A. 人工智能会让股票分析师失业吗
我觉得暂时不会，因为股票最有意思的就是不可确定性，同样的一种股票形态，由于大盘环境不同，会有截然不同的走势，而人工智能只能按照程序算法去推演，但是不排除未来伴随着人工智能的发展，机器人完全取代人类。
B. 利用大数据人工智能投资股票的能代替投顾吗
投顾有各种各样的，大数据人工智能可能是没私心的。
C. 人工智能和机器学习会逐渐取代金融和数据分析师吗
关于人工智能的发展上限，曾经和很多朋友讨论过。说实话，我们得出的结论中，金融这种依托数据分析的行业未来极有可能真的被人工智能占领，反而是考验创造力和想象力的行业，比如艺术、传媒，人比人工智能拥有更大的优势。
然而，这只是现阶段的人工智能应用情况，未来是否真的会替代金融界从业人员，尚未可知。
D. 未来五十年会计、股票经纪人、不动产销售会被人工智能取代吗
基础岗位岗位会越来越智能化，全部取代不可能，但是人员需求会做来越少，以前财务可能有三四个人，以后可能只需要一个财务总监就足够了
E. 人工智能技术的发展和崛起，以及自动化分析工具的发展，似乎数据分析师和金融行业的高级分析师有被取代的
人工智能 可以带来美好，也可以带来灾难，有好有坏，生产上去了，工人下岗了，工人没钱买不起产品，循环了
F. 未来十年，哪些职业会被人工智能取代
提到人工智能人们第一想到的就是解放双手，但凡事不是绝对的准确，解放双手就意味着人类的懒惰天性将要得到释放。其实，人工智能就像你比赛时的竞争对手，你很有可能被超越被抛到身后的某个角落！
从总体上来说，也不是所有的东西都会被取代。人工智能不一定就十全十美，它也同样缺少人类的灵动性、判断能力和思维能力，所以从目前而已人工智能只涉及到服务类行业服务于人类！
G. AI会取代数据分析师吗
ETL，Extraction-Transformation-Loading的缩写，中文名称为数据抽取、转换和加载。ETL负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。ETL是数据仓库中的非常重要的一环。它是承前启后的必要的一步。相对于关系数据库，数据仓库技术没有严格的数学理论基础，它更面向实际工程应用。所以从工程应用的角度来考虑，按着物理数据模型的要求加载数据并对数据进行一些系列处理，处理过程与经验直接相关，同时这部分的工作直接关系数据仓库中数据的质量，从而影响到联机分析处理和数据挖掘的结果的质量。数据仓库是一个独立的数据环境，需要通过抽取过程将数据从联机事务处理环境、外部数据源和脱机的数据存储介质导入到数据仓库中；在技术上，ETL主要涉及到关联、转换、增量、调度和监控等几个方面；数据仓库系统中数据不要求与联机事务处理系统中数据实时同步，所以ETL可以定时进行。但多个ETL的操作时间、顺序和成败对数据仓库中信息的有效性至关重要。2.数据挖掘(DataMining)，又称为数据库中的知识发现(KnowledgeDiscoveryinDatabase,KDD)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单的说，数据挖掘就是从大量数据中提取或“挖掘”知识。并非所有的信息发现任务都被视为数据挖掘。例如，使用数据库管理系统查找个别的记录，或通过因特网的搜索引擎查找特定的Web页面，则是信息检索（informationretrieval）领域的任务。虽然这些任务是重要的，可能涉及使用复杂的算法和数据结构，但是它们主要依赖传统的计算机科学技术和数据的明显特征来创建索引结构，从而有效地组织和检索信息。尽管如此，数据挖掘技术也已用来增强信息检索系统的能力。1)数据挖掘能做以下六种不同事情（分析方法）：·分类（Classification）·估值（Estimation）·预言（Prediction）·相关性分组或关联规则（）·聚集（Clustering）·描述和可视化（DescriptionandVisualization）·复杂数据类型挖掘(Text,Web,图形图像，视频，音频等)2)数据挖掘分类以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘·直接数据挖掘目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。·间接数据挖掘目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系。·分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘3)各种分析方法的简介首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。例子：a.信用卡申请者，分类为低、中、高风险b.分配客户到预先定义的客户分片注意：类的个数是确定的，预先定义好的估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。例子：a.根据购买模式，估计一个家庭的孩子个数b.根据购买模式，估计一个家庭的收入c.估计realestate的价值一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运用估值，给各个客户记分（Score0~1）。然后，根据阈值，将贷款级别分类。通常，预言是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。·相关性分组或关联规则（）决定哪些事情将一起发生。例子：a.超市中客户在购买A的同时，经常会购买B，即A=>B(关联规则)b.客户在购买A后，隔一段时间，会购买B（序列分析）聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。例子：a.一些特定症状的聚集可能预示了一个特定的疾病b.租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群聚集通常作为数据挖掘的第一步。例如，"哪一种类的促销对客户响应最好？"，对于这一类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。·描述和可视化（DescriptionandVisualization）是对数据挖掘结果的表示方式。
H. 未来券商研究所分析师会被AI或机器人取代吗
如果从数据分析的角度来定义券商研究所分析师主要职能的话，人不如AI,这是它的长项，但如果从实际调研以及综合判断来讲，目前甚至相当长一段时间，AI都无法取代人！
I. 股票交易员 会被人工智能取代吗
从科技发展的角度看，一定会，但普通水平的交易员会被先取代，高水平的暂时不会受到威胁。
这些年程序化交易越来越发达，市场上相当大比例的成交量都是计算机完成的，美国市场上据说超过一半。
传统程序化交易仍然需要人来制定交易规则，实际上仅仅起到一个执行者的作用，人的作用是不可或缺的。
但这几年基于深度学习的人工智能交易程序已经在开发，近期已经听说在美国已经有这种系统进入市场开始试运行。
我预期未来十年左右就会有大量人工智能交易员进入市场，占有相当大的比例，水平一般的交易员将被淘汰，但人工智能的缺陷很多，高水平的人类专家会更加重要，彻底淘汰人类暂时还遥遥无期，