20171011-东北证券-人工智能系列报告综述篇_人工智能发展史及算法介绍_16页_1mb

报告摘要

人工智能系列报告综述总结

核心内容概述

本文为人工智能系列报告的第一篇，系统梳理了人工智能的发展历史、主要算法及其在金融领域的应用，旨在为投资者提供人工智能的全景图，并为后续实战篇的推出奠定基础。

主要观点

人工智能发展历程：人工智能自1956年正式确立以来，经历了多个阶段的发展与低谷，从符号计算到神经网络，再到深度学习，逐步成为技术革命的重要推动力。
算法演进：早期人工智能研究主要集中在符号计算和专家系统，随后机器学习成为主流，深度学习进一步推动了人工智能的广泛应用。
金融应用现状：人工智能在金融领域的应用仍处于探索阶段，主要集中在大数据分析、预测和智能投顾等方面，未来具有巨大发展潜力。

关键信息

人工智能发展历史

形成阶段（1956-1961）
- 1956年达特茅斯会议确立人工智能概念。
- 塞弗里奇和纽厄尔开发了第一个AI程序“逻辑理论家”，用于数学定理证明。
- 麦卡锡开发了LISP语言，成为AI研究的主要语言。
黄金时代（1961-1973）
- 人工智能在多个领域取得成果，如数学证明、机器翻译、机器人技术等。
- 专家系统开始出现，如DENDRAL，用于有机化学问题解决。
第一次发展低谷及复苏（1973-1987）
- 1973年詹姆斯·莱特希尔报告导致政府削减AI研究资金。
- 专家系统和第五代计算机的兴起推动AI复苏，如卡耐基梅隆大学为DEC公司制造专家系统RI。
第二次发展低谷（1987-1993）
- 专家系统失去市场，第五代计算机研发失败，导致AI发展再次陷入低谷。
- AI发展受限于理论基础和资金来源单一，缺乏产业链支撑。
现代人工智能（1993-至今）
- AI发展进入深度学习时代，计算机性能提升和大数据积累推动AI广泛应用。
- 2017年国务院发布《新一代人工智能发展规划》，明确AI将上升为国家战略。

人工智能主要算法

感知器
- 首个神经网络算法，用于二分类问题。
- 局限性：只能解决线性分类问题，无法处理非线性问题。
聚类算法
- 无监督学习，用于发现数据潜在结构。
- 常见算法包括k-means，通过迭代优化实现数据分类。
决策树
- 简单且广泛使用的分类器，通过特征选择和划分实现高效分类。
- 需要剪枝以避免过拟合，提高泛化能力。
支持向量机（SVM）
- 基于统计学习的算法，通过间隔最大化实现分类。
- 核函数技术将低维数据映射到高维空间，解决非线性可分问题。
卷积神经网络（CNN）
- 受生物视觉机制启发，通过卷积层提取特征，用于图像识别等任务。
- LeNet-5确立了CNN的现代结构，成为图像识别的重要工具。

人工智能在金融领域的应用

大数据基金
- 利用社交媒体数据和市场情绪因子进行投资决策。
- 例如Derwent Capital Markets基金，通过Twitter数据预测市场趋势。
人工智能预测
- 运用机器学习算法进行市场预测，如瑞贝林基金成功预测2008年股市动荡。
- 日本三菱公司开发的智能机器算法预测股市涨跌，正确率高达68%。
智能投顾
- 通过用户画像、大数据分析和机器决策为客户提供投资建议。
- 国内如芝麻信用，结合消费数据和理财平台提供个性化产品推荐。
- 国外如日本艾帕卡，通过卫星图像分析国家经济状况，辅助投资决策。

总结

人工智能的发展经历了多次起伏，从早期的符号计算到现代的深度学习，其应用不断拓展。在金融领域，人工智能正逐步应用于大数据基金、智能预测和智能投顾等方面，虽然目前仍处于探索阶段，但随着技术进步和政策支持，未来潜力巨大。本文为投资者提供了人工智能的全景图，后续将推出实战篇，结合多种机器学习算法构建量化选股策略。