編譯／齊葉

每當一項科技日益進步，通常也會逐漸變得普及，但在機器投資領域卻非如此。投資人想擁有能幫自己贏過市場的電腦選股模型，短時間內恐怕仍難實現。

這並非因華爾街對此欠缺興趣。華爾街為投資市場打造科學化模型的努力，從1980年代中期就已開始，不僅吸引各方具有數學和電腦科學背景頂尖人才投身，且包括Renaissance Technologies、PDT Partners、D.E. Shaw等一小撮避險基金經理人已藉此取得出色回報。

現今許多績效領先的基金業者，與當初主導創建科學投資模型的，恰是同一批人，但你的財力和人脈或許不足以和這些人一起投資。

機器投資仍屬於少數精英層級的理由之一很明顯。事實證明，為你投資比預測你會在亞馬遜買什麼東西更難。哥倫比亞大學商學院教授兼Bourbaki量化策略開發者莫雷米（Ciamac Moallemi）說：「這是機器學習應用上最大的難題之一。」

以金融工程師試圖解決的某些困難為例：

市場數據瞬息萬變

用量化術語來說就是「非穩態」──除非做了整形手術，否則你的眼睛離鼻子多遠，應是具穩定性的數據，這代表投放數百張你的照片來訓練機器後，它有很高機率能辨識出你。但市場數據卻非如此。

在金融市場，數據有可能以劇烈且無前例可考的方式變化。例如，2013年歐洲大部分地區和日本前所未見地採行負利率；或1998年美股價位由分數轉為小數。這對電腦來說要調整不難，但可能使一些人類交易員感到慌亂。

Renaissance前研究員惠尼說：「那改變了市場部分結構，同時可能也改變了一些行為。」

雜訊比信號多

股市永遠在變動，且不一定有理由。大部分市場內行為都是經濟學家所謂的「雜訊交易」。用圖像辨識來類比，想像一台電腦試圖辨識出在黑暗中拍攝的照片裡的人物，照片所提供絕大部分數據都是雜訊，即無用的黑色畫素。

而且從數據集的角度來說，股市歷史資料相對短淺。假設你想預測未來1年股價的變動，但美股可回溯的良好紀錄僅到1900年，代表只有118筆非重疊數據可參考，完全比不上1天處理照片量就達3.5億張的社群平台龍頭臉書。在圖像辨識訓練中，只需將照片轉向或改變顏色就能創造出新數據，但要人為擴增金融數據集很困難。

能尋覓的優勢很小

一個明顯的信號用處不大，例如在每月第1天買進股票。若過去這個策略有效，不過是僥倖，就算不是僥倖，也很快會被別人發現。因此，專業研究員反而更專注非常微弱的信號，但就算用於預測未來股價，確定性也可能僅51%，意味能由此獲得的「優勢」其實很小。