131
CCAI 2017 | 香港智能金融聯合創始人兼CEO柳崎峰：金融機構的市場機遇與實踐
香港智能金融科技有限公司(FDT-AI)聯合創始人兼CEO柳崎峰
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。
在大會的智能金融論壇上，香港智能金融科技有限公司(FDT-AI)聯合創始人兼CEO柳崎峰發表了題為《金融機構的市場機遇與實踐》的演講。
從移動時代步入智能時代，柳崎峰認為存在三個重要轉型：
- 券商轉型，從移動券商到智能券商，用戶從手機上便捷的投資交易，到享受更多智能個性化的服務；
- 監管轉型，從弱監管到嚴格監管再到智能監管，同樣需要非常強個性化的技術方案；
- 銀行轉型，對私業務，從人性化到個性化，對公業務，從集中化到普惠化。
實踐方麵，柳崎峰講到了機器學習在數據處理、特征提取、模型訓練和評價測試四大步驟中的體會。
最後，他認為，在智能金融的產品化階段，生成模擬數據是一個很好的思路。
以下是柳崎峰的演講實錄，AI科技大本營作了不改變原意的整理：
謝謝大家傾聽我們的討論。題目是我跟李小龍一起討論的，有點大。不是說我們號召進入這個時代，而是說在金融機構從移動時代到智能時代轉變的形勢下，我們能做什麼樣的事情。
我先簡單介紹一下公司，然後介紹我們想要抓住的市場機遇在哪裏，在這個過程中有哪些挑戰，以及我們怎樣應對這些挑戰。
FDT是一個集團，下麵有六塊主要的業務業務，包括自營交易、香港券商、資本運作、金融IT開發、智能金融、校園公益。FDT位於美麗的香港科學園，約130人，成立 3年多 。我所負責的子公司是FDT-AI，我們做的產品方向是智能交易、投資教育、智能交易算法和智能投資算法。
FDT-AI是做人工智能、大數據計算的，那麼數據來自於哪兒？這是一個公司至關重要的問題。我們的數據來自於內部數據，第一塊很寶貴的數據就是自營交易。我們積累了幾百位職業的交易員的大概5年的時間、幾千萬的交易記錄作為我們的分析數據。第二塊是來自於校園公益事業，它是幫助大學生用模擬資金來做金融交易實踐訓練。通過這個訓練，讓用戶達到控製風險、認知風險、提高交易能力的目的。我們有近一百萬的模擬交易用戶，也有上千萬條的交易記錄。這兩塊數據給我們帶來很大的優勢，讓我們在商業競爭中處於有利的地位。
簡單介紹一下FDT校園公益金融實踐教育。馬蔚華博士，著名金融家，是FDT金融創新工場的總導師。他和FDT集團創始人聶凡淇先生一起想解決中國金融市場最大的問題——中國金融市場是一個散戶主導的市場，大約85%的交易量來自於散戶，而美國是一個相對成熟的市場，隻有約8%的交易來自於散戶。這兩個交易市場的用戶格局完全不同，所以說中國的交易市場麵臨很多難題，但是，難題往往蘊含了我們的機遇，我們做的很多事情就根植於對這個難題的理解。
那麼FDT校園公益金融實踐教育是怎麼做呢？第一個是開發一個全市場的外匯、股票、期貨、港股、美股模擬交易的軟件APP，它也支持實盤交易。通過這個APP，用戶就可以隨時隨地的進行交易訓練。我們舉辦全世界的大學生比賽，有百萬的獎金，還在大學教學樓裏設立的線下活動空間。目前我們在上海交大、清華等9所大學設立了線下的空間，這個頁麵上看到的是上海安泰經濟管理學院的空間。同時我們與這些有名的高校一起合作，和牛津大學、南京大學、清華大學、哥倫比亞大學一起建立聯合實驗室來研究我們自有的專業交易數據和模擬交易數據。
我們要抓住哪些市場機遇呢？ 在人工智能和金融科技應用爆發的基礎之上，我們看到了三個轉型機遇。
第一個是券商的重要轉型。從移動券商，到智能券商的轉型。每個股民的特點是不一樣的，你怎樣提供個性化服務？券商要從零售經濟業務向資管業務轉型，這是國家的引導方向， 普通散戶不要盲目炒股 。
第二個是監管的重要轉型。從弱監管到嚴格監管，再到未來的智能監管。目的是該管的管，不該管的不管，總之要合理的、個性化的管理，這是一個強個性化的要求。比如配資是不鼓勵的，但是如果做了合理的對衝，可以有效降低風險，同時有利於提高整個市場的流動性。
第三個是銀行的重要轉型。從人性化進一步提升到個性化，像剛才張教授所講的推薦係統，就是個性化服務的一個很重要的辦法。
最右邊的圖，是美國券商和大陸券商對科技的投入，差別非常大。在現在重大的轉型機遇下，投入方麵有這麼大的反差，可想而知，我們要做的事情還有很多 。
關於市場的挑戰，我自己總結、歸納了一些，我認為市場的挑戰或者基本問題有5個。
- 第一個是對用戶的深入理解，這是互聯網思維的精髓。我們開發了一個產品叫FDTScore，它可以對用戶的交易行為和市場之間的關係數據，做一個深入的全方位的評分，可以看成是交易用戶的一個畫像。
- 第二個是對產品的穿透性理解。我們如果隻根據淨值來理解基金產品是遠遠不夠的。
- 第三個是對用戶和產品之間關係的理解，也就是所謂的智能投顧和智能投資。目前還有很多智能投顧還停留在解決用戶UI移動化交互便捷性的問題，還沒有解決深層次的資本端的問題。
- 第四個是對用戶和用戶之間關係的理解，是否兩個賬號同時操縱一個資產，這是監管最看重的問題。
- 第五個是對產品和產品之間拓撲關係的理解。
比如對用戶端的理解，就是在交易行為數據上做一些分析和嚐試，重點是要計算出剝離風險以後用戶的可持續收益能力，而不是簡簡單單地靠ROI來評價，那樣會有很強的誤導。
最後一頁是我的機器學習在金融科技中的實踐體會。人工智能在書本裏有比較清楚的定義，但是在工程中，這個定義就變得非常模煳和難以把握。我這裏講最基本的四個步驟：數據處理、特征提取、模型訓練和評價測試。
工程的數據處理中，很多時候刪除樣本比增加樣本更加重要。今天譚院士講人工智能不是萬能的，最關鍵的是把技術邊界做好，能做的做，不能做的投降，這樣最後係統的準確率和穩定性就提高了。但是數據刪除，也就是挑選數據或者是過濾數據，好比是在數據中砍幾刀。我們認為能夠正確砍出這幾刀的人，在公司的價值是非常大的，目的就是劃定技術邊界。
第二個就是特征提取，要對交易的本質非常清楚。
第三個是模型訓練。進入模型訓練很麻煩，做過搜索和推薦的都知道，最大的痛苦就是天真地相信了這份數據，然後訓練出一個模型，後來發現，開始認為對的數據，實際上是不那麼好的模型serve出來的，這是一個循環。
最後，評價是最重要的。如果你評價做不好的話，整個方向就錯了，你越努力就越錯得厲害。例如兩位老師講的Explore&Exploit，評價非常難，如果數據集不夠，評價就沒法兒做。
在金融行業裏，我們目前和中國頂級的金融客戶在合作。在合作的過程中，我們也遇到了很多的問題。首先就是數據的問題。傳統的軟件和客戶是怎樣合作的呢？傳統軟件開發，隻要有一個小的樣本數據，有非常清楚的產品需求就可以做了。但是在大數據人工智能時代，由於金融行業的特殊性，客戶不會實現給你數據，但是，對於機器學習來說，隻有拿到數據一切才剛剛開始，大量的工作會在數據預處理環節。反過來，你還沒開始的時候，用戶為什麼讓你進場拿數據呢？這不就是一個死結嗎？這是非常大的挑戰，我們有一個很好的優勢，就是我們有這麼多的模擬數據和自有交易數據，我可以先“閉門造車”搞出模型和係統，八九不離十，到客戶那兒再調一下，這樣就可以快速的切入進去。
OK，謝謝各位！
來源：CSDN
最後更新：2017-07-28 10:03:13