本文不是评论怎么运用量化根本面剖析法猜测公司股价。而是以郝伯特·西蒙的进程理性理论结合AlphaGo算法进程评论量化根本面剖析法的剖析办法。

量化根本面剖析法(Quantamental)将量化和根本面两种办法结合起来，是近几年跟着商场电子化、大数据、天然语言处理技能快速开展发生的新的根本面剖析法。现在已经是DT年代，发挥海量数据价值已成为或许。以下评论都是假定已合法的搜集相关数据包含买卖、消费、重视度、GPS、卫星数据等等。

一、依据大数据的量化根本面剖析法一定有更好的猜测吗?

一般来说，咱们会将整个经济看作一个大的动态商场体系，其间又会分割为一些子商场体系，能够以为每一个子商场体系中参加方与相关变量彼此之间的联络要比其他子体系中变量的联络要更强些。所以每个子商场体系中的参加方以及变量独立于其他子体系相对均衡动态移动。36大数据(http://www.36dsj.com/)

短期均衡及每个子体系明显主导的行为往往是动摇而不行预期的。但长时刻动态均衡往往是可预期的，既尽管每个子体系中的变量一同动态移动，但坚持了每个子体系间的相对均衡。既从微观视点考虑的时分现象是改变的，而从微观视点考虑时，现象是不变的。现在依据之前的数据假定，咱们有了关于各个子商场体系方方面面的数据，天然能够更好地计算长时刻动态均衡中那些安稳的联系，然后得到愈加牢靠的根本面剖析作用。

但与此同时，咱们也能听到另一种声响。在《信号与噪声》[1]书中，作者以为在大数据年代信息量呈指数增加，需求验证的假定也正在以相同的速度增加。数据中那些有含义的因果联系组合少之又少，增加的速度也不及信息自身的增加速度快。大多数数据都只是噪声。人们很难从搅扰他们的噪声平分辨出有用的信号。

数据展现给咱们的一般都是咱们想要的作用，并且咱们一般也默许这种大快人心的作用。作者纳特•西尔弗还引证莎士比亚剧作中的话“人们照着自己的意思解说悉数事物的原因，实际上却和这些事物自身的意图彻底相反”。更很多信息能协助咱们更好猜测吗?36大数据(http://www.36dsj.com/)

当然咱们知道，经过深度学习和大数据，一定能得到一个更优的形式辨认作用。但条件是咱们假定未来和前史特征向量是契合同一概率散布。未来当然不会和前史是同一概率散布，就像彼得·林奇说的“你无法从后视镜中看到未来。”哈耶克也说过“咱们做出的猜测有或许被否定，由于他们只具有经历的含义。”这儿也不想用深度学习作用来证明大数据在猜测方面的功效。

纳特•西尔弗在其书中接下来说：”信息只要在恰当的环境下才会成为常识，没有环境，咱们就无法从噪声中区别信号，不断犯错，不断测验，这或许是贝叶斯定理运用起来最简略的一个准则：进行很多的猜测。”[1]”贝叶斯定理告知咱们，任何时分取得新信息，咱们都应该更新自己的猜测。36大数据(http://www.36dsj.com/)

简略地说便是，不断犯错，不断测验。真实’具有’大数据的公司，比如谷歌公司，并不会在树立模型的问题上花费太多时刻。它每年会进行上千次试验，并在真实的客户身上查验它的主意。”[1]在谷歌等互联网公司都会有完善AB测验结构，以便利不同功用快速布置AB测验，经过客户运用作用反应不断迭代完善功用。咱们知道AB测验本质上是个分离式组间试验，不断获取客户反应既新信息继续优化模型作用。

相同咱们能够以为依据大数据的量化根本面剖析法，不只是用大数据弥补之前根本面剖析法所用数据缺乏，其也是经过量化和更及时的数据不断批改猜测模型的进程。

二、依据进程理性的量化根本面剖析法

接下来，将以郝伯特·西蒙的进程理性理论结合AlphaGo算法进程评论量化根本面剖析法的进程[2][3]:

1.想象可选计划调集，以及或许效果调集。

仍是根本面剖析法常常需求剖析的那些问题，包含上下游、销量、本钱、赢利、财政比率等。想象不同猜测值下的可选计划与或许效果。

2.评价或许效果调集的概率。

以上两步，进程理性和贝叶斯定理要求根本一起。都需求依据前史计算得到各可选计划的概率。这种猜测被称作“初始观念”。”从理论上讲，咱们希望将初始观念树立在曩昔的经历***是社会经历的调集之上。”[1]

3.改善猜测的数据，取得新数据，然后改善猜测模型。

新信息和原有信息结合起来的理性进程也是运用了贝叶斯定理。相同，依据大数据的量化根本面剖析法能够更及时的搜集***数据以及作用反应来改善猜测模型。

4.猜测模型作用将会影响可选计划调集，以及或许效果调集，然后继续优化决议计划进程。

继续优化的猜测模型，便是一个预期进程，能够进一步削减不确认性以及消剪了举动域即可选计划调集。这点本质上也是缓冲猜测差错影响，和量化中动态对冲，不断调整危险敞口的办法是一起的。

5.从或许效果调集中，依据预期方针，挑选满足的或许效果调集子集。并从可选计划调集中得到满足的或许效果调集子集对应的计划。

在AlphaGo中运用蒙特卡罗树查找(Monte Carlo Tree Search，MCTS)结合估值网络(Value Network)来做可选计划调集选取。其决议计划时也能够以为是契合进程理性的。比如AlphaGo会走一步导致赢面更小，但赢的概率更大的棋。这太不高雅了，但修正对局势的希望，削减了查找时的空间。

而投资人、剖析师会依据之前的经历与直觉做这个决议计划。依托的是人类的长时刻回忆和人类个别和团体的学习才能。纳特•西尔弗也以为从噪声中区别信号既需求科学常识，也需求直觉，那是依据人类长时刻回忆的。

郝伯特·西蒙对比过国际象棋世界冠军十年间不同的下法，以为这是这是悉数工作强选手的团体经历而堆集起来的常识的作用。专家和新手区别不仅仅是前者具有很多和多样的信息，并且是他的直觉经历使他能发现他所面临的局势中的了解形式，长时刻回忆中贮存很多的棋子的一起形式，经过辨认这些形式，从长时刻回忆中从头找到很多相关信息。

不论怎么，这是一个进程决议计划，正如郝伯特·西蒙着重的“选择不是由问题的客观特征所仅有确认的，而是取决于用来到达决议计划的启发式进程。”[2]36大数据(http://www.36dsj.com/)

三、定论

依据大数据的量化根本面剖析不只是弥补了公司季报时刻上空白，也不只是经过方方面面的数据供给更多特征得到更好的根本面剖析猜测作用。其自身也是一个契合进程理性的剖析办法。介于其也是跟着大数据的开展刚刚起步的新的剖析办法，怎么不断学习量化、根本面剖析法、大数据、机器学习等各方面的作用还有待进一步评论。就像黄霑歌词里写的“论武功 俗世中不知边和高 或许 绝技同途异路”。