704
机器人
想要占领华尔街，人工智能还要过这些关
人工智能进军金融服务领域似乎只是一件时间早晚的事。越来越多的“XX基金应用了XX算法”的新闻标题，让华尔街的投行精英们不禁思考：十年后，我的这份工作还会存在吗？(盘贝相关阅读：人工智能来袭！华尔街这些工作已经或将会被替代)
上周金融主动投资领域也爆出了大新闻。周二，坐标旧金山的EquBot LLC公司正式推出了史上第一个用人工智能投资的ETF基金(NYSE代码AIEQ)，建立在IBM Watson平台基础上的这个ETF，将可能模仿一个全天候工作的股票分析师团队。
不同于目前的量化投资基金的算法的是，IBM Watson平台上建立的AI，可以自己从错误中学习，无需进一步编程。根据美国商业资讯(Business Wire)的说法，这个ETF可以用IBM Watson的认知能力和大数据分析能力，来分析投资机会。简单说，就是EquBot可以通过分析各种投资机会是否可能会受益于当前经济状况、趋势以及世界和公司特定时间的可能性来进行排序，同时解析监管文件，超过100万条新闻资讯，以及各种公司管理资料、情绪量表和财务模式等等，最后确定最有可能升值的股票，建立一个由30到70只股票构成的投资组合。
EquBot官网主页截图 图片来自EquBot
不过，EquBot只是自动化投资的一个极端案例，绝不是所有投行和基金都已经像EquBot这么极端。相反，虽然大家都在努力研发各种人工智能程序和投资算法，在现实中，“用人工智能控制投资进程”的呼声，在华尔街却实则反应平平。想要真正完全替代人类，人工智能还有很长的路要走。
讲个比较早的自动化投资的例子。从上个世纪90年代开始，成功预言过“黑色星期一”事件的投资大佬Paul Tudor Jones曾经安排一个编程人员组成的团队，为他做一个项目，叫做"Paul in a Box"(姑且译做"保罗盒子")。他希望通过这个项目，解开对冲基金经理交易的DNA奥秘，搞清楚他们如何分析市场和他们的投资理念，然后训练一个电脑，来做同样的工作。
这些代码后来被更新了很多次，现在在Tudor Investment Corp.里面依然还在用着。编程人员需要一次又一次的输入新的数据类型，模拟不断变化的价格信号。但即使如此，机器也不可能像Jones一样，对经济形势变化有独特的“嗅觉”，同时，机器也很难捕捉市场的不确定性。换句话说，最终做出决策的还是Jones本人，不是那个“保罗盒子”。
图为Paul Tudor Jones 图片来自Bloomberg
上面所说的这个模型的局限性，是许多高端金融模型所共有的。目前的人工智能，离真正模拟人脑的思考还有相当的一段距离，即使编程人员设法构建了这类系统，这些软件也需要频繁的进行微调和数据输入。高盛风险管理系统SecDB的首席工程师Michael Dubno表示，很多销售人员和交易员至少现在还不会被炒鱿鱼的一大原因就是，“他们拥有比世界上的大多数计算机系统更为复杂的关于世界的心理模型”, 同时他认为，在短期内，人工智能的发展可能没有大家所想的那么迅猛。
高盛是推进自动化投资的领头羊，自然证明投行认为自动化投资是有意义的，就像投资银行在高频交易领域开创性的存在一样，使得银行在短期内获得了数十亿美元的利润。
然而，希望AI彻底取代股票或信贷交易员的技能，目前来看依然是不太可能实现的。自动化信贷市场交易尤其具有挑战性，因为许多信贷交易工作取决于对每个交易的特性和人际交往的判断，信贷市场的数据并非是标准化的，交易员需要与客户合作来定制个性化的合同，比如商业抵押担保证券。
插图来自Linkedin
大家可能都认为，华尔街投行们用的肯定是最先进最牛逼的科技。然而这种想法其实是存在误导性的。根据彭博之前的报道，目前华尔街的很多公司依赖的都是老旧的电脑，所谓的“算法”也不过是微软的excel表格而已。根据科技咨询公司CB Insights的数据，目前华尔街金融公司所使用的软件的平均年龄已经长达38岁了。
令人感到意外的是，真正阻拦人工智能攻陷华尔街的第一大阻碍，正是这些算法所建立的基础：数据。
数据作为这些智能算法存在的基石，却往往是碎片化的、或不准确的。
说这话的不是别人，正是高盛风险管理首席工程师Dubno。Dubno认为，公司推进自动化投资的第一大障碍就是公司所拥有的遗留数据系统、错误的数据和不良数据。“金融公司的标准困境就是，他们卡在了一个他们的数据存的到处都是的世界。”
这是一个很难避免的问题。毕竟当这些公司成立之初，他们的存在目标并不是成为算法大牛，因此，他们所使用的交易平台往往大杂烩，而存储在不同服务器上的excel电子表格和数据又往往不能及时同步和更新。
比方说，机器学习对于诸如检测欺诈行为，或信用风险分析等都十分有价值，但是，想要它在瞬息万变的市场中适应交易确实非常困难。简单说，就是历史数据不足以建立一个有效的算法。而当你好不容易攒够了足够多的数据来建立一个复杂的模型时，这波市场动态早就已经过去了。
插图来自NCClinked
另外，行业惯性也是一大问题。
为了能够开发尖端科技，JPM或T. Rowe Price Group这样的大公司，都已经设立了科技中心，投入大量资金进行研发。最近一个求职季，高盛发布的职位也全都跟科技和编程有关。然而，在华尔街创新研发是一回事，在公司里面真的实施就是另外一回事了。毕竟对于投行来说，实施新科技并不是第一要务，为客户赚钱和跟上目前的监管法规才是。
比方说，想要在忙成狗的交易部门安装一个新的系统，就是非常有挑战性的一件事。在交易部门，所有的交易员都忙的不可开交，时间非常的紧张，大家的心态都是“如果没坏就别修了”，况且有时候，桌面上可能已经没地方可以放所谓的前沿科技了。
从另一个角度看，这也包含了一些微妙的“办公室政治”因素。高管们可能并不希望引入AI，让投资实现自动化，可能更希望保持现状，因为他们不希望失去目前的薪水和地位。而老板们也是差不多，他们往往也不愿意过多削减员工，以至于减少他们的权威，也更不愿意使用自己并不了解的技术。
插图来自Google
如此说来，AI想要完全攻陷华尔街，还是任重而道远的一件事。而那些担心自己会因此丢掉工作的小伙伴们，可以暂时把心放回肚子里了，初级分析师们依然还可以保住工作，至少现在来看，短期内是如此。
最后更新：2017-10-25 07:45:45