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。
而社会心理与人类天性却并非是线性相关的。同样的原因，却往往会产生不同的结果。学习历史数据，虽然可以得到一些经验与规律，但往往未来的趋势不会简单的重复历史趋势，而是以一种新的变化与模样，大致方向相同，但细节却完全不同的展示出过去的规律。
也正是第三个原因，才导致基于神经网络的机器学习算法在变化万千的投资交易世界里，表现的并不是很好。
……
基于这个问题，莫雯雯也让沈家公司的量化科学家们做了一些模型，进行了实盘测试，经过几千次的测试与迭代优化，这些基于神经网络的变种算法，其表现可以用非常糟糕来形容。
所以目前世界上最为主流的算法，基于神经网络的各类变种方法，并不适用于变化无穷且呈现出巨大非线性的人类社会活动。
那么还有什么机器学习的方法，能够很好的适用于投资交易市场呢？
在莫雯雯不断的追问下，沈家公司的科学家们，开始给莫雯雯介绍了另外一种特立独行的算法——基于遗传算法项下的机器学习。
……
“莫总，您之前听过遗传算法吗？”沈家公司的一位计算机专家刘博士笑着问道。
“之前听你们说过一些，但不是特别熟悉，你给我讲讲吧。”莫雯雯一边做着笔记一边微笑着说道。
“说起遗传算法，就要从一个比较经典的吃豆游戏开始讲起了。”刘博士笑着说道。
“吃豆游戏？这是个啥游戏？”莫雯雯饶有兴趣的说道。
“这是几十年前一位米国的科学家，提出的一个游戏设想，也正是因为对这个游戏的研究，才诞生了遗传算法的思想。”刘博士继续说道。
“哦，你说说看。”莫雯雯一边在她的小笔记本上记录，一边说道。
……
原来，发明遗传算法的科学家，是世界上第一位计算机科学专业的博士叫约翰·霍兰德，其是最早研究复杂理论和非线性理论的科学家。后世被称为“遗传算法之父”。
一开始，这位科学家设计了一个这样的游戏：有一个10*10的格子空间，边界是墙，在格子里随机撒下50颗豆子，然后随机位置放一个吃豆人，这个吃豆人的视野和活动能力都是有限的，他只能看到自己当前格子和自己前后左右4个格子的情况，而对于每一个格子有三种情况——空的、有豆子、墙。
吃豆人能做的动作有7种：上移、下移、左移、右移、不动、随机移动、吃豆。