大数据与云端运算从预测你的购物车，帮你开车上路，到最近火红的AlphaGo击败为围棋冠军。
AlphaGo的计算、搜集能力无人脑能及，我们是否能够期待Alphago 进军投资市场，比如替投资者研判「买这些的人也买了」、「22元的中钢能买吗」、「该不该放空宏达电」这些主持人在电视上反覆问着来宾，而来宾总给观众一些投资理财有赚有赔之类的答案。
其实透过人工智能演算法解决难题的方法在投资领域上已行之有年，从投资组合最佳化到程式交易，都是透过演算法来分析大量数据、预测价格并寻找获利机会，华尔街早已超过三分之一的交易是来自程式的判断决策，而看到机器革命(Smarter, Faster Machines)被列在2015年的世界经济论坛（World Economic Forum, WEF）的报告中，AlphaGo会不会开始在投资市场中百战百胜，笔者今天就从这些应用的特性来分析出现超级交易机器的可能性。
动机变化
购物推荐和自动驾驶都是属于静态的行为模式，人的喜好和习惯不太容易会有大幅度的改变，然而围棋比赛和金融交易则是属于动态的决策判断，因为胜负(赚赔)具有绝对的互斥性，对手很有可能为了取胜而做出非典型或是逆向的操作，虽然已有模型(如赛局理论)能够分析在这种应用中每个角色自私性(selfishness)，但是真正要面对多维度的应用还是可能要回归到机率式的穷举搜索，无疑地，特别面对那些不按牌理出牌的对弈行为，会大幅增加演算法的设计难度。
关联性
原则上，购物推荐仅考虑消费者个人的喜好，并无参考对于他人购物行为的关联性，而围棋比赛则须考虑到双方动作存在的双向关系，至于自动驾驶和金融交易更是涉及到多对多的交互决策影响，其中金融交易更可能受到跨地域甚至跨时域的行为、事件所牵扯，所需的运算层面难以想像。
人机互动
购物推荐应用不存在人机互动，仅是单向的输入输出行为，而围棋比赛和自动驾驶则是属于机器对人的互动，其关键在于机器如何理解和预测人类的行为，而对于金融交易中其挑战在于除了机器对人之外更存在机器对机器的互动，试想想市场上如果市场上大部分的交易都是根据演算法进行决策与最佳化，搞不好我们需要先设计一套演算法来决定要用哪一套演算法了。
反应时间
演算法的反应时间往往决定了获利，购物推荐并不算是有时间限制的应用，围棋则需要在几秒钟内做出反应，而自动驾驶和金融交易更是需要毫秒等级的决策速度，要满足这样的限制纵使在云端分散式与平行运算的架构下仍然具有相当的挑战度。
资讯可见度
反应时间可以透过软硬体技术的升级得到改善，但是资讯的可见度却是直接决定了系统的可实现度，无法得知的资讯大幅增加问题的不确定性，甚至可能会让问题变得无法利用机器求解，在购物推荐和围棋比赛中，双方的行为与决策资讯都是完全公开的，在自动驾驶的应用中，除了少部份情况受到遮蔽或是视线死角之外，机器掌握了大部分决策所需的资讯，然而在市场上，一般无法直接得知他人的决策资讯，仅能接收到经过统计或是延迟的简化资讯。
根据以上的分析，在许多技术挑战尚未克服之前，笔者认为现在谈出现超级交易机器的机会言之过早，但无庸置疑的，相关研究与技术会开始发展，市场上来自程式判断决策的投资行为会越来越多，投资上需要之资料探勘以及计算预测都将由程式代劳，随着设备与技术的先进，一般投资者将更加无法与专业交易机构竞争。
