阿发狗（AlphaGO）是一个怎样的投资者？

　　阿发狗是一个怎样的投资者？

　　林辉

　　阿发狗不能做分析，不是基本面派.

　　这是因为阿发狗只能处理数据，不涉及数据背后的意义.比如财务报告，一份年度报告两三百页，一般人都不想去仔细看，按理说，这正是算法程序的优势，可以快速分析很多页，但是，在这里，单纯的数据是没有意义的，必须要从数据看出企业经营的特点.而这一点，阿发狗是做不到的.

　　比如，企业账上有大量的应收账款，到底是企业款项收不回来，还是企业在快速铺货占领市场？企业的库存很高，到底是为未来备货，还是产品滞销？阿发狗是不知道的.

　　我们从围棋上可以看出，以阿发狗为代表的深度学习算法其实并不懂围棋，对阿发狗来说，只不过是在处理特定规则下的数字而已，完全抛开了传统的诸如厚薄之类的观点.从棋局上看，阿发狗对围棋的理解很可能是简单粗暴的:如果执黑，就要让黑子尽可能多的占有棋盘；如果执白，就要让白子尽可能多的占有棋盘.

　　这种想法是非常符合计算机的特点的，但人类一般不这样思考.过去围棋上一直没有突破，很可能是设计思路的问题，算法设计上一直在考虑人如何思考围棋，然后教给计算机，这自然不容易.目前思路是，按照简单粗暴的原则，弄出两个算法，一个是深度搜索遍历回归的走子策略，就是一路走到头看能不能占有更多棋盘，另一个是神经卷积网络截断赋值算法，就是如果前面计算量太大，那么根据以往棋局得到的参数对走到头的过程进行打断，然后赋一个值做出选择.

　　这里的特点有两个，第一，阿发狗只需要尽可能多地占有棋盘，并阻止对手占有棋盘的空间.第二，以往的算法程序总觉得，我要把所有的可能性全部算完，就是穷举法，然后由于计算量太大，计算机就陷入到无穷无尽的计算中去了，但如果不让计算机去算，计算机就不知道该怎么办，由于缺乏对棋局进行统计学习得到的可能性参数，计算机没法做出选择.

　　现在我们知道，如果要想对人取得优势，其实根本计算机就不需要算完所有的可能性，阿发狗只需要在每一步算的比人深比人多就行了，然后通过对棋局的静态评估，维持在每一步对人类的优势，那么在持续领先的情况下，一直到把棋盘占满.

　　有些实在算不出来的，根据对大量棋局分析得出的可能性参数，选择可能性最大的那个走一步，下一步再重新开始计算.

　　这个思路是很强大的，同时简单粗暴，我们可以看到阿发狗下棋没有什么美观性可言，传统的打劫之类的手法他根本不用，他只是一直占有更多棋盘而已.然而围棋是重结果的.

　　那么这种思路可以用在投资上吗？

　　如果用在投资上，我们需要针对投资设计出智能算法.但是围棋算法其实是有很多隐含的前提条件的.

　　第一，围棋算法是一种纯博弈策略，不涉及时间性，投资具有时间性.也就是一个棋局如果他是那样走下来的，只涉及思考与博弈，在同样的思考与博弈下，重复这棋局是可以同样走的，走棋的变化只是思路与博弈的变化，并不是在时间上的变化，在时间上，棋局是无序的，后一盘棋的双方博弈走法，完全可以在之前的棋局中发生.但是对于投资来说，投资是具有时间性的，一个产业一个行情是在特定政治经济状况特定地域特定时间内发生的，一个行情走完，就成为历史，再不会出现，未来的行情，也不可能在以前的时段发生，因为条件完全不同.

　　第二，围棋算法阿发狗的学习对象具有同一性，而投资对象具有差异性.据说阿发狗分析了人类历史上2000多万棋局，这是非常大的一个数据，并且都是围棋棋局.那么在投资上我们能提供这么大的数据吗？中国股市20多年，以年报来算，也才不超过30份年报，以3000家A股上市公司算，总共10万份年报，这个数据非常小.要命的是，年报也是具有时间性，是当时特定政治经济产业运行下的结果，因而不同年度的年报，没法排除时间的影响，算法很难理解这一点.更重要的是，这些年报不具有同一性，他们是不同公司的，不同公司不同行业特点完全不同，虽然财务报表的会计规则让他们都做出财务报表，但是表面上形式的相同不能掩盖内涵的巨大差异，以阿发狗为代表的算法程序很难处理这种差异性.那么20多年才20多份年报，即使美国通用电气百年历史也才一百份左右的年报，数据小的可怜，还具有时间性，根本没法分析.并且，在美国下围棋与在中国在日本没有什么不同，但是在美国的公司在中国的公司在日本的公司，那差异大了去了.即使美国股市历史长，得到的数据在中国也很难用.

　　第三，投资不能单纯的用计算层面来解决.按照一般的财务方法，不管时间地域和其他特点，反正看到财务数据都加减乘除算一个比例，以此来对公司经营财务业绩做出评价.这个计算机可以做.但是效果非常差.我在实际投资分析中完全不用这种方法，财务一定要与经济特点、产业特点、公司运营特点、商业模式结合进行分析，才能进行评估.单独在数据层面，算一个资产负债率，算一个现金比率，算一个存货周转，算现金流贴现，其实毫无意义，这是最初级的分析师爱用的方法，计算机阿发狗算法如果不能超越最初级的分析师，那么完全没有采用的必要.

　　第四，围棋数据具有真实性，这也是一个隐含前提，而现实存在大量欺骗.也就是说，围棋上的走子都是真实的，一个子落下，那就是一个子，不可能说这个子不存在，是假的，或者说这个子模模糊糊的，在计算机处理过程中，这个子的赋值具有确定性.但是现实中，销售数据可能是假的，用户数可能是刷单刷出来的，财务报表也可能是调整过的.你让阿发狗咋办？

　　那么阿发狗能不能抛开数据分析产业呢？这可能更难.

　　正如有观点指出，阿发狗不可能知道茅台好喝，不知道微信QQ粘人，要在这些发生频次低、难以量化的东西上做判断，阿发狗很难做.有人说计算机写诗写音乐倒是很多年前就可以了，因为诗中的用词是可以统计的，语法是有固定方法的，人类历史上又有超大量的诗词可供统计学习，学会写诗倒是不难，音乐类似.但是产业投资，比如投出一个腾讯投出一个百度，具有单一性，以前没有，以后也不会有，各个公司又互相不同，阿发狗为代表的深度学习算法是没法处理的.如果有经验有良好分析能力的人，去看一个产业看一个公司，可能马上就能看懂，但是阿发狗来做就很难.

　　从上面我们可以看到，阿发狗不是基本面投资者，他也不是产业投资者，不能做风投，不能做一级市场.

　　剩下只有唯一的可能，就是在二级市场或者期货期权市场，做一个技术派投资者，有没有可能呢？

　　当前量化分析，除了总是把西蒙斯拿出来说道，并没有显著出色的人物，这除了因为投资所具有的博弈性，还因为，很可能当前的量化程序交易者对市场的理解非常肤浅，他们建立的模型完全是错的.

　　我也曾经研究过量化，然后发现，如果你要做量化，首先你要懂市场，可是如果你懂了市场，你又何必做量化呢？

　　而设计思路上，当前量化投资也存在严重问题，大体上思路就是，设立触发条件，满足条件买入持仓，设立卖出条件，满足条件卖出持仓，有不同的触发条件就有不同的量化程序.

　　但是这些触发条件的设计是否合理呢？

　　当前评价是否合理的特点就是用历史交易数据做回测，实际上是假定如果从很多年前就运行这个程序，是不是能赚很多钱？然后根据赚钱与回撤的表现来做评估，运用夏普比率之类的东西来做评价，如果不行，再对模型参数进行调参优化.但是最终，这种算法只是对历史数据的一种拟合，是历史数据的一个函数.那么一个假设前提就是，未来行情在这个函数的函数空间内，是这个函数的解，并且完全符合函数对历史数据的拟合.然而我们看到，量化程序除了不受心理影响、风控过关之外，其他表现并不优异，说明根本不满足那些隐含的前提条件，因而设计思路存在重大缺陷.

　　那么以阿发狗为代表的人工智能，能否构造全新的量化程序交易呢？

　　我认为是可以的.

　　当我们把范围局限在二级市场只看K线数据的技术派，我们会发现阿发狗需要的很多条件可以得到满足.都是K线数据，同一性解决了，交易几乎每个工作日进行，数据量够大，美国的K线是K线，中国的K线也是K线.对于交易数据之外的通通不管，只对数据进行处理.不同特征不同时间段导致的K线数据上的不同，完全可以在数据层面进行处理，只是表现为不同的数据结构形式.而所有的交易数据，不管大玩家是什么目的，一旦走出来，他就是真实的，是普遍接受的，不可能说这个K线是假的，即使出现骗线，这个骗线也是真实存在的，不是假的，只是一种博弈策略而已.

　　首先我们要把K线数据进行拆解，化简为算法可以接受的基本单元，然后让算法自己去学习组织，对于算法的应对，我们可以用价格变化进行计分来做评估.不同数据特点下的应对，可以处理成参数，也可以把人的经验告诉计算机，让他去形成参数.

　　麻烦在于，由于时间性，阿发狗往深度算棋的遍历回归算法不能用了，因为未来的行情是由大量的参与者推动的，还根本没有走出来，阿发狗进行推测没有意义.但是阿发狗可以静态评估，当前哪个品种涨得快？哪个品种跌的快？哪个股票涨得多？哪个股票跌得多？我是在买涨得快的吗？是在卖跌得快的吗？阿发狗的特点在于，他可以评估自己所处的状态，再根据历史经验赋值做出选择，这样即使不往深度计算可能性，也足以击败绝大多数人了.

　　最终，阿发狗可能是这样一个投资者，凡是涨得快的他都买了，凡是跌得快的他都做空了，连续涨停的股票里面总是有他，他不用管任何信息情绪，他只管价格数据，只要价格数据变化，主要波段趋势的价格变化全部被他抓到，而人类却无法理解他如何做到的.