940
機器人
矽穀入侵華爾街，人工智能如何無情蠶食了高薪職位？一位北大學者16年的觀察
創新工場董事長兼CEO李開複曾公開表態，未來十年，80%金融從業者會被人工智能（AI）取代，純數字領域的金融，是AI最好的應用領域之一。
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日常工作。目前AI在金融領域的熱度前所未有，甚至被神化。
人工智能在金融領域的應用，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、香港和中國內地金融投資行業，朱曉天有超過16年的研究和投資經驗，曾擔任中信證券Delta One指數化衍生品業務的高級副總裁。
朱曉天博士
以下是關於此次分享的整理，溫馨提醒，有大量專業術語：
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。由於融券池是多空對衝的，需要定期調倉，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後來的基差貼水成本（產生於指數期貨遠期合約價格低於現貨價格時），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，以保證業務正常開展。
其次是Delta One場外衍生品業務。我們會跟一些較大的機構客戶來合作相關業務，有大量的需求，尤其目前市場監管較嚴，“去杠杆”為主，整個機構業務對場外衍生品的需求增加。
當場內標準金融產品無法滿足特定需求時，他們不得不用場外的方式來做，就是定製化的過程。
Delta One主要是線性的，後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客戶的合作關係。
我們日常主要提供和設計相關的“解決方案”，不管是線性、非線性的，還有各種標準產品，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，由於每一單都是相對定製化的，落地的過程中要持續不斷地溝通，包括內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議，又涉及到場外協議過程中的相關盡調、流程、風控等等很多的細節。
主要挑戰來自於市場監管的情況隨時在變，很多時候一些解決方案，在本來政策環境下可以操作，隨著監管政策的變化馬上又得重新調整。
看起來內容繁瑣，我們的產品設計組，隻有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並導致損失。
德意誌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，提高了關聯期權定價的準確性，提高了交易利潤。定價係統越來越人工智能化，交易員就可以直接裁掉了，這是一個趨勢。
AI在國外金融行業的應用趨勢比較明顯。在國內，大家知道這是個熱點，也僅限於概念比較熱而已。
在算法交易方麵，中信證券在行業內應該算數一數二的，同時也在不斷地改進，而算法交易中用到的大數據，也是人工智能的算法。
在國內一些券商陸續推出了“機器人投顧”的產品，在我看來，暫時隻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，很多大數據自動化過程也用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，隻要輸入一些相關的風險收益偏好，以及投資者特定偏好，可以馬上根據模型測算出來。
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策略的時候，能夠自動更新數據，自動尋找比較優化的策略方案。
一般說的“智能投顧”，是指大類資產配置，例如私人銀行的角度：根據客戶或者個人、機構、客戶風險收益偏好決定各類大類資產的配置比例。
通常可以直接做成一個係統，可以操作與它交互，達到自動進行資產配置的結果。這個係統除了核心的資產配置模型外，主要是一個自動化+專家係統的部分。
就我了解，國內一些私募機構用人工智能的方式，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，有些係統僅僅實現了自動化，也稱為“人工智能”。例如信用風險管理係統，待其自動化後加入一些專家係統，就被稱為人工智能，屬於比較初級。
但它可以取代一些初級分析員的工作，取代日常的重複性工作。真正要做到智能化，比如說開發量化策略，其實可以用到很多人工智能算法。
人工智能的一個現實應用就是策略開發中的策略篩選，另外，是用機器人投顧做大類資產配置，FOF （基金中的基金）裏麵的大類資產配置和產品業績篩選，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，比如一段時間以後，市場漲還是跌；分類主要應用在評級、信用風險評估等方向。
金融之所以作為AI一個突破口，是因為數據多，樣本足；也正因樣本過多，金融市場價格的確定機製含有很多隨機過程。如何避免樣本內訓練的過度擬合，是要解決的問題。
相對傳統操作，使用人工智能技術的成本也相對較高，當然也取決於用到哪個程度。海外在IT技術開發的投入非常大，比如瑞信。
美國的投行可能會把公司利潤的1/3、1/4拿來做技術開發，實際上是跟矽穀在搶人，支付的成本非常高，一些計算機專業的高學曆畢業生，即使沒有經驗，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。
這類技術人才感覺在華爾街隻屬於輔助類，去矽穀就有機會加入到一些潛力巨大的獨角獸公司。
招聘技術人員開發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關於法律法規及風控應用方麵的自動化係統，該係統幾秒鍾就可以做一般後台人員花幾十萬小時做的事。
這是一個競爭激烈的市場，這類公司的優勢慢慢會顯現出來，帶動整個行業的趨勢走向。海外投行這方麵的發展非常迅勐。
相對來說，中國公司比較急功近利，在技術方麵不願意投入太多。大家覺得這概念很好，這個說法熱，蜂擁而上，應用大數據加上一些簡單的自動化，就稱為人工智能係統，背後可能僅僅是一個簡單的流程自動化係統，其中的差別挺大。
AI的兩大軟肋
從技術本身看，AI經過這麼多年的發展，應用場景和框架有了較大發展，而它的核心優化算法並沒有天翻地覆的變化——與十幾年前人工神經網絡的優化算法相比，其實沒有革命性的改變。
人工智能的深度學習方法，可以識別非常複雜的非線性關係，非常適合在金融市場和投資領域的應用，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部狀態的係統，比如人們的大腦）。不同於傳統的回歸或者參數模型，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的，以及相關程度的強弱；機器學習通過複雜的多層神經網絡，挖掘輸入輸出數據之間的內在關係，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常出現的“過度彌合”問題。比如人工神經網絡模型由一層層的神經元組成的，機器學習的過程，通過樣本內的輸入輸出數據來訓練和調整各層神經元之間的權重，然後以優化的權重再對樣本外數據進行預測。
理論上，對樣本內數據進行的訓練次數越多，神經網絡就能更好地抓住數據內部的潛在非線性關係，樣本內誤差也越少。
吊詭的是，訓練次數一旦超過某個臨界值後，樣本內的誤差會持續下降，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數據的關係，喪失了在樣本外應用的一般可適用性。
當前機器學習的核心算法，就是找到一個訓練平衡點，以便達到一個最優的樣本外預測模型。
在預測這一類的應用中，如果隻是做一個市場漲跌的判斷，我以前做過“海峽時報指數”未來漲跌的預測，最好的預測成功率達到74%，已經很高，一般平均水平能達到50%以上。
隻是，單一一次的成功率沒有太大意義，得去檢驗持續成功率達到多少，這樣才能拿到持續的收益。
如果說，人工智能技術要在國內金融領域實現普及，要有資金投入，也需要核心的人工智能和大數據技術來構建算法交易平台。
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台，在平台上可以完成整個自動化過程，其中包括各類數據的實時接入，量化策略的開發、交易和執行，以及每日市場新數據的自動清洗、壓縮和存儲。
當晚收盤後，需要把新數據納入重新計算，以調整第二天的交易參數，再進行自動交易，以此循環。過程完全自動化，沒有人工介入。
當涉及到數千支股票或者數千個資產的交易參數更新，一個晚上通常完成不了更新計算，就要使用並行分布式計算，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的強計算能力和內存，以達到自動化過程。隻要計算能力不是瓶頸，這個過程可以不斷優化，比如一晚上原來10台計算機的工作，可以用100台、1000台服務器同時做，可優化的細節會更多，第二天自動更新交易參數之後，策略優勢就更為突出。
要有自動化平台和好算法，意味著要有人才的投入，例如策略開發分析師、量化開發人員等，有一個開發過程。
真正涉及到交易的自動化，包括策略和交易信號的係統化開發和優化、智能止損和止盈的算法。根據市場的情況，隨時調整智能算法是最具有挑戰性，需要比較強的量化和開發團隊來完成。
真正從事日內高頻交易類型的私募或者對衝基金，對係統的要求很高，國內有機構出一兩百萬年薪招聘一個IT開發人員，都未必能找到合適的。畢竟，要了解人工智能技術，同時了解金融市場的策略開發，這類複合型人才很稀缺。
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，偏重金融科技的實際應用。
主要包括人工智能、大數據和區塊鏈技術在金融領域的應用，具體包括移動支付、網絡支付安全，區塊鏈技術在物流、物聯網方麵的應用，以及智能投顧、智能算法交易、金融大數據等。
開設的原因是深圳高科技公司比較多，大家比較關注金融科技的發展，包括華為、騰訊等大公司都在加強研發和布局。 目前，全球僅有2所美國大學以及1所香港大學開設這個專業。
無處不在的風險
此前大熱的AlphaGo圍棋戰，結果都在意料之中，人可以看到棋局的3、4步以後，AlphaGo可以看到20步以後，他就比你強，就這麼簡單。
對於AlphaGo來說，隻要有新的盤麵數據進來，都可以作為樣本進行訓練，它自己產生數據的訓練，肯定就更多，因為訓練時間更長了。
人類總共就3000多萬次盤麵，在這個樣本內，它再不斷自己訓練，相當於左右搏擊，自己去找新的盤麵。
期間，人類的3000多萬盤麵可能沒有太大的變化，它自己已經大大增加，加之中間一段時間又和一些高手過招了，達到1千多個CPU，這麼大量的數據訓練，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，加上大量的數據，除了所有曆史上有的數據之外，可能還有自己訓練的數據，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係統中去，你要不斷探索、學習，在網上讀取。將來，人更多的作用是放在創新領域，初級工作消失了，也會出現新的工作需求。
至於說，人工智能在金融領域有哪些新的前景？我覺得都有可能。
資產配置、權益資產收益的預測、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，幾乎可以應用在所有金融領域。
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據，可以進行分析。
在國外，他們已經研究機構客戶的喜好，在什麼時點上可能買賣哪些資產，有相應冷熱圖能預測出來，當他收到交易對手方需求的時候，可以通過智能係統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、專家係統、計算能力以及大數據智能算法的結合體。未來的突破在於，更多的思考能力。
比如，以前告訴它去做一個具體的優化過程，未來可能一個非常模煳的指令——在幾千個資產組合中找到一個最好的組合，係統可以做好，並且不斷優化，不斷動態調整，甚至過一段時間係統會自動反思，之前做的是不是無用功，有哪些錯誤？我覺得這是一個方向。
國外很多對衝基金已經在嚐試，有的對衝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幹預，自己可以工作，甚至持續實現每年很高的收益率，非常穩定。
人工智能技術在金融市場的廣泛應用，也會帶來潛在風險。比如說，利用人工智能進行預測，可能所有機構會使用同一套算法，預測結果大體是一樣的，這會加劇市場係統風險的程度。
比如在美國，有時看到某個新聞瞬間觸發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，其實都是機器算法交易操作的結果。一旦係統性風險增加，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，人工智能與人工參與會同時存在。
本期編輯:陳曉平
最後更新：2017-08-23 12:07:33