大部分的人工智能机器学习都是围绕这计算机系统的应用来展开的，在一开始的人工智能没有与金融有任何关系。

这是很有意思的问题，现在的人工智能和深度机器学习的开发目标都脱离不开如何更好地服务金融业。

以前的机器学习是使用数据让计算机能清楚地分别出猫的图形，这是很清楚的静态任务。

但是金融领域却是一个有很多相关变量的非静态环境，这些变量广泛存在于股票，证券和其它类型的投资工具中。

我们现在要做的就是预测那些还没有发生的事情。基于人工智能基础上的金融数据模型就是为此而发展的。

在过去的30度年里，英国对冲基金公司Man AHL公司的投资经理们研究了大量的历史数据想从中发现有哪些未来是可以预测的，或者分辨出市场上对投资进行干扰的噪声。

Man AHL公司雇用了很多具有科学背景的高端人才，将数据科学和机器学习融合在一起来管理数额巨大的客户资金。

Man AHL公司对外声称已经将人工智能机器学习的投资模型用于投资领域来指导基金经理的操作，但是该公司没有具体说明他们将这种智能机器学习的投资模型应用到什么程度，也没有向外界说明这种智能机器模型在投资实战中的成功率。

但是这家公司在对外网站上公布了人工智能机器学习的模型图片，并说到投资变革已经开始。

 Man AHL公司的首席科学家安东尼•莱德福德（Anthony Ledford）

Man AHL公司的首席科学家安东尼•莱德福德（Anthony Ledford）强调了在资金管理中人力与机器相结合的多样性投资管理方法的重要性，但是他也表示对那些预测模型不要有过分的信心。

莱德福德说到：“在与投资相关的数据环境中，整个投资数据都在变化的时候，你不能仅仅用一个静态观点来看市场。

而且，研究历史数据并对其分解后将这些历史数据进行关联，这是相对容易的回顾性研究。

但是如果你利用当下的数据结合机器学习，来理解将要发生的事情的可预见性，这个工作就很复杂很困难了。”

莱德福德认为有必要让人们认识到人工智能的机器学习并不是魔术盒子。

他说到：“你肯定需要明白这些机器的运算方法，和这些机器是怎样学习的，以及是如何与人类传递信息的。过去，人们没有进行关于这方面的很多研究工作，现在的学术领域很多人都在研究如何解读这些机器学习系统，而这是一个好趋势。”

莱德福德警告大家说到：“如果完全依靠人工智能的机器来进行投资，你也可能明天就在这个市场消失了。我们在Man AHL公司意识到不能对这些模型有过分的信心。”他本人对那些能预测的机器数据投资模型也只是有50%的信心而已。

要以理性来理解投资的不确定性并依此来建立自己的组合投资，一定要通过多种投资工具来使投资多元化而分散投资风险，并且交易的时间要够长。

机器学习是基于数据而不是基于假设。我们可以把它描述成一个依靠数据没有进行预定义的模型。机器学习的智能软件要试着自己进行推测可能的结果。

这种方法是建立在贝叶斯统计论基础上的。这种统计理论就是在越来越多的证据或信息基础累积基础上计算出最可能的几种情况。

Man AHL公司运用的就是机器学习的一个分支，将之定义为贝叶斯非参数法（Bayesian nonparametrics），这一方法能直接依据历史及当前数据来推断出近似于真实情况的可能性。

莱德福德说到：“在贝叶斯方法中，你对结果的认识取决于你对已知数据的更新程度。现在的真实问题是你是否能以最快的速度更新各种数据，或者你有一个更新数据的计划。我可以遵循贝叶斯方法的描述，然后将得到的每一个最新数据进行更新，但是更新数据的频率是否能与计算机运算能力相匹配还是一个难以把握的环节。”

我们将莱德福德的意思总结一下：要清楚并明白这些不确定性可能比得到阿尔法更重要。我们需要每天管理风险。

要理解人工智能、机器学习在投资模型中的操作很重要，而真正要完全依靠这种机器来进行投资操作的路程则相当漫长。