人工智能系列报告综述篇_人工智能发展史及算法介绍_14页_1mb

人工智能系列报告综述总结

核心内容

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程、主要算法及其在金融领域的应用。旨在为投资者构建对人工智能的全景认知，为后续实战策略提供理论支持。

主要观点

• 人工智能自1956年确立以来，经历了多次起伏，从早期的符号计算到如今的深度学习，逐步演化为推动技术革命的重要力量。
• 人工智能的发展受到内部学科动力和外部社会目标驱动的双重影响，随着深度学习和计算能力的提升，其进入新的发展高潮。
• 人工智能不再局限于学术研究，工业界正积极构建完整的产业链，推动其持续发展。
• 人工智能在金融领域的应用仍处于探索阶段，但已有初步成果，如大数据基金、智能预测和智能投顾等。

关键信息

人工智能发展历史

人工智能的发展可分为五个阶段：

1. 形成阶段（1956-1961）：人工智能概念正式确立，早期研究集中于符号计算，代表性成果包括“逻辑理论家”程序和LISP语言。
2. 黄金时代（1961-1973）：人工智能在多个领域取得突破，如数学定理证明、专家系统和机器人技术。
3. 第一次发展低谷及复苏（1973-1987）：由于理论和实践瓶颈，人工智能进入低谷，但专家系统的成功和第五代计算机的研发推动其复苏。
4. 第二次发展低谷（1987-1993）：专家系统市场萎缩和第五代计算机研发失败，人工智能再次陷入低谷。
5. 现代人工智能（1993-至今）：随着深度学习、GPU计算和大数据的兴起，人工智能进入新的发展阶段，应用范围不断拓展。

人工智能主要算法

• 感知器：最早的神经网络算法，用于二分类任务，但仅适用于线性可分问题。
• 决策树：通过递归划分数据集，实现分类任务，具有可解释性强、训练速度快等优点。
• 支持向量机（SVM）：通过最大化分类间隔，实现高维空间中的分类，适用于小样本和非线性问题。
• 卷积神经网络（CNN）：受生物视觉机制启发，通过特征提取和映射实现高效的图像识别，是深度学习的重要代表。

人工智能在金融领域的应用

• 大数据基金：利用社交媒体和文本数据进行情绪分析，辅助投资决策。例如Derwent Capital Markets。
• 人工智能预测：通过机器学习模型预测市场走势，如瑞贝林基金成功预测2008年金融危机。
• 智能投顾：结合用户画像和大数据分析，为用户提供个性化的投资建议，如芝麻信用和日本艾帕卡公司。

未来展望

• 随着《新一代人工智能发展规划》的出台，人工智能首次上升到国家战略高度，预计未来在金融领域将有更大发展潜力。
• 人工智能在金融中的应用仍处于初级阶段，但已展现出强大的前景，尤其在大数据分析和智能决策方面。
• 人工智能可能不会完全取代分析师，但可作为辅助工具，提升工作效率和研究深度。

附录：相关报告

• 《金融工程：HMM指数择时研究之实战篇》（2016-09-23）
• 《金融工程：HMM指数择时研究之理论篇》（2017-01-19）

作者信息

• 证券分析师：高建
  执业证书编号：S0550511020011
• 研究助理：肖承志
  执业证书编号：S0550116080014
  联系方式：021-2036 1264，xiaocz@nesc.cn
• 研究助理：孙凯歌
  执业证书编号：S0550117100006
  联系方式：13070102332，sunkg@nesc.cn

数据来源

• 东北证券
• 互联网
• 《机器学习》（周志华）
• 《计算机械与智力》（阿兰·图灵）
• J.P. Morgan 报告《Big Data and AI Strategies》（2017）

参考文献

1. Mitchell T M. Machine learning. New York: McGraw-Hill, 1997.
2. Osuna E, Freund R, Girosi F. Training SVM: An application to face detection. 1997.
3. Big Data and AI Strategies: Machine Learning and Alternative Data Approach to Investing. J.P. Morgan, 2017.
4. 周志华. 机器学习. 清华大学出版社, 2016.