人工智能时代：AI赋能 世界重塑
来源：同花顺财经
　　密集投入，巨头引领，全球AI加速赋能：当前，全球每年有100+亿美金，累计1000+亿美金(Pitchbook数据统计)，持续投入到全球AI的发展。巨头(谷歌/亚马逊/苹果等)引领，AI并购潮起，数据和人才成为并购争夺的重点。在资本和巨头的悉心呵护下，明星初创独角兽的不断涌现，AI加速赋能，面向医疗、金融、安防、教育、交通、物流等各类行业的企业级(B端)和消费级(C端)AI应用层出不穷。存量市场的革新，增量市场的创造，AI赋能加速，整体发展有超预期。
　　三大核心要素交互驱动：算法、数据、计算力：(1)优质算法的不断迭代，以及算法隐含层数的增加(即深度神经网络DNN出现)，使得AI仰仗的模型性能大幅优化;(2)互联网的发展，特别是移动互联网的快速繁荣，使得目前数据产生量已经远远超过用于训练AI模型的数据量。在目前仍以监督学习为主流的背景下，“数据标注成本高、算法隐含层数增加要求更多标注数据来训练模型”，这两个原因使得“可用”数据仍不足够;(3)计算力不断提升，GPU+CPU是目前机器学习首选的芯片组合。计算效率更高的FPGA、
　　ASCI等新型芯片兴起，不断挑战着GPU在机器学习领域中的地位。GPU、FPGA、ASCI各具优缺点，三种芯片的计算效率依次提高、灵活性依次降低、开发难度依次增加。
　　政策加码，AI上升到国家战略层面，存弯道超车可能：有别于传统IT技术发展的滞后性，AI这一全新领域，国内的人才储备、政策、资本，是紧跟全球领先地区的发展，这也给弯道超车提供了可能。美国和日本分别于2016年发布《美国国家人工智能研究与发展战略规划》、《人工智能研发目标和产业化路线图》。而国内也于2017年7月重磅出台《新一代人工智能发展规划》，将AI发展上升到国家战略层面，分三阶段实施人工智能战略(理论和技术体系建设、完善及配套法律体系建设、AI应用发展)，力争在2030年成
　　为人工智能领域的世界领导者，核心产业规模超1万亿，带动相关产业规模超10万亿元。
　　AI赋能行业，应用不断深化，同时AIaaS的发展，显著降低AI创新门槛：我们以语音识别、智能投顾、智能安防为例，系统地阐述了AI赋能行业带来的显著变化，并看好企业级市场(B端)市场深度发力。同时，消费级AI有望在巨头的引领下产生质的变化。AIaaS实际上是AI应用服务收费方式从“许可授权”向“按需付费”的转变，从而降低了客户“智能化”实施的门槛。国内外AIaaS均从2016年底才开始起步，亚马逊AWS、阿里云、百度云纷纷推出基于GPU/FPGA云化解决方案，面向中小企/创业者提供创新服务，加速AI创新应用渗透。
　　投资建议：我们通过深度AI产业链调研和上市公司调研(详见正文第五部分)，看好AI加速赋能带来的行业快速成长趋势。重点推荐：科大讯飞（002230）、中科曙光（603019）、同花顺（300033）、苏州科达（603660）、熙菱信息（300588）、思创医惠（300078）、四维图新（002405）、东方网力（300367）、拓尔思（300229），建议关注富瀚微（300613）、中科创达（300496）、浪潮信息（000977）、浙大网新（600797）、佳都科技（600728）、汉王科技（002362）、工大高新（600701）等(各公司AI方面的布局和进展，详见正文第五部分)。
　　风险提示：技术的应用落地不及预期，行业竞争加剧风险。
相关阅读：
郑重声明：多赢财富网发布此信息目的在于传播更多信息，与本网站立场无关。多赢财富网不保证该信息（包括但不限于文字、数据及图表）全部或者部分内容的准确性、真实性、完整性、有效性、及时性、原创性等。相关信息并未经过本网站证实，不对您构成任何投资建议，据此操作，风险自担。
大家都在看
近日，新三板出现史上最大规模处罚——多达480家企业在同一天收到来自全国股转系统的监管函，原因有的是因为提前使用募集资金、IPO进展；有的涉及重大信息披露不及时等。【金工 陈烨】华泰人工智能选股框架及经典算法【华泰2017中期策略会】
华泰证券·2017年度中期策略会
分论坛：大类资产配置, FoF与量化投资
时间：日下午
地点：中国·杭州JW万豪酒店
主讲人：陈烨华泰金融工程分析师
陈烨：各位老师大家好！我是华泰研究所金融工程研究员陈烨，接下来我要演讲的主题是华泰人工智能选股框架及经典算法介绍。我作为这方面的初学者，希望利用一些比较浅显的话把目前的一些认识分享给大家，能够帮助大家对各个人工智能的算法有简单的了解。下面就开始介绍。
机器学习可以分为监督学习和无监督学习。我认为，监督学习就是在一个历史的训练集里已经知道了这个东西的结果，再依据结果进行回归、分类就叫监督式学习。比如说多因子模型里的线性回归就是监督学习，因为是用本期的因子值和下期收益做回归，用的下期收益就是已经知道的结果，然后再发掘其中的规律。而我们曾经在金融周期系列研究的第三篇报告里使用的K近邻聚类算法就是无监督学习，它不需要依赖于历史集中的结果。
一般来说，用机器学习做选股，都是和多因子进行结合。大家一般基于已经构建好的因子库，进行训练产生预测结果，所谓的机器学习就是在替代传统多因子模型中多元线性回归的位置。机器学习算法能在线性特征之外，拟合出一些非线性特征。
如上三张图比较形象的刻画了什么是欠拟合、正常拟合、过拟合，为了不使我们的模型出现过拟合现象，一般需要设置验证集。这里简单展示了K折交互验证、留一法验证。
下面开始梳理监督式学习的几种经典算法。那一定是从线性回归开始讲起。线性回归是传统多因子模型中最常见的套路，它的优化目标就是使残差平方和最小。那在这个基础上，我们来介绍一下岭回归，它其实就是在线性回归基础上加了一个惩罚项，好处是对病态数据的拟合要强于线性回归。岭回归后面介绍的是Lasso回归，Lasso回归中惩罚项变为回归系数的绝对值之和，它比岭回归对回归系数中比较小的元素更加敏感。Lasso回归更利于选出比较稀疏的若干个特征来。
当回归中的被解释变量Y只具有0、1二个特征时，我们就可以用到另一种回归——逻辑回归。逻辑回归就是在线性回归的基础上套了一个Sigmoid函数（一个取值在0～1之间的S型曲线），其求解方式也有很多种，基本与线性回归比较类似。
下面介绍一下非常出名的支持项量机（SVM）。先举一个简单例子，绿色、蓝色两类点可以被一条线完全区分开，那你可以从无数条可能的分类线里找到一条最好的，两类点和它的最近距离是相等的，所谓的支持向量就是离分类线最近的点。但有的时候情况比较复杂，两类点混杂无法找到一条线进行区分，这时候可以一定程度上容忍一些点越界，对于越界的点给予一定惩罚（即加入松弛变量），这就是在不可分割情况下的线性支持向量机。
对于支持向量机，我们再举一个例子，在二维平面上有四个点，(0,0)和(1,1)同属一类，(0,1)和(1,0)同属一类，这时候用线性支持向量机分类是无解的。此时我们可以把这4个点投影到三维空间里完成分类，比如我们的映射函数取为x_1乘以x_2，只有(1,1)点在第三个维度上的值为1，其余三个点的值都为零，这时如图所示我们就能找到一个平面就区分这两类点了。这就是核支持向量机了，常见的核有线性核、多项式核、高斯核。高斯核是最常用的，如果感兴趣的话可以深度阅读一下这方面的资料。
接下来我们介绍一下决策树模型。假设已知各种情况发生概率和影响决策的几个条件，我们可以通过决策树进行分类。决策树每一步都是局部最优问题，我们在N个特征中寻找一个最优的分类特征，使得在该步分类后，信息增益能够达到最大。决策树直观易理解，与正常人的决策思路类似。决策树算法效率高，但容易带来过拟合，可以后续通过剪枝等方案进行优化。
下面介绍一个分类器集成的方法——Bagging。Bagging可以解决样本数偏少的问题，提高学习算法的精度。其基本思想是给定一个弱学习算法和一个训练集，在训练集中反复进行有放回的采样得到新训练集，在新训练中运用学习算法得到预测结果，用所有预测效果进行投票得到最终的预测效果，其准确率可以得到提高。
将Bagging和决策树算法结合，就得到了比较有名的随机森林。其核心思想就是每次在训练集中随机抽取一定数目的样本，在特征集中随机抽取一些特征，生成一棵决策树，最后将所有决策树结合起来生成整体预测。随机森林是一种随机算法，每次产生的结果并不一定是一致的，它的优势是实现容易、每棵树的训练速度快、可以并行、对数据集的适应能力强、不容易过拟合等等，是一种比较流行的选股算法。
下面介绍一下Adaboost算法。这也是一个非常有名的机器学习框架，其核心思想是将弱分类器集合起来构成一个强分类器。Adaboost是一个串行算法，在每层分类器中，提高错误样本点的权重，将新的训练集传输给下一层分类器，层层迭代，最终的分类器是由每层分类器集合起来，每层分类器的权重与其分类效果有关。
接下来介绍一下神经网络算法。图示公式非常像人脑里面的神经元，每一个输入的样本由树突传递到神经元，经过汇总运算再由轴突向外传递，如果计算过程中运用的“激活函数”为Sigmoid函数，那这个神经元本质上就是一个逻辑回归。那神经网络是什么呢？其实就是将许多个单一神经元联结在一起，一个神经元的输出就可以是另一个神经元的输入。一般神经网络包括输入层、隐藏层、输出层，相邻层不同单元间由不同参数连接。神经网络应该算是一类方法的概称，它实践起来的细节非常多。它能够充分逼近任意复杂的非线性关系，计算过程中涉及大量参数，会影响到结果的可信度和可接受度。神经网络中比较流行的一个子类别是卷积神经网络（CNN），它模拟的是视觉神经元的工作模式，在图像识别领域应用比较广。CNN主要通过局部感知和权值共享来降低参数个数，在提高运算效率的同时降低过拟合风险，同时CNN的鲁棒性也比较高，是一种在实践中应用比较多的算法。
最后介绍一下K近邻方法。这个方法很好理解，举一个例子，我用过去一段时间个股涨跌及它们在两个因子上的暴露作为训练集，在当前时点，对某个个股的涨跌如何做预测？我把该个股在这两个因子上的暴露度计算出来，在因子值投影的二维平面上找到训练集里最相近的15个样本点，用这历史上15个个股的涨跌情况投票做为当期该个股涨跌的预测值即可。
机器学习博大精深，其它的方法由于时间限制就不一一列举了。后面有几个实际应用案例。
第一个是广义线性模型。线性回归、逻辑回归、线性支持向量机同属于广义线性模型，他们可以被统一刻画为某种损失函数形态，再利用统一的框架进行求解。
我们这里展示广义线性模型中比较成功的一个选股案例——随机梯度下降法加上Hinge损失函数，等价于线性支持向量机。这个问题的解没有显式解析表达式，一定要某种数值方法求解，这里选择了随机梯度下降法。我们这个策略做了中证500的行业中性，在每个一级行业里选预期收益最高的8个个股等权配置，行业权重按中证500配置，交易费用为双边千四。在这里我们并没有引入风控机制，超额收益最大回撤不超过5%，非常稳定。而年化超额收益率在20%左右。
后面试了两个人工神经网络模型。第一个是在Matlab中编写的，第二个是用Python+tensorflow编写的，前者就好像傻瓜式相机，它操作很简单，但可调性差；后者就像单反相机，可调性高，但是不易操作。总体来说，我们还是推荐Python+tensorflow的方式，它甚至都有很好的可视化工具，（PPT图示）这是一个截图，很好地展示了人工神经网络的结构，这个图还有许多细节，可以一一放大。在我们的初步试验下，人工神经网络进行选股有很惊人的结果。我们这里只是进行了一个简单的分层测试，分五层，TOP的年化收益率已经达到了36%。不过缺点是回撤有点大，而且近期净值在下降，是由于过多地暴露小盘因子的缘故。在这方面我们还会持续探索下去，我们对人工智能选股系列报告有非常长远的规划，如果大家对这方面感兴趣，欢迎会后和我交流。
林晓明：我们在选股方向上会持续投入，这是我们的系列报告。我们对这个东西的理解，多因子模型在美国市场发展了几十年，已经非常成熟了。中国市场自从量化宽松出来以后，现在看多因子已经非常成熟了。到未来五年、十年看，多因子模型的形态和效率会比现在强大很多。整个市场都在不断的进步，即便现在的多因子很好，还是要把量化的多因子模型进行进化。进化就有几个方法，一是统计方法的升级，二是计算机计算能力的升级。以前只是几十亿因子，未来可能几百亿、上千亿，未来就是长期的工具。我们还会持续的关注和研究，如果大家感兴趣可以和我们交流。
温馨提示：若您有任何疑问，欢迎联系我们的机构销售人员！
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点中盈网：大数据下的人工智能选股策略
中盈网：大数据下的人工智能选股策略
根据华尔街一家顶级公司的统计分析，互联网连接设备所创造的大数据，在未来几十年将是巨大市场。美银美林表示，人工智能和所谓的大数据分析趋势，也将对企业和市场产生巨大影响。股票策略师贝佳玛周二在客户报告中提到，“我们所处的时代，是一个指数时代，无处不在的互联网和成本的降低，导致大多数活动的数字化和数据化。”大数据指的是对模式和关联的大量信息进行计算机分析，而人工智能对于互联网和智能手机的发展趋势至关重要。她还表示，“这将促进IT驱动生产力的第五次增长”到2020年，大数据市场将达到2100亿美元，策略师预计，“未来十年，AI将成为科技发展的最大驱动力。”大约90%的世界数据是在过去两年中创建的，策略师表示，这种情况只会加速，她预计互联网连接的设备将每两到三年增加一倍，到2035年增长到1万亿。策略师还提到，大数据和人工智能计算“未开发的潜力巨大”，到目前为止，仅有0.5%到1%的数据被分析过。美银美林表示，以下的七家买入评级的公司能够很好的利用这一趋势。
本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。
百家号 最近更新：
简介: 愿你眼中有光 心中有爱
作者最新文章> >> >人工智能第一龙头股已觉醒：昆仑万维+绿景控股
人工智能第一龙头股已觉醒：昆仑万维+绿景控股
& & & & & & & &在复杂的股市实战中要取得长期稳健的赢利，必须在交易中抓住主流热点机会，狙击阶段龙头股票，成功运用龙头战法，一飞冲天，一年抓住两三次机会，足以。对于常规的股票，能够上涨15%，便可考虑卖出了，但对于处于热点之中的股票，在升幅达15%之时，不但不应卖出，还可适当跟进买入，特别是对于其中的领涨股票，甚至可以全仓持有，因为此种股票得来不易，如果一旦握住，一年的收益便不用考虑了。接下来笔者给大家介绍龙头板块和龙头个股的特点。/预知【昆仑万维+绿景控股+香江控股+中科创达】未来3天的后期走势，加紫夜/微/信：zync6688&放心，都是不收费的，如果大家觉得笔者的分析对大家有帮助的话，请多多转载笔者研究股市多年，拥有着多年的经验和智慧，并自己集结了一批“民间股神”，专心研究股票，选牛股成功率可以算的上“几乎从未失手”。为了方便交流特意建立了一个“专栏”。经常在专栏中给股友讲解自己的选股思路和用这种思路选出来的利好个股，很多关注过的人都是获益匪浅。今天也是再来为专栏拉点人气，看看近期本人通过龙头战法选出并讲解的两只龙头股。首先来看中通客车000957，该股属于新能源汽车的龙头股，是当前非常火爆的热点，本人通过龙头战法9月5号选出该股，并在专栏中发文讲解，之后，该股一路上涨，截止目前涨幅高达36%。很多朋友看了当天我专栏文章，理解文章中选股思路，这波收益轻轻松松的收获囊中。再来看新易盛300502，该股有送转预期，是高送转龙头股，本人通过龙头战法8月24号选出该股，并在专栏中发文讲解，之后，该股一路上涨，截止目前涨幅高达61%。牛不牛呢？我认为是非常牛的。这就是本人专栏上的粉丝朋友，在理解了这种选股思路后，能够抓到的涨幅空间。尽管机会不断讲解，但还是有人不断错过。也就在收盘后，就有朋友来问：你之间讲解的中通客车和新易盛我都错过了，怎么办，还有没有类似的潜力股可以在低位布局。其实今天笔者用此选股法也是选出一只有望从低位起涨的强势利好个股，走势图如下：选股理由：1、该股属于人工智能龙头股，受市场资金关注；2、2017年中期业绩大增148.71%，业绩增长。上面的走势图大家可曾看明白？没有看明白也不要紧，关于此股的后期走势及分析，稍后也会在专栏中公布出来，对此方式有兴趣的朋友可以到本人专栏中去查询。文章到这里已经近尾声了，还是有人不知道笔者的专栏是多少，该如何关注，这里由于平台的限制，我这里就不多讲了，可到下方去查看。并且齐尘每天都会通过此种选股思路选择有望从低位起涨的强势利好个股，及时发布在专栏中，供专栏的粉丝朋友参考学习。想学习个股的朋可以直接来找笔者交流，笔者个人微信号（zync6688）或QQ:，放心，都是不收费的，如果大家觉得笔者的分析对大家有帮助的话，请多多转载。
转载目的在于传递更多信息，文章版权归原作者所有，内容为作者个人观点。本站只提供参考并不构成任何投资及应用建议。如涉及作品内容、版权和其它问题，请在30日内与工作人员（qq:）联系，我们将第一时间与您协商。谢谢支持！
点击排行榜
汇金视点微信号：gold678-com
扫一扫，加关注
汇金财经微信号：mygold678平安证券打造“AI慧炒股”
引领券商新时代
摘要：“AI慧炒股”具有全面、个性、智能、便捷、普惠等五大核心优势,核心竞争力集中在大数据、投资策略、人工智能三个方面，囊括智能投顾、智能决策工具、智能资产配置，为客户提供从选股择时到大类资产配置的智能建议，提供一站式投资服务。
查看更多华夏时报文章，参与华夏时报微信互动（微信搜索「华夏时报」或「chinatimes」）
赞(0)收藏(0)
评论（0）评论（0）评论（0）评论（0）评论（0）评论（0）
中国上市公司风险管理高峰论坛（金盾奖）
中国旅游品牌发展论坛
金票根影迷嘉年华
Copyright 2016 华夏时报网 All Right Reserved 版权所有
京ICP备号-1 | 经营许可证编号：京B2-2017521 |
网站管理及技术支持：华夏时报新媒体中心
联系邮箱：NewMedia@ChinaTimes.cc}