On the eve of the 2016 election, a number of polling websites, including the New York Times, 唐纳德·特朗普击败希拉里·克林顿的几率不到1%.
In the case of Brexit, 这是一个惨痛的教训，“肯定不会”并不是预测某事是否会发生的完全准确的方法.
Who else is bored of waiting for China to finish rising?
The problem with predictions is that, by and large, humans are terrible at it. In any scenario, the sheer degree of change and contingency, 变量的数量和我们对自己偏见的盲目使我们无法做出客观的预测. 我们没有看到，我们生命中的每一秒都是Schrödinger的猫在以无数种方式玩耍.
专家们因预测的准确度与……相似而受到谴责 “dart-throwing chimps”. For the most part, 预测是无害的，当我们真的陷入困境时，它通常会提供很好的餐桌谈资. 当我们用错误的预测来为决策提供信息时，危险就出现了.
全球金融危机是金融机构受到短视预测影响的最突出例子, 即房地产泡沫的不可战胜性以及银行的不可战胜性 “too big to fail”. Lehman Brothers paid the ultimate price, 这是一个中肯的警告，告诉我们专家也可能是错的.
Blinded by our biases
那么，为什么我们认为自己比实际情况更善于猜测将要发生的事情呢?
When we guess something right, we pat ourselves on the back, Cherry选择我们的例子，并声明它总是“明显”会发生. 然而，只要调整其中任何一个变量，就会出现完全不同的场景. Nobel Laureate Daniel Kahneman explored in the book Thinking Fast and Slow 人类是如何出色地精确定位过去的随机事件的, connecting them, 然后宣称无论结果如何都是确定的和预先决定的.
我们容易受到许多偏见和启发的影响，这些偏见和启发阻碍了我们的客观性，并强烈影响了我们的行为, such as:
- Confirmation bias ——我们有一个讨厌的小习惯，就是选择性地选择那些强化我们已经形成的观点的信息，而忽略与之相反的观点;
- Hindsight bias -我们认为我们对过去的记忆比过去更容易预测;
- The anchoring effect -一种认知偏差，即我们根据之前向我们展示的东西假设未知的数量是已知的;
- Optimism bias – we are more hopeful for certain outcomes over others;
- Recency bias -我们更容易记住和重视最近发生的事件;
- Salience bias ——受到更多对我们来说更明显或更重要的信息的影响.
从本质上讲，人类预测的问题归结为: we see what we want to see.
这就是为什么当唐纳德·特朗普赢得入主白宫之路时，“专家”们感到震惊的原因, 英国背弃了它的欧洲邻国，猜测中国何时会超越美国，成为全球主导力量，这些猜测通常都被否决了.
Computer-powered predictions
We could, however, begin to look to machines, 谁的深度学习在预测未来事件的能力上被誉为游戏规则的改变者. Where humans falter, computers can crunch huge amounts of data, 用一套客观的规则几乎实时地处理它，并弹出模式和见解，大大减少了困扰我们之前预测的人类偏见.
Over the last five years, the growth of quantitative-driven investments has grown exponentially去年达到了近1万亿美元(带“t”)的资产价值. 事实证明，算法驱动的投资策略比传统的市场分析更可靠，速度也快得多. 就连彭博新闻社(Bloomberg news)也在利用机器学习来提供更准确、更细致的市场预测 Alpaca Forecast AI Prediction Matrix.
On a more micro level, 机器学习为银行提供了以更细致入微的方式进行预测的能力 protect Financial Institutions against traditional lending risks. By processing huge sums of data to identify patterns, 算法可以用来在账户关闭之前发现它, predict the likelihood of a customer defaulting on a loan, 甚至可以确定顾客的习惯，从而准确猜测他们未来将在哪里消费. To add, 用于破译支付模式和异常情况的机器学习可能会彻底改变金融犯罪保护.
消除人为干扰并依靠定量证据做出更明智的决策，对于减轻金融机构面临的传统风险至关重要. 在金融服务业转型方面, 机器学习和人工智能技术的应用才刚刚开始开花结果.
我不会矫揉造作地预测10年后它会是什么样子, 但我想说的是，我很高兴在接下来的帖子中探索机器学习的无数应用.
*这里的“客观”一词有一个警告，而机器可以应用规则，而不会出现困扰人类的许多偏见, 所使用的数据不会为自己说话，而是由人类赋予意义并由人类编程. More on this in articles to come!
