蒙特卡洛模拟下的深度神经网络算法在PE投资中的应用

Posted 2021-04-24 数盟

【数盟致力于成为最卓越的数据科学社区，聚焦于大数据、分析挖掘、数据可视化领域，业务范围：线下活动、在线课程、猎头服务、项目对接】

即使以笔者这样深厚的阅（lian）历（pi），在写下这个题目的时候，也难免还是觉得有点，嗯，神经。。。还是深度的。。。

 

一、 背景

蒙特卡洛模拟下的深度神经网络算法，就是著名的阿法狗背后的逻辑。

 

啥叫蒙特卡洛模拟呢？这个名字来自摩纳哥的著名赌场，是用随机数来解决很多计算问题，包括很多用传统方法根本就没法算的问题（比如居然可以用抛针，靠其中有交叉的针的比率，来算圆周率，等等）。随机的意思，大概就是随便瞎走啦。。。随便瞎走一次两次没有意义，但到一万次，一亿次，直到不知道多少次，到了一定的程度，就可以得出有意义的结果了。不幸的是，围棋的可能性是如此之多，以至于用现有的计算能力，无法穷尽所有的可能，因此光靠瞎走是没有前途的。。。

 

深度神经网络算法又是神马东东？笔者的理解，大致上可以归结为两点，一是将整个盘面当作一个图形来进行处理，重点考虑“形”和“势”，而不是单个的棋子，这是模拟神经元在生物大脑中的功能；二是可以通过学习来提高，系统输入大量的实际棋局，先学到顶级人类棋手的下法，然后又反复自己和自己下，检查和反馈结果，使系统性能更好的修正，从而训练系统的能力不断提升。

 

这种“随便瞎走+整体判断+自我学习”的逻辑，非常接近于人类的思考方式（所以从这个意义上说，阿法狗并没有超越人类，还停留在模仿人类的阶段，不过是一个“严重偏科”的人类），缺了哪个都不行。光是瞎走，估计算到人类灭绝也还没算出来结果；光是靠神经，听这个名字就好像不是太靠谱哈；如果不学习，不提高，这孩子有啥前途！

 

这套逻辑可以用于下围棋，也可以用于下别的什么棋，也可以用于所有的游戏。推而广之，甚至可以适用于任何一件事的决策，当然也包括股票投资、PE投资。

 

棋类游戏为何是人工智能挑战的第一个领域？因为棋类的信息披露最充分、最真实，不存在说，我下的这一步有水分，你下的那一步有造假，假装下在这个位置，其实是下在别的位置。。。所有一切一切的信息，都以落子的方式，真实、准确、完整的披露出来。

 

其实，阿法狗还是有点吃亏，因为从目前公布的情况来看，它只读棋盘，应该不知道对手的表情，有木有出去抽烟等其他信息。最近，苹果收购了一家可读解人们的面部表情并预测其情绪的公司，Emotient。该产品甚至可将满屋子人的面部表情进行分类，应用范围很广，比如可以用来测量消费者对广告的反应，一看你面色潮红，眼角跳跳，右手食指蠢蠢欲动，说明广告有效！这完全可以补齐阿法狗的短板哦！假如苹果和谷歌哪天合并的话。。。

 

二、 下棋与PE投资的类比

PE投资中的项目分析，跟下棋有很大的可比性：

 

1、 各种可能是如此之多，无法穷尽

每个项目在其生命周期会面临无穷无尽的选择，业务的拓展，机构的设立，人员的招聘，上下游的选择，宏观环境的变化，等等。其后续选择的多样性，绝不亚于下棋，多到让人绝望。而一个小小的变化，就会让项目由盛转衰，甚至彻底灭亡，在我们的实践中遇到了太多这样的例子。在这种情况下，投资要考虑细节，但更多是对整个盘面的观感。

 

2、 没法走出必胜的一步，但可以估算出胜率

在项目面临的众多选择中，没有人能够判断，哪个选择一定会导致胜利的结果。但是，通过计算，可以判断出做出这个选择对应的胜率。

在阿法狗里面，有两个系统来评判做出选择的胜率。一是看看高手会怎么走，学名叫“策略网络”（Policy Network），结果来自于真正的人类高手，或者是自己跟自己下得来的经验；二是评估更可能导致赢棋的位置，学名叫“价值网络”（Value Network），结果来自于计算，将未来可能的选择分为“好”或“坏”，并且打分，选出最优。

 

策略网络中的数字，代表高手把下一步棋下到相应位置的相对可能性

   

价值网络中各个点的颜色深度，代表对棋手来说更可能导致赢棋的位置

   

 

3、 也有个对手，需要战胜他，至少是打个平手

要投资的项目，不是自己跟自己玩，一般来说都有个对手。没有竞争对手的项目，是最可怕的，因为说明没有其他人看好这个方向。在现代社会，信息的充分流动下，只有一个最聪明的人看到机会，其他人都无感的可能性已经小到接近于零。从这个角度来说，有竞争对手，是好事而不是坏事。而在这众多的对手中，只需要打败最强的那个即可。或者，能够跟同业强者齐头并进，也是很不错的。

 

4、 面临的可能是空白盘面，但更多的是中盘甚至残局

虽然最近有天使投资机构化的趋势，但PE投资的主流还是投资于已有的企业或者项目，而不是从头开始。这种情况类似于下棋的中盘，信息更多更充分，更有利于系统分析和判断。让系统来判断从零开始的天使项目，有可能出现段子里面说的，阿法狗甲和阿法狗乙对弈，甲弈出第一子，乙经过长考，投子认负。。。

还有一些并购重组项目，更像是残局，搏杀到了一个非常复杂的局面。这也意味着可以作出的选择已经不多了，往往要棋出险招，要想常人之所未想，才有可能扭转乾坤。要走常规的路径，就是天桥上看人家摆的象棋摊子，踩进一个大坑了。

 

与此同时，PE投资跟普通的下棋也有很大的不同：

 

1、信息的完整度

跟下棋时信息充分披露不一样，由于视野和能力的限制，投资项目时，所能获得的信息是不完整的，棋盘上很多地方是被蒙住的，还有很多东西在棋盘之外。只有通过不断的侦察，通过间接的方式，才有可能初步了解到各方的布局和战略等整体情况。

 

2、团队与合作者

下棋是个人行为，哪怕有世界级的支持团队，有最高水平的教练，上场的也只能是一位。而项目则不同，单打独斗是不可能成功的。团队的重要性怎么强调也不为过，不怕神一样的对手，就怕猪一样的队友。。。

 

3、空间和范围

下棋是在一个固定的空间和范围内进行比拼，获得胜利的手段比较单一，一般都是吃掉对方。而投资项目则未必，不一定是以干掉对手为目的，共同把市场做大也是一种美好的可能；不一定是靠武力值最高来获胜，声望值也很重要；而且，在行业大趋势不行的时候，还有更高级的掠食者的时候，被跨界攻击的时候，干掉对手了也未必就一定能成功。

 

弄了半天，似乎PE投资更像星际争霸、DOTA、英雄联盟，还有魔兽世界、帝国时代。。。据说，暴雪已经明确表示，《星际2》将接受AlphaGo的挑战。阿法狗的征途，是整个游戏世界的星辰大海啊！

 

三、 一只优秀PE狗的养成

 

现有的“随便瞎走+整体判断+自我学习”系统完全可以复制到PE投资投资决策中，从而判断项目的质地（赢面，胜率，都是一个意思），但还有一些关键点需要调整和增强，超越狭隘的下棋，这个系统才能算是优秀的PE狗。

 

首先，是及时、准确的收集到尽可能多的信息。这里有三个关键词：

 

1、 范围

收集到尽可能多的信息，要多到什么程度？除了传统上的财务数据、法律文件、团队信息之外，至少还应当包括：

01

时间维度上的

这个项目去年夏天做了什么？还有前年呢？

02

横向维度上的

竞争对手在做什么？上下游在做什么？

03

纵深维度上的

水费？电费？股东吵没吵架？员工士气怎么样？

要真正收集到全部信息，可能性微乎其微。有个朋友跟我说，他去看项目时，非常留意派来接他的司机，很喜欢跟司机交流，从这个司机的言谈举止，接待水平，很能体现一个公司的管理水平和老板风格。这种信息，让机器收集到的可能性有多大？？？

但好消息是，项目各个维度的信息有一致性，身材好的一般都长的不错嘛！项目也是如此，获得相对完整的信息，就足够了，空白的地方可以合理推定。

 

2、 准确

对于人工智能系统，有个广为接受的说法就是，不管多高级，如果进去的是垃圾，出来的也必然是垃圾。初始条件错了，就像看错了棋子的位置，那么再高的高手也会一败涂地。

因此，信息是否准确，就成为影响判断准确度至关重要的因素。优秀的PE狗要有清洗、筛查的功能，可以通过对比、追踪，过滤掉错误、误导的信息。

 

3、及时

当今社会，千变万化，速度之快，为人类历史上前所未见。别说一年前的信息，就是一个月以前的信息，可能都跟现在相比发生了很大的变化。

因此，对于做出判断所需的信息，要越新越好。而且，最好是有一个持续不断的信息更新机制，可以对前期的判断做出适合的修正，不断提高胜率。

 

物联网可能是解决上述问题的一个思路，通过机器，而不是人工，来收集项目的每一个信息，可以最大程度上做到准确、及时。至于是否全面嘛，就看你要布多少个收集点啦。

 

其次，建立完备的案例资料库。

棋谱是简单的，案例库是复杂的，标准化的案例库是更复杂的，要达到PE投资要求的标准化案例库嘛。。。这个库要包括各个行业、各种企业的业务数据、经营数据、融资数据，以及各种机构的投资数据，看起来几乎是不可能完成的

。

但世事无绝对，只怕有心人。笔者认为在大数据的时代，迟早会建立一个完整映射真实世界的虚拟世界，上述这些投融资数据，只不过是这个完整映射的很小一个部分而已。

有了这个库，就可以让PE狗先学习最优秀的机构是怎样投资和选项目的，再学习最牛公司的成长轨迹，最后让PE狗不停的给各种拟投资项目上蒙特卡洛模拟，日以继夜，无休无止，看看这个项目如果瞎发展，能发展成啥样。。。最后终于搞清楚，结合深度神经，这个项目各种瞎发展之后，成为独角兽的胜率为51.8%，行，投了！

 

最后，做好增值服务。（这个思维的跳跃好像有点大。。。）

假设我们做到了前面所有这些，对于PE投资来说仍然是不够的。因为PE狗最多只能做到对项目进行评判，它自己应该是没法亲自下场的（如果亲自下场，以后企业、项目都由PE狗来运营，似乎画面也挺美。。。）。无论开局如何好，下棋的那位如果瞎走，不管是故意瞎走，还是随机瞎走，最后也都是要完蛋。

这就要求有一个机制，能规范、引导棋手，一直尽心尽力的下好每一步棋，甚至给他支招，饿了煮面条，累了喝红牛，必要时还得协调团队关系，这就是增值服务的范畴了。配合高效的信息收集和反馈机制，增值服务应该会更有针对性，效率也会更高。

 

但愿在我们的有生之年，能看到一代PE狗的诞生！一定萌萌哒！

 

 

参考文献：

【1】 Mastering the game of Go with deep neural networks and tree search, David Silver等，Nature 529, 484–489 (28 January 2016)

这篇文献真是太高大上了，以笔者的知（xia）识（che）水平也不可能看懂。。。

【2】 宋仁，两个大脑，深度揭秘谷歌AI围棋程序AlphaGo机制，2016-01-30

感谢龙飞虎对本文做出的贡献！

了解更多，请点击“阅读原文”

投稿、合作请发送邮件至[e-mail]