图片来源@视觉中国

文｜脑极体

经历了漫长熊市的A股，在农历新年后迎来了一个超乎想象的春天。最能够代表牛市来临的信号，不是领跑全球的历史性涨幅，而是连你老家的大妈都准备拿出首付甚至卖房抄底了，各路股神纷纷出来指点江山了，大数据分析、人工智能选股之类的炒股秘籍也集体重现江湖了。

与“玄学炒股”和“内部消息”等方式不同，量化投资、机器模型之类的技术名词一摆出来，可信度噌地就上去了。

不过，利用人工智能模型预测股市，到底会让散户们跑赢大盘赚到怀疑人生，还是被以“技术”为名的镰刀精准收割？事情的真相恐怕与大家想象的相去甚远。

靠人工智能预测股市，方法有哪些？

首先我们先来搞搞清楚，那些所谓的人工智能预测股市，到底都应用了哪些技术。

在AI大规模应用之前，利用大数据等数字工具，结合经验甚至周易的天干地支来预测股市行情，已经是高科技的代表了。但自从2016年AlphaGo击败李世石之后，机器学习技术就取代大数据成为预测股市的最强选手。

现在，市面上有许多证券公司推出了人工智能预测股市的工具、模型，甚至基金。接下来我们就追根溯源，来聊聊这些应用型产品都是依托那些机器学习算法/模型来工作的。

1.卷积神经网络

2016年，来自斯坦福大学计算机系的Ashwin Siripurapu发表了一篇文章，《Convolutional Networks for Stock Trading》，这是首次提出使用卷积神经网络来进行股票交易预测的方法。

该方法采用标普500etf分钟级数据作为历史数据（包括交易时间、每分钟收盘价、最高价、最低价、开盘价和交易量等），然后通过历史股价波动的图片，训练出了一个卷积神经网络模型，并试图通过这个模型来预测未来股价的运行。

最后验证的结果是，使用该模型预测股价还不如瞎猜。

2. 时间序列预测

尽管前文中的初级版卷积神经网络模型的实际预测效果不尽如人意，但其提出的利用时间序列建模的想法，就成为接下来机器预测股市的常用方式。

不过，ARIMA、SARIMA等模型都需要进行大量的数据预处理（比如K线图片识别等等）才能建立预测数据集，并且常常忽视股市波动的季节周期性差异。因此，Facebook设计和开发的时间序列预测库Prophet(先知)很快就被引入了训练之中。

研究人员试图让Prophet从过去的数据中捕捉趋势和季节性。但从试验效果来看，该模型并没有达到预期的效果。

3.长短期记忆网络(LSTM)

单纯的时间序列并没有取得很好的效果，但如果机器能自己划重点呢？LSTM 算法在序列预测问题中的优秀表现，就引起了重视。主要是它们能够存储重要的既往信息，并且忽略那些不重要的信息。

从训练结果来看，LSTM模型可以对各种参数进行调优，在股市历史数据的预测匹配度上，表现果然超越了前面的所有算法。

但想通过LSTM 来预测股票价格的未来走势，不好意思它依然做不到。因为它只会认数据，看不懂那些很可能大幅度影响股价的新闻和非货币行为。

4.NLP特征提取

既然LSTM看不懂非数字的重要指征，那在此基础上让机器学会“认字”不就得了。

NLP技术能够对包括新闻、资讯、社交媒体等文字图片信息进行自动特征提取和情绪分析，有了这些数据，神经网络不就能分析基本面了吗？至此，一个简略版的机器学习股市预测模型就成型了。

简单解释一下它的基础逻辑：输入股市的历史数据和实时结构化信息，特征提取选出那些有价值的信息，再通过深度神经网络训练出基本模型，通过预训练调整参数，这样就得到一个终极预测模型，可以一次来构建选股组合。当然，在实际的训练过程中可能还需要反复调参测试。

目前市面上用来选股的主流算法，比如随机森林、朴素贝叶斯、XGBoost、Stacking等，基本都是按照这一逻辑运行的。

具体效果怎么样呢？我们不妨用一个实际案例说明一下。