創(chuàng)新工場董事長兼CEO李開復曾公開表態(tài)，未來十年，80%金融從業(yè)者會被人工智能（AI）取代，純數(shù)字領(lǐng)域的金融，是AI最好的應(yīng)用領(lǐng)域之一。
彼時，摩根士丹利已全球裁員1200人，瑞信對倫敦1800名員工發(fā)出裁員警告；在200名計算機工程師的支持下，自動化交易程序已接管了高盛紐約總部大多數(shù)日常工作。目前AI在金融領(lǐng)域的熱度前所未有，甚至被神化。
人工智能在金融領(lǐng)域的應(yīng)用，究竟會帶來怎樣的變革？《21CBR》專訪了北大匯豐商學院副教授朱曉天博士。
加盟北大匯豐前，在美國華爾街、新加坡、香港和中國內(nèi)地金融投資行業(yè)，朱曉天有超過16年的研究和投資經(jīng)驗，曾擔任中信證券Delta One指數(shù)化衍生品業(yè)務(wù)的高級副總裁。
朱曉天博士
以下是關(guān)于此次分享的整理，溫馨提醒，有大量專業(yè)術(shù)語：
中信證券的實踐
在中信證券時，有相當長一段時間，我負責場外衍生品及管理融券池的增強收益工作，高峰時的融券池規(guī)模達到80個億，是市場最大的，當時我主要兼顧兩部分工作：
首先保證和增強融券收益。由于融券池是多空對沖的，需要定期調(diào)倉，以保證它有額外的Alpha收益（絕對收益）。
考慮到本身資金成本和后來的基差貼水成本（產(chǎn)生于指數(shù)期貨遠期合約價格低于現(xiàn)貨價格時），還需通過多頭的融券獲得收益。另外，加上Alpha策略的收益，才能獲得足夠的增強收益，以保證業(yè)務(wù)正常開展。
其次是Delta One場外衍生品業(yè)務(wù)。我們會跟一些較大的機構(gòu)客戶來合作相關(guān)業(yè)務(wù)，有大量的需求，尤其目前市場監(jiān)管較嚴，“去杠桿”為主，整個機構(gòu)業(yè)務(wù)對場外衍生品的需求增加。
當場內(nèi)標準金融產(chǎn)品無法滿足特定需求時，他們不得不用場外的方式來做，就是定制化的過程。
Delta One主要是線性的，后來我們拓展到非線性的，以場外的工具來做一些綜合解決方案。以此維護與大型機構(gòu)客戶的合作關(guān)系。
我們?nèi)粘Ｖ饕峁┖驮O(shè)計相關(guān)的“解決方案”，不管是線性、非線性的，還有各種標準產(chǎn)品，需要將它們組合在一起來解決客戶的需求。有的時候，一單可以上百億，小的也有幾千萬。
其要求也相對較高，由于每一單都是相對定制化的，落地的過程中要持續(xù)不斷地溝通，包括內(nèi)部各個部門和外部客戶以及合作方。
一旦客戶開始簽署場外的協(xié)議，又涉及到場外協(xié)議過程中的相關(guān)盡調(diào)、流程、風控等等很多的細節(jié)。
主要挑戰(zhàn)來自于市場監(jiān)管的情況隨時在變，很多時候一些解決方案，在本來政策環(huán)境下可以操作，隨著監(jiān)管政策的變化馬上又得重新調(diào)整。
看起來內(nèi)容繁瑣，我們的產(chǎn)品設(shè)計組，只有5、6個人。
智能投顧的真相
我有一個朋友在紐約從事衍生品交易，現(xiàn)在被機器直接替代了。本身衍生品交易這一塊準確定價非常重要，不準確的定價會導致錯誤的交易并導致?lián)p失。
德意志銀行的衍生品交易采用人工智能模型，提高了預測股票回購率的準確率，提高了關(guān)聯(lián)期權(quán)定價的準確性，提高了交易利潤。定價系統(tǒng)越來越人工智能化，交易員就可以直接裁掉了，這是一個趨勢。
AI在國外金融行業(yè)的應(yīng)用趨勢比較明顯。在國內(nèi)，大家知道這是個熱點，也僅限于概念比較熱而已。
在算法交易方面，中信證券在行業(yè)內(nèi)應(yīng)該算數(shù)一數(shù)二的，同時也在不斷地改進，而算法交易中用到的大數(shù)據(jù)，也是人工智能的算法。
在國內(nèi)一些券商陸續(xù)推出了“機器人投顧”的產(chǎn)品，在我看來，暫時只是一個熱門的概念而已——目前媒體上比較時髦的AI其實有狹義和廣義之分。
狹義地來說，很多大數(shù)據(jù)自動化過程也用AI來指代，比如市場上推出的“機器人投顧”，除了名稱時髦外，核心是個自動化的概念，只要輸入一些相關(guān)的風險收益偏好，以及投資者特定偏好，可以馬上根據(jù)模型測算出來。
但是，真正的人工智能要更有擴展性，可以獨立思考，獨立擴展，比如在算法交易或者獨立開發(fā)策略的時候，能夠自動更新數(shù)據(jù)，自動尋找比較優(yōu)化的策略方案。
一般說的“智能投顧”，是指大類資產(chǎn)配置，例如私人銀行的角度：根據(jù)客戶或者個人、機構(gòu)、客戶風險收益偏好決定各類大類資產(chǎn)的配置比例。
通?？梢灾苯幼龀梢粋€系統(tǒng)，可以操作與它交互，達到自動進行資產(chǎn)配置的結(jié)果。這個系統(tǒng)除了核心的資產(chǎn)配置模型外，主要是一個自動化+專家系統(tǒng)的部分。
就我了解，國內(nèi)一些私募機構(gòu)用人工智能的方式，集中在兩個方向：一是直接用人工智能開發(fā)策略；還有一類是下載Google Source人工智能算法的源代碼，對其策略庫進行篩選，因為市場情況隨時在變，就用人工智能算法來動態(tài)篩選一些適合當前市場的最佳策略組合。
“人工智能”這個概念很火，有些系統(tǒng)僅僅實現(xiàn)了自動化，也稱為“人工智能”。例如信用風險管理系統(tǒng)，待其自動化后加入一些專家系統(tǒng)，就被稱為人工智能，屬于比較初級。
但它可以取代一些初級分析員的工作，取代日常的重復性工作。真正要做到智能化，比如說開發(fā)量化策略，其實可以用到很多人工智能算法。
人工智能的一個現(xiàn)實應(yīng)用就是策略開發(fā)中的策略篩選，另外，是用機器人投顧做大類資產(chǎn)配置，F(xiàn)OF （基金中的基金）里面的大類資產(chǎn)配置和產(chǎn)品業(yè)績篩選，都可以考慮這種自動化的配置方式。
人工智能在金融的應(yīng)用主要有兩個方向，一個是預測，一個是分類。預測為線性的時間序列預測，比如一段時間以后，市場漲還是跌；分類主要應(yīng)用在評級、信用風險評估等方向。
金融之所以作為AI一個突破口，是因為數(shù)據(jù)多，樣本足；也正因樣本過多，金融市場價格的確定機制含有很多隨機過程。如何避免樣本內(nèi)訓練的過度擬合，是要解決的問題。
相對傳統(tǒng)操作，使用人工智能技術(shù)的成本也相對較高，當然也取決于用到哪個程度。海外在IT技術(shù)開發(fā)的投入非常大，比如瑞信。
美國的投行可能會把公司利潤的1/3、1/4拿來做技術(shù)開發(fā)，實際上是跟硅谷在搶人，支付的成本非常高，一些計算機專業(yè)的高學歷畢業(yè)生，即使沒有經(jīng)驗，做程序員的職位也可以拿到超過10萬+美元的起薪，仍然不易留人。
這類技術(shù)人才感覺在華爾街只屬于輔助類，去硅谷就有機會加入到一些潛力巨大的獨角獸公司。
招聘技術(shù)人員開發(fā)各種算法交易策略成本非常大，回報也不小。例如，摩根大通銀行直接開發(fā)關(guān)于法律法規(guī)及風控應(yīng)用方面的自動化系統(tǒng)，該系統(tǒng)幾秒鐘就可以做一般后臺人員花幾十萬小時做的事。
這是一個競爭激烈的市場，這類公司的優(yōu)勢慢慢會顯現(xiàn)出來，帶動整個行業(yè)的趨勢走向。海外投行這方面的發(fā)展非常迅猛。
相對來說，中國公司比較急功近利，在技術(shù)方面不愿意投入太多。大家覺得這概念很好，這個說法熱，蜂擁而上，應(yīng)用大數(shù)據(jù)加上一些簡單的自動化，就稱為人工智能系統(tǒng)，背后可能僅僅是一個簡單的流程自動化系統(tǒng)，其中的差別挺大。
AI的兩大軟肋
從技術(shù)本身看，AI經(jīng)過這么多年的發(fā)展，應(yīng)用場景和框架有了較大發(fā)展，而它的核心優(yōu)化算法并沒有天翻地覆的變化——與十幾年前人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法相比，其實沒有革命性的改變。
人工智能的深度學習方法，可以識別非常復雜的非線性關(guān)系，非常適合在金融市場和投資領(lǐng)域的應(yīng)用，也有兩個主要問題：
首先是“黑箱”問題（所謂“黑箱”，就是指那些既不能打開，又不能從外部直接觀察其內(nèi)部狀態(tài)的系統(tǒng)，比如人們的大腦）。不同于傳統(tǒng)的回歸或者參數(shù)模型，很容易解釋預測模型的邏輯原理。
比如告訴你哪些因子與價格變化是緊密相關(guān)的，以及相關(guān)程度的強弱；機器學習通過復雜的多層神經(jīng)網(wǎng)絡(luò)，挖掘輸入輸出數(shù)據(jù)之間的內(nèi)在關(guān)系，預測準確度上有很大提高，但沒有直觀的歸因解釋力度。
其次是機器學習中經(jīng)常出現(xiàn)的“過度彌合”問題。比如人工神經(jīng)網(wǎng)絡(luò)模型由一層層的神經(jīng)元組成的，機器學習的過程，通過樣本內(nèi)的輸入輸出數(shù)據(jù)來訓練和調(diào)整各層神經(jīng)元之間的權(quán)重，然后以優(yōu)化的權(quán)重再對樣本外數(shù)據(jù)進行預測。
理論上，對樣本內(nèi)數(shù)據(jù)進行的訓練次數(shù)越多，神經(jīng)網(wǎng)絡(luò)就能更好地抓住數(shù)據(jù)內(nèi)部的潛在非線性關(guān)系，樣本內(nèi)誤差也越少。
吊詭的是，訓練次數(shù)一旦超過某個臨界值后，樣本內(nèi)的誤差會持續(xù)下降，得到的模型在樣本外預測的誤差卻會越來越大，這是因為模型過度擬合了樣本內(nèi)數(shù)據(jù)的關(guān)系，喪失了在樣本外應(yīng)用的一般可適用性。
當前機器學習的核心算法，就是找到一個訓練平衡點，以便達到一個最優(yōu)的樣本外預測模型。
在預測這一類的應(yīng)用中，如果只是做一個市場漲跌的判斷，我以前做過“海峽時報指數(shù)”未來漲跌的預測，最好的預測成功率達到74%，已經(jīng)很高，一般平均水平能達到50%以上。
只是，單一一次的成功率沒有太大意義，得去檢驗持續(xù)成功率達到多少，這樣才能拿到持續(xù)的收益。
如果說，人工智能技術(shù)要在國內(nèi)金融領(lǐng)域?qū)崿F(xiàn)普及，要有資金投入，也需要核心的人工智能和大數(shù)據(jù)技術(shù)來構(gòu)建算法交易平臺。
以前我們在瑞信，用兩年時間，做了一個同時滿足做市和自營功能的自動做市和算法交易平臺，在平臺上可以完成整個自動化過程，其中包括各類數(shù)據(jù)的實時接入，量化策略的開發(fā)、交易和執(zhí)行，以及每日市場新數(shù)據(jù)的自動清洗、壓縮和存儲。
當晚收盤后，需要把新數(shù)據(jù)納入重新計算，以調(diào)整第二天的交易參數(shù)，再進行自動交易，以此循環(huán)。過程完全自動化，沒有人工介入。
當涉及到數(shù)千支股票或者數(shù)千個資產(chǎn)的交易參數(shù)更新，一個晚上通常完成不了更新計算，就要使用并行分布式計算，要充分利用晚上閑置的其它計算資源。
比如，Alphago具備1000多個GPU的強計算能力和內(nèi)存，以達到自動化過程。只要計算能力不是瓶頸，這個過程可以不斷優(yōu)化，比如一晚上原來10臺計算機的工作，可以用100臺、1000臺服務(wù)器同時做，可優(yōu)化的細節(jié)會更多，第二天自動更新交易參數(shù)之后，策略優(yōu)勢就更為突出。
要有自動化平臺和好算法，意味著要有人才的投入，例如策略開發(fā)分析師、量化開發(fā)人員等，有一個開發(fā)過程。
真正涉及到交易的自動化，包括策略和交易信號的系統(tǒng)化開發(fā)和優(yōu)化、智能止損和止盈的算法。根據(jù)市場的情況，隨時調(diào)整智能算法是最具有挑戰(zhàn)性，需要比較強的量化和開發(fā)團隊來完成。
真正從事日內(nèi)高頻交易類型的私募或者對沖基金，對系統(tǒng)的要求很高，國內(nèi)有機構(gòu)出一兩百萬年薪招聘一個IT開發(fā)人員，都未必能找到合適的。畢竟，要了解人工智能技術(shù)，同時了解金融市場的策略開發(fā)，這類復合型人才很稀缺。
2018年，北大匯豐商學院計劃推出全國第一個金融碩士的專業(yè)，偏重金融科技的實際應(yīng)用。
主要包括人工智能、大數(shù)據(jù)和區(qū)塊鏈技術(shù)在金融領(lǐng)域的應(yīng)用，具體包括移動支付、網(wǎng)絡(luò)支付安全，區(qū)塊鏈技術(shù)在物流、物聯(lián)網(wǎng)方面的應(yīng)用，以及智能投顧、智能算法交易、金融大數(shù)據(jù)等。
開設(shè)的原因是深圳高科技公司比較多，大家比較關(guān)注金融科技的發(fā)展，包括華為、騰訊等大公司都在加強研發(fā)和布局。 目前，全球僅有2所美國大學以及1所香港大學開設(shè)這個專業(yè)。
無處不在的風險
此前大熱的AlphaGo圍棋戰(zhàn)，結(jié)果都在意料之中，人可以看到棋局的3、4步以后，AlphaGo可以看到20步以后，他就比你強，就這么簡單。
對于AlphaGo來說，只要有新的盤面數(shù)據(jù)進來，都可以作為樣本進行訓練，它自己產(chǎn)生數(shù)據(jù)的訓練，肯定就更多，因為訓練時間更長了。
人類總共就3000多萬次盤面，在這個樣本內(nèi)，它再不斷自己訓練，相當于左右搏擊，自己去找新的盤面。
期間，人類的3000多萬盤面可能沒有太大的變化，它自己已經(jīng)大大增加，加之中間一段時間又和一些高手過招了，達到1千多個CPU，這么大量的數(shù)據(jù)訓練，如果再去比賽，那就是作秀了，沒有任何意義。
人工智能的過程，沒有必要神化，就是一個巨大的計算能力，加上大量的數(shù)據(jù)，除了所有歷史上有的數(shù)據(jù)之外，可能還有自己訓練的數(shù)據(jù)，同時有個好的算法。
AI對大家的影響，除了一些初級的工作會被取代，還有可能，一個人需要上學的時間越來越長，普通的知識慢慢直接引入到自動系統(tǒng)中去，你要不斷探索、學習，在網(wǎng)上讀取。將來，人更多的作用是放在創(chuàng)新領(lǐng)域，初級工作消失了，也會出現(xiàn)新的工作需求。
至于說，人工智能在金融領(lǐng)域有哪些新的前景？我覺得都有可能。
資產(chǎn)配置、權(quán)益資產(chǎn)收益的預測、利率曲線變化的預測、衍生品的定價，以及算法交易、消費市場分類等等，幾乎可以應(yīng)用在所有金融領(lǐng)域。
哪怕客戶管理，都可以用人工智能。針對客戶交易習慣的一些大數(shù)據(jù)，可以進行分析。
在國外，他們已經(jīng)研究機構(gòu)客戶的喜好，在什么時點上可能買賣哪些資產(chǎn)，有相應(yīng)冷熱圖能預測出來，當他收到交易對手方需求的時候，可以通過智能系統(tǒng)預測出來哪些客戶可能是潛在交易對手方，再自動進行無成本的撮合交易。
以前很長一段時間，人工智能其實是自動化、專家系統(tǒng)、計算能力以及大數(shù)據(jù)智能算法的結(jié)合體。未來的突破在于，更多的思考能力。
比如，以前告訴它去做一個具體的優(yōu)化過程，未來可能一個非常模糊的指令——在幾千個資產(chǎn)組合中找到一個最好的組合，系統(tǒng)可以做好，并且不斷優(yōu)化，不斷動態(tài)調(diào)整，甚至過一段時間系統(tǒng)會自動反思，之前做的是不是無用功，有哪些錯誤？我覺得這是一個方向。
國外很多對沖基金已經(jīng)在嘗試，有的對沖基金直接將一些算法固化到硬盤上，一年從頭到尾沒有人工干預，自己可以工作，甚至持續(xù)實現(xiàn)每年很高的收益率，非常穩(wěn)定。
人工智能技術(shù)在金融市場的廣泛應(yīng)用，也會帶來潛在風險。比如說，利用人工智能進行預測，可能所有機構(gòu)會使用同一套算法，預測結(jié)果大體是一樣的，這會加劇市場系統(tǒng)風險的程度。
比如在美國，有時看到某個新聞瞬間觸發(fā)市場價格的大幅波動，隨之一個劇烈反彈，“一上一下”速度之快，人工來不及反應(yīng)，其實都是機器算法交易操作的結(jié)果。一旦系統(tǒng)性風險增加，人工介入避免惡化往往很有必要。
在可預見的未來相當長時間內(nèi)，人工智能與人工參與會同時存在。
