|
|
谷歌的人工智能AlphaGo对战围棋世界冠军李世石，赛前围棋界较高级高手几乎一边倒预测李世石赢，可是目前结果是AlphaGo 正以3：0领先。
从对局特别是第二盘看，AlphaGo优势非常大（李世石接受采访时表示：很吃惊自己输掉了，说不出话来。对手下得比昨天更完美，我没什么机会。）。这是人工智能在智慧竞技领域对较高级人类智慧的碾压，具有划时代的意义！
从AlphaGo的逻辑路径、设计思路到下棋推演，我认为资本市场的投资可以从当前较高级的人工智能这里有所借鉴。下面一一道来：
1、思考问题要超出定式
一定要追寻事物的本质
上面这句重复三遍
AlphaGo对战李世石里面很多棋超出了当前围棋的定式，有的如神来一笔、有的被解说的职业9段们说成俗手，比如第二盘的13手、37手。
围棋本质是个围空的游戏，最后谁占的实地多谁就赢。AlphaGo行棋无疑贯彻了这个本质。
投资的本质是什么？
本杰明.格雷厄姆给出的投资定义：“投资是指根据详尽的分析，本金安全和满意回报有保证的操作。不符合这一标准的操作就是投机。” （对于格雷厄姆和巴菲特而言没有所谓的价值投资，只有投资和投机的区别。为免引起歧义，下文还会用价值投资来说。）
2、重大的价值投资思维颠覆？
自下而上？还是资产配置？
2.1 从格雷厄姆到巴菲特到彼得·林奇，都强调了价值投资是自下而上的，即：买的不光是价格,买的是企业的股权，选择优质上市公司，买入并长期持有，不考虑短期股价的波动。巴菲特多次强调投资不是由宏观因素来决定、不考虑复杂经济环境。
简单说就是好公司，好价格，长期持有------①评估估值+②长期持有
2.2 再来看看AlphaGo的决策机制
AlphaGo有2个大脑，“一个是策略网络 (Policy Network)：通过观察棋盘布局企图找到较佳的下一步。它预测每一个合法下一步的较佳概率，那么最前面猜测的就是那个概率较高的。”你可以理解成 “落子选择器”。
另外一个大脑是价值网络（Value Network)：通过整体局面判断来辅助策略网络 的决策。也就是对局面进行胜率估算，来寻求最优落子。
结合投资可以理解为------策略网络决定了投资哪里？投资多少？-----价值网络评估策略网络的投资胜率怎样？哪种投资最优？
以资产配置为主，评估估值为辅------①资产配置+②评估估值
传统的价值投资智慧和人工智能AlphaGo的机制区别还是明显的，哪种更优？
3、较大概率保住胜利是目的
懂的取舍
AlphaGo和李世石第二盘棋，AlphaGo放弃了右上角的部分利益，稳固了中间的地盘。对于AlphaGo来说赢半目是赢，赢10几目也是赢，较大概率保住胜利是目的。这样的思维很机器、很冷酷，在投资领域还是可以借鉴的。
我们做投资的目的何尝不是赢，但是你有没有想过你想赢多少？你的目标年化收益率是5%、10%、15%、20%还是30%？
是选择一种策略，让收益率由市场决定？还是根据你的目标收益率选择合适的策略？你能否知取舍，为了长期收益而放弃短期大幅波动带来的利益？
—— 以上是重点，以下为次重要思考。
4、所谓投资的盘感
是不是总会在某些关键时刻，感觉到牛市来了、感觉熊市来了，然后验证了？感觉到个股要拉升、要大跌，然后验证了？是不是觉得自己有种直觉，所谓盘感？
从AlphaGo和李世石对战来看，引用知乎上面一句话：“说到底，所谓棋感、棋风、大局观云云不过是人类在计算能力欠缺时求助的直觉和本能，即理性不足感性补、理论不足经验补。”
对于大盘或者个股走势，你所谓的盘感可能不过是多次判断后，潜意识的留存了正确的判断次数，而模糊了错误的判断次数？
5、短期来看，还不用太担心人工智能全面取代人类进行投资，一个很重要的问题是成本。
要发展到只用一部个人PC+适当价格的人工智能软件就能替你投资的那天还有点遥远，一旦到了大家都用人工智能投资那天，其投资收益率必将逼近指数投资收益率（甚至阶段性低于指数收益率）。
现在很多赌博是通过网络的，是一个人还是一条狗还是一部机器进行网络赌博都没问题。而很多人热衷谈论的德州扑克就是一个非常非常容易让简单程序（规则简单的概率游戏，还不用人工智能那么高级）来进行的赌博品种，或许已经有程序猿达人用软件在德州扑克网络赌博中收购韭菜，但是成本、规模都制约了软件的普及，用的越多，收益递减直到覆盖不了成本。
股票市场一个类似的例子，就是量化投资界的传奇西蒙斯的对冲基金公司文艺复兴，其旗舰基金大奖章基金长期业绩不可谓不耀眼，但是结局了？大奖章基金已经很多年前就关闭了外部投资，现在基本都是西蒙斯和他那帮科学家自己的钱在玩。
6、不断学习才能进步
人工智能AlphaGo通过不断的学习棋谱，并且左右互博与自己对战下了3000万盘棋，总结经验教训放入数据库来对后面棋局进行分析评估。
当未来资本市场充斥指数交易、高频交易、量化交易、人工智能交易，价值投资者更需要不断学习来适应环境。
|
|
