机器学习

机器学习改变了图像识别和翻译。在金融里，它的成功比人们以为的更参差不齐。

有四个领域。预测价格，执行订单，识别欺诈，以及代替人做决定。

第一个领域，预测价格。这是梦想。也是最让人失望的领域。

一张猫的照片永远是一张猫的照片。市场却不一样，一旦找到它的规律，别人马上就会去利用，它就变了。

信号很弱，历史很短，过去不会重复。一个强大的模型在这里主要学到的是噪音。

第二个领域，执行订单。没那么耀眼，却赚钱得多。

一下子买一百万股，会把价格推得对自己不利。要把订单拆开，按合适的节奏来。

举个例子：一笔一亿欧元的订单，成本省下千分之一，就是省了十万欧元。

每天在几千笔订单上重复，就是一笔财富。而在这里，模型有几百万个例子可以学。

在应用中，本章配有动画和旁白，一张卡片接一张卡片。 开始免费试用.

下载于App Store

第三个领域，识别欺诈。这是真正行得通的地方。

每一笔刷卡支付，都在零点几秒内被打分。地点，金额，时间，习惯：全都会比对。

经典陷阱：假设一千笔支付里有一笔欺诈。一个永远回答“没有欺诈”的模型，有百分之九十九点九的时候是对的。

可它毫无用处。重要的是它抓到多少欺诈，又拦下了多少诚实的客户。

举个例子：一百万笔支付，一千笔欺诈。模型抓到九百笔，在百分之零点五的诚实支付上出错。

这就是四千九百九十五次误报。真正是欺诈的警报，还不到六分之一。

第四个领域，黑箱。一个模型拒绝了一笔贷款。为什么？常常连它的创造者都说不清楚。

可在很多国家，法律要求能解释拒贷的理由。监管机构也要先弄懂一个决定，才会接受它。

模型还可能复制数据里的偏见。如果它从不公正的决定中学习，就会高速地重复它们。

所以银行会权衡：宁要一个稍微不那么准、但能解释的模型，也不要一个沉默的神谕。

记住：在例子很多、规则稳定的地方，机器表现出色。在未来不像过去的地方，它让人失望。

所以要警惕任何声称能预测股市的人工智能。那恰恰是它最不擅长的领域。