这些日子，沈家公司的投资交易按部就班的稳定进行。由于近期市场投资情绪较为一般，大部分市场的行情都趋于长期的窄幅震荡，并没有什么太大的机会。

除了香城的“雯峰科技”从香城本土与米国、欧盟的吉利国，不停的带回来现金收益之外，其他类型的策略均未有什么太出色的表现，总体表现中规中矩。

莫雯雯刚好利用这段时间，对沈家公司的总体投资策略系统进行了一遍深入的梳理，将一些表现不好的策略进行了优化，将一些有潜力的策略进行进一步的深入研发。

最近这段时间，莫雯雯迷上了机器学习的算法优化路径。她也让沈家公司的一些计算机专家与数学博士，给自己恶补了很多课程。

虽然关于利用机器学习进行投资策略的优化细节，她并不是很清楚。但是她通过学习，对其基本原理有了进一步的了解。

经过一番讨论与研究，莫雯雯对一种叫作遗传算法的机器学习模式产生了浓厚的兴趣。

……

自从近几年，机器学习在围棋领域大展神威之后，这个领域受到了前所未有的关注。也有很多量化交易公司将机器学习的技术引入了投资交易的世界之中。

但经过几年的海量数据测试，似乎效果并不理想。经过沈家公司的技术专家进行详细的介绍，莫雯雯才了解到，目前机器学习普遍运用的是基于神经网络算法项下的技术类别。

神经网络的数学基础是基于科学的数据统计，通过大量的数据，建立起千万甚至是上亿级别的单元模块，每一个模块都有几个因子输入端，与简单的统计加权概率的混合运算，从而在单元模块产生一个最大概率的结果。

这一个单元模块，就类似于人类的一个神经元，而数以亿计的单元模块组合在一起，就形成了类似人体的神经网络。

不同作用的神经网络再组合变化，相互作用与相互影响，最终便形成了几个概率较大的决策结果，然后再根据新的数据，利用贝叶斯算法来一步一步优化概率，从而形成一条概率最大化的决策路径。

这种算法的优点是，预先不用设定任何主观判断的规则，而是以数据为基础，计算机根据概率优化算法，经过海量的数据测试，计算机能够自动找到一条概率最优的决策路径。

只要输入的因素维度足够多，前期测试的数据量足够大，那么计算机经过几千次的迭代之后，其决策成功的概率，将稳定保持在一个人类无法企及的高度上。

但这种算法却也有几个弊端，第一，用于学习训练的数据与对决策相关的因素维度要足够多，而这种海量数据的需求，并不是所有情况下都能得到满足。

第二，复杂的神经网络群，需要巨大的算力。比如在围棋世界里，下完三盘棋所需要的算力，可能需要几千台家用计算机连续工作半个月左右所消耗的能量。

现在虽然有很多公司与研究机构开始使用大中型超级计算机，其算力是普通家用电脑的数十倍乃至数百倍，但随着模型的复杂度越来越高，其算力的要求也呈现出几何级数的增长。这绝非一般的公司所能承受的成本。

第三，其底层的数学原理，依然是基于线性的统计学规律。无论是象棋、围棋等复杂游戏，其规则是明确的，结果也呈现出非常强的线性规律。

但在人文社会生活中，很多东西并不是线性相关的。比如股市等金融投资市场，其价格变化的背后，是深刻的社会心理与人类天性在起作用。