众所周知，跑赢大市的确是一件很难的事情。
绝大多数的职业投资组合经理并不想跑赢大市，而只想赚取佣金。(1) 而最伟大的投资家之一 Warren Buffett 曾说过，普通投资者甚至不应该这样尝试：仅投资于标普 500 指数即可。
很多投资者采纳了他的建议，每年将数十亿资金投资到被动基准基金中。这种趋势迫使活跃的投资组合管理公司不断提升竞争力，并逐渐采用 AI 实现这一目标。
借助 AI 追求阿尔法
用专业投资说法来讲，股票的回报高于市场平均水平就称为其“阿尔法”。这是神奇的数量组合，而且对冲基金经理努力证明他们的收费是合理的。
由于选股直觉和半定量研究不能持续产生阿尔法，投资行业正迫切地求助于 AI 来跑赢大市。
我们通常可以将单支股票的阿尔法追溯到一组因素，这些因素被认为是股票在市场上表现出色（或不佳）的主要推动力。它们通常比较明显，比如航空公司的燃料费或造船厂的钢铁价格，但同时也比较微妙。
量化投资基金公司建立了所谓的因素模型，用于识别决定每种证券的阿尔法的多个原因。这样做的最有效方法是，使用机器学习将可能说明问题的以往数据与历史股票收益关联起来。
这正是它有趣的地方。
建立因素模型通常是比较简单的部分，比较难的部分是确定因素在市场变化之前的移动方向。也就是说，在上述示例中，燃料和钢铁的价格走向如何？为了找到线索，许多公司正大规模地运用深度学习来分析大数据。
过去，对冲基金公司会派人到零售商的停车场统计车辆的数量 – 这种简单的想法就是车辆越多表明销售额越高。现在，想象一下您可以大规模地运用深度学习，近实时地从卫星或无人机数据中提取汽车或轮船位置信息。
SpaceKnow 和 Orbital Insights 等公司正努力将这种能力出售给投资基金公司。另一家公司 Quandl 则出售专有数据集的使用权，这些数据集包含了等待挖掘的微观和宏观经济见解。
专有数据来源并不是新出现的想法。例如，Bloomberg 围绕实时市场价格数据和市场新闻构建业务。但量化投资公司正使用此类数据将深度学习的用途及其产生阿尔法的方式推向新的高度。在量化投资领域中，这种新型的数据生态系统被称为 Alternative Data，或简称为 Alt Data。
欧洲的 Quantenstein 就是使用这种 AI 方法的长期投资基金初创公司的示例。它正在构建基于股权的投资组合，在确保产生阿尔法的同时认真考虑了风险管理问题。（观看 Quantenstein 在 GTC 大会上的讲话。）
有趣的是，这些 AI 量化技术正应用于面向普通投资者采用长期方法的基金。
在稍短的时间范围内，每天的市场情绪波动在市场走向方面发挥着重要作用。位于多伦多的 Triumph Asset Management（最近重组为 Amadeus Investment Partners）正在使用深度学习探索这一领域。
他们使用自然语言处理技术每天分析数以万计的新闻文章，目的就是为了更好地预测市场方向以及制定交易决策。他们已经基于此深度学习方法实现了 76% 的情绪分析准确率。（观看 Triumph Asset Management 在 GTC 大会上的讲话。）
投资服务巨头 Blackrock 最近在一篇《纽约时报》文章中说，该公司的主动式管理基金将会采用此类 AI 量化策略。
尽管这些用例各不相同，但这些公司都需要巨大的并行计算能力，并且都准备采用 NVIDIA GPU 来满足这一需求。
因此，将 AI 和深度学习整合到投资决策中的竞赛已经开始。由于存在着海量的数据，因此，整个世界为其成为下一个投资因素模型提供了公平的环境。