人工智能和机器学习并不神秘
人工智能和机器学习方法并不神秘，其本质是以数理模型为核心工具，结
合控制论、认知心理学等其它学科的研究成果，最终由计算机系统模拟人
类的感知、推理、学习、决策等功能。理解常用的机器学习算法，有助于
澄清对人工智能的种种误解和偏见，帮助我们更清晰地认识人工智能的长
处和局限，从而更合理、有效地将人工智能运用于投资领域。

机器“学习”的对象是客观存在的规律
机器学习的对象是某种客观存在的规律。这种规律可以非常浅显，比如教
给计算机勾股定理，机器就拥有了计算直角三角形边长的智慧。规律也可
以相当复杂，如指纹识别系统学习的是不同指纹图像之间差异的规律，苹
果语音助手Siri学习的是人类语言的声信号和背后表达意义的规律，无人
驾驶学习的是当前路况和驾驶行为的规律。有的规律甚至连人类自己都无
法完美诠释，如AlphaGo学习的是围棋落子和胜负之间的规律，智能投顾
学习的是资本市场中投资决策和收益之间的规律。

机器学习遵循基本的流程
机器学习往往遵循一些基本的流程，主要步骤包括：数据获取、特征提取、
数据转换、模型训练、模型选择和模型预测。数据获取可以通过数据库以
及网络爬虫技术，途径日趋多元化。特征提取基于人的经验和探索，优质
的特征能够起到事半功倍的效果。数据转换包括缺失值填充，标准化和降
维。机器学习模型可分为监督学习，非监督学习和强化学习。模型选择通
常借助交互验证和一系列评价指标。

监督学习寻找特征和标签之间的规律，应用极为广泛
监督学习由使用者给出特征和标签，由算法挖掘规律，学习一个模式，并
且根据此模式预测新的特征所对应的标签。监督学习应用更广泛，学习效
果好。我们从最简单的线性回归模型开始，介绍包括线性回归、岭回归、
Lasso 回归、逻辑回归、线性判别分析和二次判别分析、支持向量机、决
策树、随机森林、AdaBoost、神经网络、深度学习和K最近邻算法在内的
众多监督学习方法。

无监督学习通常用来挖掘数据自身的规律
无监督学习不给出标签，由算法仅仅根据原始特征寻找模式，挖掘数据自
身蕴含的规律。聚类和降维是常用的无监督学习方法。聚类包括K均值聚
类、分层聚类和谱聚类。降维包括以主成分分析为代表的线性降维，以及
以流形学习为代表的非线性降维。

风险提示：机器学习的结果是历史经验的总结，存在失效的可能。