如今的人工智能是绝对的热门风口，其似乎无所不能，能够轻松赋能于多个行业，比如无人超市、医疗智能诊断、自动驾驶等等，好像沾上了人工智能，就拥有了战胜一切的黑科技一样。在金融领域，人工智能也在推动传统的经济模式转型升级，并在培育数字经济领域新的增长点，尝试为人们带来更加高效、便捷、安全的金融服务。 这其中，就有研发者将研究对象瞄准股票市场。好像只要有人工智能元素的融入，炒股就变得简单至极——通过人工智能剖析股票市场整体走向和个股趋势，以此来规避风险并获得高回报。这样看起来稳赚不赔的事儿，真的靠谱吗？ 下面就用实验来验证一下人工智能选股的效果： 首先，准备10只垃圾股作为股票池，这10只股票的代码为： 000006 000009 000011 000012 000016 000035 000039 000046 000048 000049。 1、满仓买入，一直持有，收益如下：  2、使用机器学习的SVM模型进行选股和择时，收益如下：  从实验结果来看，人工智能选股的总收益仅仅为全仓持有的一半左右。人工智能炒股能够战胜市场的神话不攻自破。 那问题来了，早在2017年谷歌的alpha狗就在围棋领域战胜了世界冠军李世石和柯洁，早已没有对手、独孤求败了，人工智能为什么却战胜不了股票市场呢？ 一切问题其实都可以归纳为数学问题。 常规的机器学习或深度学习的数学问题是： y = f(x, y, z) ，输入参数是固定，个数有限的 股票投资的数学问题是： y = f(x1, x2, x3, ... xn)，输入参数是不固定，个数可以是无限的 可见，求解股票投资的数学问题比求解常规的机器学习或深度学习的数学问题要复杂得多，而硬是要拿机器学习来解决股票投资的问题，是不是太牵强了。 而且，机器学习擅长的是利用计算机强大的算力和海量的数据来训练，最终使得机器的判断达到90%以上的准确率。而这两个优势在股票市场都毫无用武之地。就像收割机在平原地区可以使用，但是到了丘陵地区，还是得老老实实拿最原始的锄头来耕种。 更重要的一个原因是股票数据中的脏数据（人工智能专业术语）太多。 数据是数字经济的新石油，这是不言而喻的，但在机器学习之类的领域尤其如此。现代的人工智能系统一般都是通过示例来学习的，也就是说如果你展示给AI系统一大堆“猫”的图片，随着时间的推移，它会开始识别构成“猫”的特征。 什么是脏数据，举个简单的例子大家就明白了。假如在训练的数据中我们有一个PE（市盈率）的数据，当PE等于30时，有60%的概率股价是下跌的，有40%的概率股价是上涨的，当下一次PE再次达到30时，我们用训练好的模型去判断第二天的股价涨跌，那么这个准确率可能就只有50%左右了。 只要存在过多的脏数据，训练出来的模型就必定会过度拟合，测试结果也必将不收敛，从而导致算法失效。 对于从事人工智能的工程师来说，脏数据是最头疼，也是最难解决的问题。 有一个笑话是，数据科学中80%的工作是数据清洗，另外20%是抱怨数据清洗。在现实中，不同情况数据清洗的工作量有所不同。但是数据清洗在数据科学工作中的比例要高于外界的想象。实际上，训练模型通常只占机器学习研究者或数据科学家工作的一小部分（不到10%）。 人类无法造出永动机，那是因为违背了能量守恒定律，人工智能无法战胜股票市场，那是因为无法解决脏数据的问题。由于股票市场中脏数据问题无法解决，想要利用人工智能来战胜市场也就成了无稽之谈。 一个最典型的例子，就是在2017年10月中旬于纽交所上市的，全球第一只应用人工智能进行投资的ETF基金——AI Powered Equity ETF（代码：AIEQ）。AIEQ使用IBM的Watson（人工智能系统）的认知和大数据处理能力，来分析美股的投资机会。 AIEQ身上有很多让人类羡慕的特性：365×24小时始终在工作；同时分析6000多只美国挂牌股票；每天分析上百万条相关的公告文件、财报、新闻及社群文章；利用量化择时、量化选股、因子分析、事件驱动等N种量化模型选股；不断地深度学习，数据处理得越多，选股能力就会更强大…… 当AIEQ刚出现时，很多业界的基金经理、交易员、分析师等都对自己的未来持有“悲观情绪”，认为自己有可能会在短时间内下岗。不过让他们喜出望外的是，AIEQ没有经得起时间和市场的考验。  现在3年过去了，对比一下AIEQ和标普500的表现，AIEQ和标普500几乎是同涨同跌，跟抛硬币来选股没什么区别。 当然，AIEQ并不是一无是处。据wind数据显示，在美股1947只ETF中，AIEQ近一年表现排在第359位，表现还算位居中等。但是整体而言，目前人工智能炒股并没有那么靠谱。想要借助人工智能就轻松实现高回报，至少在短期内还不是有着100%成功率的。