1. 如何評價微軟研究院開發的AI量化投資平台Qlib
雞肋。
Quantopian當年那麼火，Point72給他投資，Steve Cohen的資源給他用，今年還是倒閉了。原因是量化平台的盈利模式是有問題的，第一，它不專業，第二，因為不專業，用它的人不賺錢。Point72旗下的Cubist很賺錢，但Cubist不會把infra給Quantopian用，因為能賺錢的infra是稀缺資源。所以Quantopian的框架在專業人士看來非常業余。也正是因為業余，專業的人不用，業余的人用Quantopian的賺不了錢，因此無法和平台分成，所以這樣的平台無法盈利。
微軟的高管去量化界也有先例，微軟前COO Kevin Turner曾到Citadel Securities擔任CEO，但是沒有太大建樹，最終Griffin任命趙鵬，是趙鵬將CitSec發揚光大。
所以說，程序員在不懂套路的情況下，直接跨界去做投資，難度極大。不是因為程序員技術不行，主要是他們不懂投研體系。好的程序員只有在培訓以後才能成為好的QR。打個比方，James Simons何等樣人，他很早就想做股票，一群科學家一直不得要領，摸索了好幾年沒什麼進展，當時PDT和DE Shaw股票都比RenTech做得好得多。最後RenTech是靠PDT的前雇員把統計套利的策略框架做好，然後另一個既懂架構，又懂股票的程序員，把策略細節調好，才有了這么牛比的大獎章。
拿統計套利來說，談談為什麼微軟的這個QLib平台註定不行。統計套利類策略的核心是信號。怎麼從各種數據源里挖掘有意義的信號，如何檢驗信號的有效性，這些都是統計學的范疇。A股簡單的量價信號目前仍然很好用，只要是懂套路的機構，近兩年超額30個點沒什麼問題。可是美股做統計套利可沒這么容易，大部分簡單的量價信號都是沒用的，大獎章return on GMV也做不到10個點。成熟市場里，不了解市場就想挖一些信號是很難的。
模型上，有機器學習的程序員在調參上的確有一些優勢，但是label怎麼處理，feature怎麼engineering這種問題，一般人可能就找不到北了。
其他方面，風格怎麼控，演算法怎麼下單，這些都需要實戰經驗。不了解市場，想靠機器學習里一些fancy的演算法搞個印鈔機，太難。現在好多家私募都說深度學習多麼有用，的確會有點用，但是絕對沒有那麼神，事實上大家做得都差不多，不算很深，深度學習真要那麼有用，誰會到處說？量化這行，真正有用的東西，雖然最終都會被同行知道，但很少有人會在公開場合大說特說的。
綜上，量化策略涉及到統計、數據挖掘、交易、市場理解、機器學習等各個方面，光靠一套機器學習演算法庫，再加上一個優化器，就想攪動市場，沒這么容易的。
2. 人工智慧交易和量化交易需要學習什麼
時下，量化交易確實很火。隨著人工智慧的不斷發展，量化交易將乘風破浪，佔領大半個金融市場。
量化交易是使用程序化（也就是人工智慧）來達到自動識別市場交易信號進行交易。量化投資更像是西醫，依靠模型判斷，模型對於量化投資者的作用就像CT機對於醫生的作用。
傳統交易類似中醫，需要依靠經驗和感覺判斷病因在哪裡。
具體來說，量化交易的機械性能夠讓交易變得更加的客觀不受人性影響，他可以利用交易的對沖性，提高盈利的概率，實現少虧損，多盈利。
3. 中佰融太顧問公司的股票T+0增強業務，人工智慧做量化，應該挺好，做過的講講
挺好的，比人工強多了，一天可以多單操作。
4. AI都能炒股了，以後就要拼誰的演算法牛了
人工智慧量化交易平台宣布獲得數百萬人民幣融資。據悉，本輪融資將主要用於團隊建設、產品開發和硬體設備投入。
是一家基於人工智慧的量化投資公司，成立於2017年10月，主要將技術應用於量化投資領域，實現低風險高收益的投資回報。
中國私、公募基金規模呈大跨步發展，截止2018年2月底，中國私募基金規模已達12.01萬億元，公募資金規模已達12.64萬億，在控制風險的前提下，提高獲得投資收益的效率，是公、私募投資最大需求，國外盛行的量化交易越來越被國內機構所接受。
在量化交易這個領域，目前已有不少項目：私人量化交易平台JoinQuant、RiceQuant以及優礦，為量化交易領域提供核心演算法支持的眾加，量化策略商城微量網、以量財富為代表的量化理財平台，以及為量化投資者提供智能交易和分析工具的名策數據。
量化交易策略的建立是量化交易的重要環節。目前主要方式有兩種，一種是輸入與這套邏輯相關聯的因子，比如歷史表現、公司財務數據、宏觀經濟數據、上下游供應商數據等眾多參數，建立一套模型，以算出標的上漲或下跌的概率，並生成投資組合和調倉策略。隨著近幾年人工智慧興起，不少人開始選用機器學習等方式，輸入眾多因子，讓AI自己生成策略。
創始人兼CEO龐表示，的做法則不同，是用神經管網路替代原來用邏輯和策略構建的數學模型，通過輸入股票相關數據，利用訓練不同結構的神經網路來實現機器自主的量化交易。想做量化交易界的Deepmind（研發阿爾法狗的團隊），成為中國的基金。
目前，的首個產品A股機器人「狗」已上線，應用於國內二級市場的投資，產品已實盤測試8個月。數據顯示，狗實盤業績顯著，在2017年11月A股普跌的情況下(中證1000跌幅超4%)，狗依然實現了5.23%的收益，最大回撤控制在2.7%，並在2018年1月底上證指數大跌12%的情況下，智富狗做到了提前清盤避險，業績明顯優於大盤。
投資人黃表示：「人工智慧是非常好的提高效率的方式，非常關注人工智慧在各個領域的應用，我們認為以為代表的、基於神經網路的人工智慧量化交易平台，能極大地提高大型的高頻交易的效率。人的精力有限，一個再好的操盤手也不可能同時看2000支股票，但機器能輕易辦到。」
5. 量化投資和人工智慧可以結合嗎之前看過一篇人工智慧股市三大猜想的文章，想再深入了解一下
可以把兩個概念加到一塊，進行篩選，望採納
6. EA人工智慧程序化交易，適合什麼樣的人群
期貨程序化交易的策略來源於人工對期貨交易的思維，將成熟穩定獲利的思維編寫為程序化自動交易，可以客服人工的缺點，不論哪些程序化都離不開最初的設計理念和要達到的初衷。一般交易策略可分為以下四種類型。（一）價值發現型（二）趨勢追逐型（三）高頻交易型（四）低延遲套利型
7. 人工智慧可以用來炒股嗎
說的神乎其神，人工智慧能用來炒股嗎？
人工智慧在圍棋、象棋、德撲等領域都已經取得了碾壓式勝利，這已經是一個不爭的事實。事實上AlphaGo這樣的AI已經可以用於任何需要理解復雜模式、進行長期計劃、並制定決策的領域。人們不禁想問，還有什麼是人工智慧不能克服的嗎？譬如說，變幻莫測的A股？
對於這個問題，持各種觀點的都不乏其人。探討它實可以分為兩個部分：1. 股市可以預測嗎？ 2、 假如可以預測，用機器學習的方法去預測可以嗎？
先回答第一個問題：股市的漲跌可以預測嗎？
如果將股市的價格變化看做一個隨時間變化的序列，Price = Market (t), 我們往往會發現，不管是嘗試用N個模型(線性，非線性, 概率)來進行逼近，即使是建立了符合股價變化的這樣的模型，並且在有足夠多的訓練數據的情況下模擬出了股價，但是這些模型最多隻能在特定的區間能做一些並不十分精準的預測。
美國矽谷「感知力」技術公司讓人工智慧程序全程負責股票交易，與其他一些運用人工智慧的投資公司不同，該公司交易部門只有兩名員工負責監控機器，以確保出現不可控情形時可通過關機終止交易。據報道，「感知力」公司的人工智慧投資系統可以通過經驗學習實現「自主進化」。公司在全球擁有數千台同時運行的機器，其獨特演算法創造了數萬億被稱為「基因」的虛擬交易者。系統利用歷史數據模擬交易，目前可在幾分鍾內模擬1800天的交易量，經過測試，不好的「基因」被剔除，好的「基因」被保留。通過考驗的好「基因」被用於真正的交易。公司員工只需設定好時間、回報率、風險指數等交易指標，剩下的一切都交由機器負責。
公司首席投資官傑夫·霍爾曼透露，目前機器在沒有人為干預情況下掌握著大量股票，每天完成數以百計的交易，持倉期限為數日到幾周。公司說機器的表現已超越他們設定的內部指標，但沒有透露指標的具體內容。
隨著人工智慧技術的持續進步，人工智慧投資成為被學術界和資本看好的領域。英國布里斯托爾大學教授克里斯蒂亞尼尼說，股票投資是十大最有可能被人工智慧改變的行業之一。另一方面，也不是所有的投資商都信任機器，英國對沖基金曼氏金融首席科學家萊德福警告說，不應過度信任人工智慧投資，該領域還遠沒有成熟。雖然有各種各樣具有迷惑性的承諾，很多投資人的錢卻有去無回。
8. 可以給我推薦一個比較好的人工智慧量化系統嗎
這話怎麼說那，EA現在已經算是不被難接受吧，量化交易到今天已經受眾面很廣了，有可能一直手動的交易者，在不熟悉，或EA思路模型不了解的情況下，不會放心使用，如果EA量化過程細致嚴謹沒有疏漏，在執行上其實比人還是有優勢的，會避免遺漏時機，更果斷更迅速。優勢還是挺明顯的。
9. 什麼是量化交易，未來前景如何知道的講講。
國外量化交易已經發展了40年左右，量化交易程序換交易佔比60%，量化基金規模達到30個億美元，而國內量化交易起步較晚第一隻量化基金在2004年左右，至今量化交易規模不過2萬億RMB，國內現在的量化人才也很缺失，隨著過來一批量化交易的海龜回來從事量化交易會一定程度帶動行業的發展，但是仍需一定時間，加上國內量化交易政策還不夠明朗，整體來說量化交易在國內還是一年藍海，但是路途並非坦途。
10. 全球最高收益率量化平台全自動交易軟體是上海盈首Ai炒股機器人嗎
用機噐人炒股？這是個新事！