黄兵的个人博客

感觉没人正面回答这个问题，我仅站在技术的角度去抛砖引玉的归纳一下这个问题，先陈述一下Deep learning的要点：

首先，Deep learning能做一切数据挖掘有关的事情，区别在于你能不能结合自身的经验去建立一个较优的模型，让learning更加的“高效”，这种“高效”包含但不限于：学习时间、学习误差率、学习鲁棒性、学习所耗费的资源等。

其次，Deep learning处理的数据前期至少要求是相对全面的，不全面的数据、甚至如果有重要的数据有所隐藏，对于任何学习模型来讲基本都是灾难的。(假设世界上除了男人、女人，还有第三种人，你在不知道的情况下如何去分类？怎么分类都是错的)

再次，Deep learning所谓的模型，对于目前而言，受限于基础理论，建立模型的过程是渐进的、甚至是需要人工的，所以“调参”的手段是有很大的“主观成分”在里面的，所谓的“主观成分”不单单是说在股票行业经验越多越好，而且要求是正确的、有体系(结构化、去噪音)的经验，事实上，很多投资经理自身投资的过程中受限于压力，经常带入了很多非科学、非理性的情感，甚至犯很多基础错误，导致投资失败。也就是说：模型即使是对的，调参人员太傻比也不行！

最后，Deep learning是统计学和机器学习两门科学的交叉科学，它的宗旨是通过统计学习方法运用机器学习的运算(实现)思路，让机器帮我们去计算各种事件出现的概率，协助我们去分类大数据、预测新的样本为【某个特定分类】的概率等等。但是，仅仅是“概率”，既然是“概率”必然也就只是可能性而已。

有了上面四个简单的Deep learning基础咱们再来看股票预测这个问题，思路会很清晰：

根据第一点股票预测这件事情肯定是可以做的，因为股票预测是数据挖掘的问题，无非也就是根据一堆数据分析去得出一个分类而已：{0：涨，1：跌}。但是，用Deep learning去做靠谱吗？

我们说这个问题取决于前面Deep learning提到的后三点：你的数据是否全面？你的模型在建立的过程当中，负责调参的人靠不靠谱？然后，介于Deep learning只是概率事件，你是不是用一次成败去论英雄？

在提到数据全面这个问题上，我们不得不承认，在中国的股票市场是不适合用数据去预测的，因为中国的市场是有操纵嫌疑的(这个仅仅代表个人的观点哈，不喜勿喷)，很多企业的内部数据基本都是不向外开放、甚至刻意利用信息不对称去操纵股价，这个我就点到为止吧，相信大家都承认，扯多了就是不技术问题了，而是政策问题。

相对而言，在数据准确、全面的基础之上，我们去做DL会好很多，但是这个时候我们也不能说DL得出的结论一定是靠谱的，因为受限于基础理论，目前的DL基本都需要人工去调整参数，这个时候考虑的就是调参人员的经验了。为了弥补这点，在美国华尔街，很多对冲公司都是形成一个个的项目组，一个项目组成员包含：分析员(DL、ML)、资深经理人(对股票的了解深入骨髓)、操盘手(负责根据DL、ML的结论操作数据)等等。但是即使这样，由于跨界的隔阂，团队也不一定能够100%的建立一个牛逼的模型，这个时候就需要一个“交叉科学家”：他上知技术、下知股票行业，同时也是个很好的管理者，这样的人员去做leader，然后协调技术和证券人员模型才能更好的建立，举个例子：数学家西蒙斯：华尔街最赚钱的基金经理_天马_新浪博客

最后提到一点Deep learning是一个概率的事件集，即使是目前看似神武围棋DL程序alphaGo，在前期也是屡次失败的，因为它走每一步棋都只是代表“走完这一步之后我的棋盘局面会是【相对最好】的概率”，为什么是相对，前面提到过，受限于资源，DL不可能计算每一种可能性，利用牛顿下降法、改进梯度下降法也只能是让我们达到局部最优，而不是全局最优。而即使达到全局最优，DL运算也是给出每一种结果成功的概率，概率只是可能性。笔者自己尝试着在10台机器上面基于tensorflow框架跑过一个自己改造的围棋DL程序，由于计算资源不足，导致隐节点数量和深度都只能调整很低，所以效果只能说一般(但比我自己强[害羞])。

所以，站在技术的角度，DL做股票分析是靠谱的，但是前提是你的数据得准确、调参人员兼顾技术+股票经验、并且承认成功也只是概率事件。而且，现在在华尔街，美股市场中几乎每家对冲基金公司都在用DL预测，只有有些公司做得好、有些公司做得差而已。笔者也从朋友那里听说过，目前貌似国内有个90后掌控了几百亿资金在做“量化交易”，做的是美股市场，真假我就不保证了，但是应该有。

作者：陶轻松
链接：https://www.zhihu.com/question/54542998/answer/141256460
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。