|
五一回湖北老家， 打算在武汉玩两天一晚，求一个攻略。 |
有没有技术大佬研究过ai炒股
共收到20条回复
deepseek母公司幻方量化的产品亏不少，远不如人类顶尖高手，仅仅是炒股这一 项能力都距离人类非常远，全面超越人类感觉我们这代人死了都看不到
炒股，就是人性之间的较量
之前推上有人直播用ai炒股的，还是能赚的，只是赚的不多
围棋，德州这都是零和博弈，炒股不是零和博弈啊，可能期望值就是负的
AI狼人杀，有个节目，b站上搜下，挺有意思的。
ai打ai，ai和人混打。
今天大盘崩了，躺平
@huster911 就算是负的不是也有人大把赚钱，ai为什么做不到？
去看看去年量化公司赚的盆满钵满，这叫做量化不赚钱？
围棋，德州，狼人杀 的规则是死的，边界很清楚，这些是计算机AI擅长的
炒股实话说，连人自己都很少人能稳定盈利，没人能预测涨跌，甚至明天的。影响短期的因子太多了，消息面，基本面，突发战争，疫情，创始人被投毒等，影响长期的可能是竞争格局，生意模式，创始人战略定力等，国家政策。可以说，不是AI解决不了，而是人自己还没完全解决，那是一个庞大的工程项目，却总会遗漏之处。
AI落地，是按场景难易程度，先决智能驾驶，再是机器人，未来很久以后AI炒股是可能的。
等ai炒股能够战胜人类，可以说以后穷人没有啥路径能翻身了
人人AI炒股，谁亏钱呢
@huster911 赚了不代表顶尖水平，我都赚了不少，但是我觉得我是菜鸡
@p133133133 每个人的ai能力有差别
非完全信息博弈（In.games of incomplete information）是指参与者无法完全掌握其他参与者的特征、策略空间或收益函数的博弈情境。其关键点可以归纳为以下几个方面：
1. 信息不对称（Asymmetric Information）
- 核心特征：参与者之间的信息分布不均衡，部分参与者掌握更多私有信息（如类型、资源或目标）。
- 例子：拍卖中竞拍者对标的的估值、扑克中对手的手牌。
- 影响：可能导致逆向选择或道德风险（如二手车市场中卖家隐藏车况）。
2. 不确定性管理（Uncertainty Management）
- 概率推断：参与者需通过概率分布或信念系统推测对手的可能行动或隐藏信息。
- 贝叶斯推理（Bayesian Reasoning）：动态更新对对手类型的信念（如贝叶斯纳什均衡）。
- 例子：商业谈判中猜测对方的底线。
3. 策略的隐蔽性与欺骗（Concealment & Deception）
- 虚张声势（Bluffing）：通过误导性行动掩盖真实意图（如扑克中的诈唬）。
- 信号传递（Signaling）：通过特定行为传递虚假或真实信号（如企业发布利好消息影响股价）。
4. 动态学习与适应（Dynamic Learning）
- 信息积累：随着博弈进程，通过观察对手行为逐步缩小信息差距。
- 适应性策略：根据新信息调整策略（如重复拍卖中调整出价策略）。
5. 风险与收益的权衡（Risk-Reward Tradeoff）
- 保守 vs. 激进：在信息不全时需平衡探索（获取信息）与利用（最大化当前收益）。
- 例子：投资中分散风险 vs. 集中押注。
6. 心理与行为因素（Psychological Elements）
- 对手建模：预测对手的心理倾向（如风险偏好、习惯性策略）。
- 博弈论与行为经济学交叉：人类非理性行为（如过度自信）影响策略有效性。
7. 机制设计（Mechanism Design）
- 规则设计：通过制度减少信息不对称的负面影响（如拍卖中的第二价格密封拍卖）。
- 激励相容：设计规则使参与者如实披露信息（如税收申报机制）。
8. 计算复杂性（Computational Complexity）
- 算法挑战：不完全信息下求解均衡需要高效算法（如蒙特卡洛树搜索、深度学习）。
- 实际应用：AI在德州扑克或星际争霸中的决策优化。
实际应用场景
- 经济领域：市场竞争、合同设计、金融交易。
- 政治与军事：国际谈判、情报战。
- 日常生活：求职面试、二手交易。
总结
非完全信息博弈的本质是在信息受限条件下，通过推理、学习和策略设计最大化自身收益。其复杂性源于信息的不完整性、参与者的互动性以及动态演化过程，因此需要结合数学建模、行为分析和计算工具来应对挑战。
你不会以为深度学习模型，一个建立在统计学基础上的就可以精准预测未来吧…那是神。同理，建立在冯诺依曼架构上的人工智能永远也达不到“类人意识”，未来能完全复刻人脑思维的必然是100%碳基或者碳基硅基其他基混合的赛博朋克新人类。
