。

“這并不意味著我們不會考慮發生了什么”，麥考利夫說，Voleon的研究人員會設計“擾動”，來研究各種輸入在預測系統中的權重，以及解決過擬合等問題。

Voleon的電腦不僅在財務信息中尋找關系，而且在非財務數據中尋找關系。其中包括衛星圖像、航運艙單、信用卡收據、社交媒體情緒等等。這些目標數據，可以幫助尋找某個行業的健康狀況或者商品供應的變化。

顯然，沒有人會透露自己使用了哪種數據，如何進行的評估。Voleon也是一樣，謹慎的保護著自己的技術和策略隱私。

這個“神秘”的機制讓投資者不安，哈里托諾夫理解這種感受，不過他堅信：電腦犯錯的情況要比人類少得多。

“機器學習在財務預測領域的應用還在早期階段”，他說：“一切才剛剛開始”。