1
投資
大數據與雲端運算從預測你的購物車，幫你開車上路，到最近火紅的AlphaGo擊敗為圍棋冠軍。
AlphaGo的計算、蒐集能力無人腦能及，我們是否能夠期待Alphago 進軍投資市場，比如替投資者研判「買這些的人也買了」、「22元的中鋼（2002-TW）能買嗎」、「該不該放空宏達電（2498-TW）」這些主持人在電視上反覆問著來賓，而來賓總給觀眾一些投資理財有賺有賠之類的答案。
其實透過人工智能演算法解決難題的方法在投資領域上已行之有年，從投資組合最佳化到程式交易，都是透過演算法來分析大量數據、預測價格並尋找獲利機會，華爾街早已超過三分之一的交易是來自程式的判斷決策，而看到機器革命(Smarter, Faster Machines)被列在2015年的世界經濟論壇（World Economic Forum, WEF）的報告中，AlphaGo會不會開始在投資市場中百戰百勝（Yum! Brands, YUM-US），筆者今天就從這些應用的特性來分析出現超級交易機器的可能性。
- 動機變化
購物推薦和自動駕駛都是屬於靜態的行為模式，人的喜好和習慣不太容易會有大幅度的改變，然而圍棋比賽和金融交易則是屬於動態的決策判斷，因為勝負(賺賠)具有絕對的互斥性，對手很有可能為了取勝而做出非典型或是逆向的操作，雖然已有模型(如賽局理論)能夠分析在這種應用中每個角色自私性(selfishness)，但是真正要面對多維度的應用還是可能要回歸到機率式的窮舉搜索，無疑地，特別面對那些不按牌理出牌的對弈行為，會大幅增加演算法的設計難度。
- 關聯性
原則上，購物推薦僅考慮消費者個人的喜好，並無參考對於他人購物行為的關聯性，而圍棋比賽則須考慮到雙方動作存在的雙向關係，至於自動駕駛和金融交易更是涉及到多對多的交互決策影響，其中金融交易更可能受到跨地域甚至跨時域的行為、事件所牽扯，所需的運算層面難以想像。
- 人機互動
購物推薦應用不存在人機互動，僅是單向的輸入輸出行為，而圍棋比賽和自動駕駛則是屬於機器對人的互動，其關鍵在於機器如何理解和預測人類的行為，而對於金融交易中其挑戰在於除了機器對人之外更存在機器對機器的互動，試想想市場上如果市場上大部分的交易都是根據演算法進行決策與最佳化，搞不好我們需要先設計一套演算法來決定要用哪一套演算法了。
- 反應時間
演算法的反應時間往往決定了獲利，購物推薦並不算是有時間限制的應用，圍棋則需要在幾秒鐘內做出反應，而自動駕駛和金融交易更是需要毫秒等級的決策速度，要滿足這樣的限制縱使在雲端分散式與平行運算的架構下仍然具有相當的挑戰度。
- 資訊可見度
反應時間可以透過軟硬體技術的升級得到改善，但是資訊的可見度卻是直接決定了系統的可實現度，無法得知的資訊大幅增加問題的不確定性，甚至可能會讓問題變得無法利用機器求解，在購物推薦和圍棋比賽中，雙方的行為與決策資訊都是完全公開的，在自動駕駛的應用中，除了少部份情況受到遮蔽或是視線死角之外，機器掌握了大部分決策所需的資訊，然而在市場上，一般無法直接得知他人的決策資訊，僅能接收到經過統計或是延遲的簡化資訊。
根據以上的分析，在許多技術挑戰尚未克服之前，筆者認為現在談出現超級交易機器的機會言之過早，但無庸置疑的，相關研究與技術會開始發展，市場上來自程式判斷決策的投資行為會越來越多，投資上需要之資料探勘以及計算預測都將由程式代勞，隨著設備與技術的先進，一般投資者將更加無法與專業交易機構競爭。
27705
