690
CCAI2017|智能金融論壇：聽大佬們講人工智能在金融領域的那些事兒
7 月 22 - 23 日，在中國科學技術協會、中國科學院的指導下，由中國人工智能學會、阿裏巴巴集團 & 螞蟻金服主辦，CSDN、中國科學院自動化研究所承辦,雲棲社區作為獨家直播合作夥伴的 2017 中國人工智能大會（CCAI 2017）在杭州國際會議中心盛大召開。
CSDN現場消息，22日下午的“智能金融論壇”圓桌會議精彩紛呈。此次會議由螞蟻金服人工智能部技術總監李小龍主持，上海交通大學計算機係教授鄧小鐵、香港智能金融科技有限公司(FDT-AI)聯合創始人兼CEO柳崎峰、喬治亞理工學院金融學教授Alton M. Costley主席Sudheer Chava、普林斯頓大學運籌與金融工程係助理教授王夢迪、香港中文大學計算機係副教授張勝譽等專家參與討論。
此次圓桌會議分為兩個環節，首先是主持人和嘉賓的問答環節，然後是觀眾自由問答環節。
主持人李小龍表示，隨著大數據和人工智能的迅勐發展，金融領域的智能化逐漸得到學術界和工業界的高度重視，並且取得了一係列重要進展，成為金融科技（FinTech）領域的重頭戲。智能金融重點要解決的問題包括：
- 如何運用大數據、雲計算和人工智能來降低金融成本，提高支付、投資、貸款、理財、保險、事件分析、客服等各個方麵的自動化和智能化水平，從而提高金融效率並普惠更多的人群；
- 如何采用大規模機器學習和海量數據結合，利用深度學習、增強學習、圖計算、知識圖譜等前沿方法，有效識別風險，提升金融風控能力；
- 如何應用博弈論進行金融市場機製和定價設計，在公平合理的基礎上激發市場活力等等。
幾位嘉賓就以下幾個話題進行了探討：
- 在人工智能領域的應用方麵，中美之間的區別；
- 用增強學習在網上進行量化交易時對交易係統造成的影響；
- AI在保險方麵應用的問題；
- 在金融領域，基於大數據的分析方法與傳統的經濟學分析方法的不同；
- AI是否能夠預測股災；
- 在金融領域，未來AI的應用能夠達到一個怎樣的程度。
以下為此次圓桌對話內容實錄，CSDN在不改變原意的基礎上進行了整理。
主持人、嘉賓問答環節
李小龍：我想問一下Chava教授，在基於大數據分析或者AI在金融領域的應用方麵，您認為美國和中國有什麼區別？
Sudheer Chava：根據我的觀察，從曆史上來說，在美國銀行和監管都比較強，中國可能相對比較弱。從目前的金融科技來看，與美國相比，中國已經實現了超越。
李小龍：王夢迪老師講將機器學習用於高頻交易，柳崎峰老師做教育的軟件。我的問題是，如果有一天所有的人都用增強學習進行網絡上的量化交易時，這個係統會發生什麼問題，是否係統會麵臨很大的挑戰？
王夢迪：這個問題還是鄧老師的範疇，是多個玩家的博弈係統。當每個玩家都用在線調整的方式調整自己的策略，是否會收斂到它的納什均衡，這是一個博弈論範疇的問題。
從學術來講，其實有非常漂亮的理論收斂性證明。在某些情況下，確實能夠保持穩定性。
但是實際操作中，因為有的玩家或者是交易員他們可能會提前得到信息，有的個體或者是散戶得到的信息比較少。我們可以想像，這個係統可能永遠都不會達到我們想像中非常公平的均衡，而是提前獲取信息的那一方會更容易得利。即使大家用的是同樣的算法，這時公平性的瓶頸就在於誰能先拿到信息。
從整個網絡的複雜性來講，有的玩家跑得快，有的跑得慢。但是整體上如果能夠保證好信息的流入和流出，還是可以在一定範圍內保持穩定性和均衡性的。
李小龍：待會兒再請鄧老師講講，因為這也是他的專業。我們先請柳老師談談您的觀點，如果您的教育軟件讓所有的交易員或者是學生用上，他們都依賴於這個交易的工具去炒股和投資，最後會不會有一些穩定性的問題？或者說白了，這個錢到底最後誰來賺？
柳崎峰：
- 如果隻從我們公司的角度看問題，很簡單，誰先做誰就賺錢。
- 從全社會的角度看，確實會出現這樣的情況。但是也不用太擔心，為什麼？因為市場是無法假設的，也就是說，你所用增強學習探索的隨機空間和增強的一些策略，在市場中是一個很小的因素。
比如說中國的股市是一個政策市，即使全市場的人都在做一件事情，如果早上十點鍾發一個文，整個市場就被擾亂了。納什均衡在哪裏呢？那是另一個層次上的納什均衡了。
鄧小鐵：其實前麵兩位老師說得對，確實最後起作用的是信息。知道的信息越早，越能夠最快地選擇最優秀的策略。
關於這個具體的問題，我曾經考慮用過Tracking的策略，Tracking在機器學習裏是一個很好的方法論。它在得到最優和收斂的速度加快這兩方麵有特別突出的效果。
我們當時就是問了同樣一個問題，如果大家都收斂，都用同樣的方法會怎樣？tracking Model有一個很好的特點，即它把整個市場作為一個對手，它的策略就是整個市場的平均值。
大家的策略都一樣的話，每個人麵對的平均值都是一樣的。在這個環境下，達到最優。照這樣的分析，大家的近似值都差不多。這在經濟上是一個平等的世界。
張勝譽：中國可能用算法交易的不到30%，還是以散戶為主。現在美國大部分是算法比算法，機器比機器。當然，高頻和中低頻不太一樣，高頻可能跟信息流動速度非常相關。
我覺得，大家用增強學習的時候，雖然用法、門派都一樣，但功力可能還是有不同。所以最終一定是有人賺錢，有人賠錢的。
再一個，策略的選取可能還與資金的體量相關。所以我覺得到一定的水平之後自然就達到了平衡。但是在中國可能是不一樣的，包括政策和一些突發的情況等。
李小龍：下一個問題還是問張老師，因為他在AI加保險場景上的應用有很多的經驗。我們螞蟻把AI和保險做了很好的場景化的結合，像圖像定損，像車險分的精準定價，還有智能理賠。您是否認為在預期的時間內，AI可以在保險方麵能夠起到一個顛覆性的作用？
張勝譽：我覺得不管是不是有顛覆性，但肯定會在相對短的時間內有很大的改變。
因為據我了解，目前很多的保險公司，尤其是在國外，要到客戶的數據是比較簡單的。比如說在香港買一般的保險，它隻要性別、年齡、是不是吸煙。可以想見，這跟個體化的差異根本沒有用。
我想，這方麵有巨大的空間。據我所知，中國現在大的保險公司已經非常認真地在做一些很大的突破性的變化。所以從這個角度來說，我覺得他們在很努力地從醫療、健康、財產等各個方麵整合數據，希望用這些數據從以前的以模型為主轉換成以數據為主的方式，大刀闊斧地往前走。
Sudheer Chava：AI會衝擊保險。
舉個例子，如果把IOT的物聯網數據拿下來的話，比如一些開車的方式、房間裏的溫度等，對保險公司的定價和理賠都會非常有幫助。所以我覺得AI在大數據結構下一定會改變保險這個產業。
李小龍：基於大數據的金融分析，與傳統的金融學的分析方法有什麼大的區別嗎？
Sudheer Chava：總的來說，雖然數據量變得很大，但是我感興趣的是從結構裏麵找到原因。所以，雖然方法上有一些變化，但是其本質應該還是一樣的。
柳崎峰：我的體會是人工智能、大數據的方法是基於數據的，傳統的經濟學是基於模型的。
基於數據的意思是我有一些數據，然後從這些數據裏麵去推斷一個函數，接著在一個測試集上去測試這個函數的擬合度，這是機器學習的一個過程。
這個最大的挑戰是金融機構不接受這樣一個過程。因為訓練出的模型是個黑盒子，不可解釋。即使是一個線性的模型，features scale如果不一樣的話，那麼weight大小就沒有什麼意義。非線性的模型和深度學習就更加不可解釋。這是現在人工智能大數據在金融裏麵應用的一個非常大的障礙。
這裏麵的一個觀點實際上是需要更正的，真正的智慧體一定是黑盒子，就像我們每個人的大腦就都是黑盒子。但是如果算法是一個黑盒子，它就是不可原諒的，這是需要突破的。
傳統的經濟學辦法是基於模型的，但是這個模型不是機器學習的模型，是基於大腦想像出來的模型。它分析的是一個原理，推完原理之後，就是揭示運行規律。當有足夠的話語權，大家都認為規律成立的時候，後續產生的數據慢慢地就會適應這個模型，這是我對傳統分析方法的一個理解。
我曾經和一位研究經濟學的老師交流，他是做高頻交易的。我問他高頻交易的方法賺錢還是不賺錢，他說不知道。我說你不知道，那在研究什麼呢？他說他的目的是為了揭示高頻交易的運行規律。這是完全不同的兩個角度，而我們就是比較功利，光想著賺錢。我覺得這兩個互補，是一件很有意思的事情。謝謝。
鄧小鐵：我想起了我剛做報告的時候，實際上發現了經濟學的一個弱點。
貝葉斯模型下貝葉斯的假設是已知的，我們並沒有問他是怎麼知道的。而實際上我們今天偏偏就在問他是怎麼知道的。
我們是通過數據來發現他的理論規律的，或者非常極端地說我們不需要理論規律，我們隻需要機器構造一個模型出來，我們不知道這個模型是什麼樣的，但是在一些情況之下，它是能夠成立的。
但是實際上拋開這個極端的情況，機器學習是有其邏輯在裏麵的。它的邏輯雖然不是非常精確，但是是有一定的相關性。
我們不知道數據就去學習，通過學習我們得到分布。雖然是假的，但是我們還用它。用了以後，得出來的結論是機器學習能夠基本達到最優。但是買家用最大的努力去博弈的話能夠得到2倍的盈利。
所以，在嚴格的分析下，可以得出很精確的結果。在其他的情況下，可能分布不一樣，可能得出來的機製稍微不同。
機器學習可以證明它的收斂性和穩定性，能夠描繪出一個基本的框架，實際運行中也比我們以前用的經濟學的方法要好。
總之，經濟學有很大一部分，需要用深度學習的方案來替代和優化，同時人工智能將會對將來的經濟學有一個革命性、顛覆性的改造。
李小龍：我們能否用AI預測股災，能否告訴我們下一個股災是什麼時候發生？
張勝譽：人類曆史上到現在，股災也沒有那麼多次。如果有人告訴你AI能預測股災，那麼你得看它是真正預測正確了一次相信呢，還是三次預測對了兩次你相信，這裏有個算法評估的問題。
所以AI到底能不能預測大的股災？好像在這方麵的經濟學上，經常看到的文章是，它對過去的事情可以進行很好地預測，對於未來的事情就不一定了。
王夢迪：機器學習的假設是之前的數據能夠一定程度上對未來有一定的拓展意義。在這種情況下，如果係統是穩態的話，就能夠預測未來。
股災完全是另外一件事情，但是並不代表完全不能預測。其實有一些機器學習以外的數學或科學的方法能夠對預測股災起到一定的幫助。
股災是什麼？是可能突然之間30%、50%甚至是80%的人覺得熊市要來了，大家同時想賣出，這時候就發生股災了。
這其實是複雜網絡上麵的一個相變問題，並不嚴格屬於機器學習的範疇，但也可以運用機器學習的方法進行預測。即我們怎樣對信息的傳播進行建模？
類似的例子是現在我們的數據技術已經可以很好的預測什麼情況下一個傳染病會大規模爆發，這本身是物理上的一個相變的概念。
或者從另外的一個角度來說，有兩個種群競爭，我可以非常好地預測到底哪個種群一定會勝出，這用的也是基於大規模網絡和由很多小個體組成的群體進行的一個相變的預測。
在物理上，什麼是相變呢？這些分子，它們之間的作用，怎麼一下子從水變成了冰？甚至是從冰直接汽化？這些都是複雜網絡的相變。這種相變其實是可以科學建模和預測的，並且曾經有人用物理係統的相變解釋過曾經的幾次大的股災。
所以我認為從科學和技術的角度來講，股災並不是完全沒辦法預測和解決的，但是不僅僅局限於機器學習的方法。
柳崎峰：我補充一些信息。
股災就是一個數據樣本不足的問題，解決這一問題最好的辦法是選擇粒度。在頂層回答不了股災發不發生的問題，但是你要看很多的信息，比如群體，個體的運動規律，社會的基本麵，方方麵麵的細粒的信息拿進來，有了豐富的數據量後，很多你不能做的事情就能做了。
如果僅用價格預測大幅度下跌的價格的走勢，怎麼能預測得準呢，因為都沒有回測數據。
我舉一個很相關的例子。我們知道期權定價公式是Myron Scholes教授提出來的，他關注的是長尾、左尾和右尾。
我們在管理資產的時候，都想在大跌的時候少跌點，賺錢的時候盡可能多賺點，然後其他時候稀裏煳塗就可以了。那問題就來了，我們優化的目標是什麼？是左尾和右尾。但是問題在於尾部沒有什麼數據，根本就沒有統計意義，然後怎樣克服這個問題呢？因為它有2000多支的期權的價格走勢去推斷現貨、股票的左尾和右尾,雖然有一些差別，但也豐富了一些信息。
我講這個其實是要借鑒Scholes教授的思路，當無法搞定數據稀缺的時候，可以從別的地方想辦法搞一搞，從而豐富數據。要麼是在垂直方向把粒度打得非常細，增加數據，要麼水平方向抓數據。這樣數據多了，整個機器學習的事情才能往下做進去。我相信數據多了能做出好的結果，對於股災的預測我還是抱有樂觀的態度。
Sudheer Chava：股災屬於小概率事件，嚴格來說確實非常難預測。但如果數據的顆粒度可以足夠細的話，結合AI的模型，股災是有可能被預測出來的。
鄧小鐵：股災真的太難預測了。
有機器學習的話，我覺得它能加強我們思想的能力，比如經濟學裏麵也有許多這樣的理論。以前我們隻是對非常具體的、非常特殊的理論下麵建立這套理論。動態係統的話，我們也有很多動態係統的理論，什麼時候會收斂，什麼時候會發散，什麼時候是完全不穩定的。
過去我們隻有理論的分析，有了機器學習的框架之後，我們可以構造出各種可能的人機交互框架，從而使機器來幫助人類。
這裏有一個與股災相類似的例子，就是在Alpha Go的故事裏麵，李世石下了一手奇怪的棋後，它就崩潰了。股災可能與這個有點類似，機器學習能幫助我們更快地發現股災。李世石和很多人下，也給很多人造成了“災”。
我想，機器學習的方案對我們發現股災、修正股災會有更大的幫助。
柳崎峰：我補充一點，一個是預測準不準確，還有一個是能不能執行。
我舉個例子。比如說，你預測到股票市場不好了，但是你執行不了，因為股災的時候你賣不出去，千股跌停。那麼在做量化的時候，很多人就將股災的數據去掉了，說這是小概率的事件的數據，就不要測了，這樣的話曲線就特別好。但是如果加上的話利潤就全被吃掉了，經常是這樣的。
所以，能不能執行這是一個很重要的問題。但是執行靠什麼？靠交易係統的整個機製，比如說你可以對衝，或者是統計一些相關性的套利等。
總之就是預測準確是一回事，能不能執行又是另一回事。
李小龍：我們知道，現在智能金融如火如荼，各大公司都在投入很大的力量。希望各位老師能否預測一下，假設我們智能金融做到一定的程度，我們可以讓機器來投資，理財，購買保險，貸款。最終，我們是把金融全部交給機器來控製，還是說我們能夠達到某種程度上的平衡？因為我們有各種各樣的因素，比如說監管。
鄧小鐵：我會希望機器幫我做這件事情。
作為一個科學家，我希望能有一個機器學習的大腦幫我做投資。因為許多事情機器已經在做了，人類和它比的話，很多事情要想得深一步。因為深度學習，它深到那麼多層之後能夠想的東西已經比我們能想的多很多了。
李小龍：這樣的話，可能就會有一個矛盾。一方麵人們希望機器能為自己做得越來越多，但深度學習本身是不可解釋的，想總結出什麼規律的時候可能比較困難。還有像鄧老師剛才說的Alpha Go突然崩潰了，那麼我們在大力推廣AI在金融領域應用的時候，怎樣預防AI可能麵臨的問題和缺點呢？
張勝譽：我覺得可能有一個過程。機器學習在越來越多的方麵走進我們日常的生活，不管是直接還是間接的影響。
比如數據多樣性以後，在征信的時候會帶來很多便利。我以前從來沒有使用過小黃車，但是因為我的芝麻信用的分數夠了，第一次它就讓我騎，不用交押金。明顯它用的是以前的，而且是非常少的數據。對於我個人來說，在支付寶已經有的數據是非常少的，但是它已經可以推斷出一些信息。
從這方麵可以看到，AI能夠通過金融，逐漸地影響我們的生活。
但是另一方麵，可能會有一些不是完全技術上的事情。比如說做個性化推薦，幫助一個大型國有銀行進行個性化理財產品的推薦，這裏還是會有一個監管的問題，你不隻是需要跟客戶解釋，還要跟政策解釋。我想如果處理的合理的話，是可以解釋的通的。但是可能會是一個緩慢的過程。
鄧小鐵： 監管是很重要的，由此我聯想起來另外一個事情，這跟金融方麵是相關聯的。在金融上，AI建議做一件事情之後，我們能不能有一個法官，來說這樣做好不好，會有什麼影響。或者說我們有大的網絡後，你該不該做這件事情。
柳崎峰：我覺得人工智能是可以幫助我們做很多事情的。
- 第一點就是硬件，比如說人腦有一千億的神經元，而我們的GPU和硬件現在還沒有到這個量級。當達到這個量級之後，再來看人工智能能幫我們做什麼。
- 第二點，從認知的角度，可能要借鑒腦科學。比如人可以舉一反三，機器現在還做不到，它的原理到底怎麼回事，這些問題突破以後，就可以做很多事情。
- 第三點，對投資來講，人工智能目前也可以做很多的事情，比如智能投顧。現在中國市場是散戶主導，他們迫切需要投資顧問，但目前這個崗位隻有300萬，而我們需要3000萬的投資顧問。所以剩餘的就需要智能投顧來服務。同時智能算法在設計的時候需要考慮多樣性的因素，這樣才會避免產生很大的問題。
我還是相信人工智能能帶給我們很多有意思的事情。
王夢迪：我是一個技術樂天派，我非常相信技術的發展會給全社會帶來很多我們想不到的好處。
比如從量化交易的角度來講，原本它隻屬於少數華爾街的量化對衝基金和少量的明星交易員。但是現在量化交易其實已經進入千家萬戶了，在包括像支付寶和很多新興的金融科技公司的幫助下，很多人已經可以直接利用這些交易策略，相當於把每個人跟計算機聯係起來，已經變成超人了，形成了很大的公平。
另外像張老師所說的，比如說他可能沒有留下過什麼交易記錄，但是小黃車還能打開。
我覺得我們不用特別懼怕技術，其實越強大的技術，它一定是以一種潤物細無聲的方法進入我們的生活，在人們意識到它之前，它已經在幫人們做非常多的事情了，我相信這些技術會讓我們的生活變得更好。
Sudheer Chava：AI就像任何技術一樣，都有兩麵性。
- 好的方麵，比如說股票交易。AI把很多數據收集起來加以利用。如果有交易的話，可以把數據和曆史記錄拿過來，這樣產生的交易對市場更公平。
- 不好的方麵，如果把AI用在借貸市場，有些模型不一定找得到。比如在征信過程中，不同的人群之間，可能因為年齡、性別這方麵的數據以前不一等能找得到，但是AI可能會利用這些特征。這樣的話，從社會角度來說，對某些年齡、性別的人不一定有好處。
所以在用AI的時候，要想辦法減少這方麵的偏見，減少對某些人群的一些不利的因素。
李小龍：我總結以下各位嘉賓對這個問題的回答。大部分都是對AI在金融領域持樂觀的態度，Sudheer Chava教授提到如果利用不好的話，如果產生偏見的話，就會造成社會的不平等。但總體來說，大家還是持樂觀態度的。
觀眾問答環節：
Q1： 自然語言識別的模型和剛才王老師提到的強化學習有什麼關係，本質有什麼區別？強化學習用到自然語言識別上，是否能夠進一步地提高它的精確率？謝謝。
王夢迪：自然語言學習和增強學習本質上是兩個非常獨立的問題，但是增強學習在與自然語言相關的很多應用上都有非常好的效果。
比如現在很好的一個應用是可以做基於自然語言學習的一個對話框。相當於我可以把自然語言處理的一些語義模型拿過來，用增強學習的方法跟真人產生一段對話，在這裏麵產生對話的這個動態過程是由增強學習主導的。但是裏麵用到的在技術上的成分可能需要用到自然語言本身的語義模型。
你剛才問的問題其實是說是我們到底在解一個技術問題的時候需要用到多少先驗的專業知識。
我覺得是這樣的，一旦說到機器學習，甚至增強學習，很大程度上我們強調的是，這些技術是不基於之前的模型的。比如說我今天講控製論，控製論需要我把係統用微分方程的形式表達出來，現在不管我們是解圍棋，遊戲或者自動駕駛，並不需要寫微分方程，因為寫也寫不出來，實在是太大了。
所以說現在的一個已經有突破點的是，我們可以把原來模型解釋不了的這部分做好做強，但這並不代表以前積累的模型經驗是完全沒有用的。我覺得這個問題或許是不破不立的，也許一開始建立認知我們需要模型，一段時間後發現數據覺著不需要模型，但是再過一段時間，我們又可以回去擁抱模型，發現這些都是解釋得通的。
這不僅僅是在自然語言學習裏麵，即使是在其他領域，包括醫療、製藥，甚至是在物理方麵。在這些科學的領域，現在已經很多的科學家發現可以試圖不完全基於模型，而用數據的方法得到一些模型看不到想不出的事情，但之後再怎樣發展，我們拭目以待吧。
謝謝。
Q2：我想先問一下鄧老師。我是學數學的，“納什均衡”以前就有了，現在有一個“進化博弈論”的提法，為什麼我們還是講“納失均衡”呢？
鄧小鐵：用均衡這個詞比較簡潔一些，進化博弈論有可能走在一個循環上，或者是走到一個不收斂的動態軌跡上。
Q3：請問一下王教授，您提到有些算法現在基本上可以脫離GPU做CPU，脫離了話，我們的算法在多大數據集上可以做到，泛化能力還是一樣的嗎，還是會有削弱？另外你們用GPU的話，你們能把GPU的平均應用率用到多少？再一個，比如你搭了一個板子的話，你的CPU和GPU是一個怎樣的配比？
王夢迪：關於CPU和GPU的問題，我不是說GPU不好用，如果能用GPU當然是GPU比較快。
我剛才說的是算法的軟件，算法層麵上提高得非常快。同樣的一個遊戲，本來要很多核的GPU，但是現在算法提高到一個CPU就可以解決，但是實踐中要實現更大的問題的話那肯定是用GPU。
就是這樣。謝謝。
Q4：請問一下香港中文大學的張教授。您剛才提到的有一個效用，效用就涉及到用哪個指標來度量，因為你用的Feature和其他不一樣的話，怎樣保證你的是有說服力的？
張勝譽：所謂社會效率，就是把每個人的效用加在一起，用什麼樣的Feature達到最大化社會效率的其中一個目標。
Q5：請問李老師，因為我在阿裏待過，馬雲老師講的服務人，為什麼您講的是服務20億人？
李小龍：因為我們是服務全球，不僅僅是聚焦在中國，包括整個阿裏經濟體是一個大的戰略——全球化。阿裏是讓全球20億人在我們平台上進行交易，讓天下沒有難做的生意。
Q6：我想問一個遊戲的問題，剛才王教授說遊戲中增強學習訓練人工智能。想請問王老師，目前在單agent和多agent的問題上有哪些新的突破和瓶頸呢？
王夢迪：現在多agent沒有特別突出的成果。多agent一定是一個很有趣的問題，比如下棋可以下，但是打橋牌呢？怎樣定義團隊合作。團隊合作怎樣衡量，現在並沒有好的評估標準，這個要回歸到博弈論，來評估什麼是好的團隊合作。然後才能說算法上我們可以把這個實現好。但是現在這不是一個相對有很多的機會可以被發掘的領域。謝謝。
Q7：請問王老師，您現在研究的方向中，目標是什麼，比如在遊戲中怎樣訓練人工智能，想達到什麼樣的目標，解決什麼樣的問題？
王夢迪：遊戲是最簡單的例子，相當於一個測試平台。最終我們是想解決實際中包括醫療、金融更大的問題。我自己的目標是想開發出越快越好的算法。
Q8：我在某銀行的總部工作，我發現金融市場真正的係統仍然是應用的是古老的係統，還有常規的客戶關係管理。我認為唯一有用的人工智能就是數據挖掘。在強人工智能沒有得到真正的突破之前，機器學習的用處很有限，我很悲觀。我想聽聽各位老師的意見。
鄧小鐵：我知道傳統的銀行係統用了很多年，要替代的話是很難很難的，因為安全的事情，不能夠給客戶造成損失。這也許是技術金融可以起來的一個機會，隻要用的人足夠多了以後，可能會有顛覆性的改變。我覺得這對傳統的金融係統來講，是一個很大的威脅。
柳崎峰：很高興聽到不同的聲音。有一句話叫：不積跬步無以至千裏。做事情一步一步來，在銀行係統裏麵有很多是比較老的傳統，但是也有很多事情也是可以做的。如果在銀行裏麵把數據挖掘做好，我覺得數據挖掘已經基本把人工智能、大數據全涵蓋了，也是挺讓人振奮的。
還有從長遠來看，銀行未來一定是雲服務的，之前的係統都要被替代掉。時間尺度是多少年我不好講，但是一定是會這樣。
王夢迪：沒有特別成體係數據這個問題，不光在銀行有，銀行數據還是相對成體係的。我們在跟醫院合作，你會發現醫療的數據更加沒有結構，當然這些是有記錄的。還有醫院和銀行之外沒有記錄的但很重要的數據。所以，我自己覺得，一個技術的發展需要很多其他技術的鋪墊，這都需要一點點技術突破來慢慢推動的。
Q9：剛才王夢迪老師講到很多增強學習在投資之類的應用，但是剛才柳老師又說因為它的不可解釋性，會妨礙在金融中的應用。我想問一下，現在在實際情況中，基於增強學習的投資模型，有沒有大規模的應用？
另外，機器學習算法是有一定的隨機性的，這種隨機性會不會影響它在金融領域的進一步應用？
柳崎峰：真實答案我們是不知道的，因為金融是個封閉的行業，如果一個算法work的話是不能告訴你的。
所以我們隻能從原理上來看，如果原理、應用場景清楚，你可以去推斷它到底是用了還是沒用。其實包括傳統的軟件行業，很多的軟件工具在大的投行裏麵是非常好的，但是我們卻不知道。
我個人的理解它是有應用的，包括對衝基金、量化基金。但是從國內來講，很多機構即使是有，也處於一個初步的探索階段。
張勝譽：因為市場本身是隨機的，所以即使你用一個確定的算法也會產生隨機的效果。在量化投資裏麵最重要的就是想低風險高收益，但是這個是成正比的，需要做一個選擇。
增強學習現在大家聊得很多，從曆史來看的話，很多在線算法都可以看成是一些特殊的增強學習的方式。一般來說，增強算法已經在量化投資裏有很多，不同的公司有不同融入的程度，有的公司完全是用機器交易的，有的是一部分用機器交易的。
Q10：您好，我是在機構做交易的，我們做的量也比較大，我們是中國的幾個比較大的做市商。
我想問一下柳教授，在中國做智能投顧有一個很大的問題在於，大部分的資產配置是在非標以及流動性非常差，信息非常不公開的市場。現在我們說的的智能投顧指的是流動性好，散戶集中的二級市場以及小的期貨或者是股票、基金。
但是實際上大量的資產，比如說現在私募十萬億的規模，其中8萬億是非標的，信托十幾萬基本是融資性的資產。那麼我們怎樣做真正意義上的智能投顧？
柳崎峰：先講怎樣匹配，這不單是數據問題，還有用戶的行為心理和理財素養的問題。比如零風險、高回報，這是我們FDT在做的事情，在教育用戶風險認知意識，怎樣教育呢？讓他去模擬操盤。這個風險交易是行勝於言的，是一個長期的過程。我們公司雖然是小公司，但是立誌參與加速去散戶化的過程。
關於非標的問題，銀行大部分確實都是非標。我覺得分兩步走。
- 第一步就是先做我們能做的事情。先把能做的事情做掉，把公募基金的投資組合給它做掉。股票的投資組合反而更重要。因為有一個奇怪的現象，就是一說投資組合就要基金做，實際上智能投顧可以隨便定義，但是核心是吃掉方差。對於一個股民來講，讓智能投顧把他的波動吃掉，形成相對穩健的資金收益曲線，我認為這是對金融風險市場非常重要的一件事情。
- 第二步是對非標的資產，很多它的風險沒有權益類那麼高，緊迫性沒有那麼重，但是想分析能不能做到？也能夠做到，但是分析的方法不像智能投顧那樣做一個二次凸優化的就能解決掉。那麼你就要對這個非標數據資產的關聯，還有宏觀經濟的形勢，那些非結構化的數據放在一起去做。但是目前國內做得比較少，但是國際上已經有人做這個東西，包括債市，這些也是非常有意義的。但是現在還有很多空白，所以這就是我們人工智能大展拳腳的地方。
來源:CSDN
最後更新：2017-08-13 22:38:05