对冲基金Euclidean科技公司创始人John Alberg，和亚马逊AI实验室的研究员Zachary Lipton说他们研发的模型已经可以在测试阶段打败市面上的投资方法。用人工智能来选长线股，比华尔街现依赖机器处理的方法靠谱。
今年NIPS顶会上，Alberg和Lipton分享了他们的一篇论文，Improving Factor-Based Quantitative Investing by Forecasting Company Fundamentals。这篇论文指出，他们研发的选股AI（下图的LFM-MLP策略）在测试阶段，就产生了17.1%的年化率，而标准的数据模型（下图的QFM，quantitative factor model，传统的计量经济模型）只能达到14.4%。
现在正是金融机构着急往AI怀里跳的时候，对冲基金和各大投行在NIPS上都开启了疯狂招人的模式，特别渴求神经网络方面的人才。神经网络最近在语音识别和图像识别上取得了不错的进步。
目前只有少数的公司能够有能力把神经网络用在交易和投资上，不过他们都更关注短线投资策略。Alberg和Lipton的共同研究表明，如果能获得足量的公司财务数据的话，比如利润、营收、负债等数据，一个深层的神经网络是能够有效地选出适合长线投资的股票的。
他们给AI模型时间跨度长达1个月、3个月、6个月、9个月的16种常见的财报数据和其他四种和股价波动相关的公式，以及从1970年1月到2017年9月期间任意连续12个月的纽约交易所、纳斯达克、美股交易所有股票数据。
本来，他俩想给这个神经网络模型5年的数据量，然后希望模型能预测出未来一年的市场股价。但是这么操作后发现预测的结果并不比原来标准的模型好多少。
“股价波动太大，至少在短期上来说，和现实中发生的事情没有太大关系。”Lipton同时也就职于卡纳基梅隆大学。
“一般来说，AI领域里，或者数据科学圈里，股价剧烈震荡这种情况，属于神经网络被干扰了之后的噪音。”Alberg补充。
所以他俩尝试了另外一种方法。这次他们不再让神经网络预测未来一年的股价了，而是预测公司未来资产的市值，还有息税前利润，再把这个预测值除于公司目前的市值，得到个AI驱动预测未来价值的复合公式。然后基于这个公式投资50支最便宜的股票。
“如果我们把这个问题分成两部分看的话，第一部分就是基于过往的资产预测出未来的资产，第二部分就是用这些资产去预估当时的市值。这样拆解问题之后，深度网络就可以发挥作用了，模型的有效性也可以得到提高。”
Alberg和Lipton将会继续研究这个领域。接下来的一个计划是，看这个神经网络模型的预测资产表现能不能比人类资产分析师更出色。以及他们也想尝试一下，如果给模型喂其他关于公司未来业绩表现的数据的话，比如说营收电话会议上的高管谈话等，会不会进一步提高模型的年化率。
最后，附原文链接：
https://www.bloomberg.com/news/articles/2017-12-11/hedge-fund-founder-and-amazon-researcher-build-a-better-ai-stock-picker
论文链接：
https://arxiv.org/abs/1711.04837
以及对冲基金Euclidean科技公司创始人John Alberg对论文的解读：
https://www.linkedin.com/pulse/findings-from-our-research-applying-deep-learning-long-term-alberg/
