金融學(xué)如何應(yīng)對人工智能和大數(shù)據(jù)

大數(shù)據(jù)這是一個比較大的話題，同時涉及到了大數(shù)據(jù)和人工智能兩個部分。從大數(shù)據(jù)角度談了一下現(xiàn)階段的發(fā)展對于金融行業(yè)的影響，作為一個在金融服務(wù)類公司從事AI相關(guān)的工作的人，我想從AI方面談?wù)剬τ诮鹑谛袠I(yè)可能有什么影響。

上一個我不成熟的結(jié)論：

金融學(xué)是一個復(fù)雜的學(xué)科，在短時間內(nèi)，很難被AI完全替代。在利潤率較高、數(shù)據(jù)結(jié)構(gòu)化較好、問題定義明確的一些方面，AI會大行其道。在不同金融領(lǐng)域的AI如果都能發(fā)展到一定程度時，或許能加速整個金融產(chǎn)業(yè)的AI發(fā)展。

在現(xiàn)階段，金融公司所面臨的數(shù)據(jù)結(jié)構(gòu)化需求遠(yuǎn)遠(yuǎn)高于大數(shù)據(jù)要求。大量的歷史數(shù)據(jù)還并未電子化，甚至現(xiàn)階段大量金融公司新產(chǎn)生的數(shù)據(jù)都還屬于不規(guī)范的格式。

對于金融人才來說，這個時代需要專精金融且能和計算機從業(yè)者順暢溝通的人才。同時金融學(xué)的進一步發(fā)展也需要專業(yè)人才繼續(xù)探索。因此金融完全是需要繼續(xù)學(xué)的，但有所側(cè)重的補充計算機知識可以為個人和社會帶來更大的價值。

對于金融機構(gòu)來說，有目的和計劃的在合法的途徑下收集、購買、或生成相關(guān)數(shù)據(jù)將會為未來企業(yè)發(fā)展帶來巨大的優(yōu)勢。對于大型的金融機構(gòu)/研究機構(gòu)，應(yīng)該繼續(xù)加大在AI領(lǐng)域的投資，從內(nèi)部培養(yǎng)跨金融和AI領(lǐng)域的人才，即使在短時間內(nèi)不能產(chǎn)生直接利潤。

1. 人工智能在金融學(xué)中的應(yīng)用：

大量的機器學(xué)習(xí)模型已經(jīng)被用于金融實踐當(dāng)中，比如利用機器學(xué)習(xí)進行風(fēng)險預(yù)測或者假賬/錯賬檢測。更多的例子可以輕松的通過搜索引擎獲得，如“人工智能+財務(wù)”。比較值得看的的行業(yè)動向包括各大金融服務(wù)類公司發(fā)布的展望，比如高盛去年年底發(fā)布的人工智能展望，機器之心有翻譯其中的重要部分。答主本身也在 隨著人工智能的進步，財務(wù)工作者會大批失業(yè)么?該如何應(yīng)對?  – 知乎 中提到了我們正在開發(fā)審計AI的進展與展望。

2. 為什么AI不能完全替代金融學(xué)的各種模型?

A. 無法很好的用AI來定義一個金融問題

現(xiàn)階段比較被商業(yè)化廣泛應(yīng)用的機器學(xué)習(xí)還是監(jiān)督學(xué)習(xí)，而監(jiān)督學(xué)習(xí)要求有明確的問題定義?，F(xiàn)在看起來很有希望的強化學(xué)習(xí)，遷移學(xué)習(xí)等還并不能大規(guī)模普及應(yīng)用。

以簡單的監(jiān)督學(xué)習(xí)為例，如果你想建立一個模型來預(yù)測企業(yè)并購是否會影響公司股價，那么你需要提供大量并購數(shù)據(jù)，以及并購后股價是否發(fā)生了變動。理想情況下，在收集足夠多的并購消息和股價變動信息后，做自然語言分析后提取特征放到機器學(xué)習(xí)模型里面就大功告成了。

然而在實際情況中：我們無法給出明確的問題定義和邊界。如果想用AI來來制定一個股票交易策略，那么需要考慮進去多少因素?僅僅只考慮并購消息就夠了么?越多的 相關(guān)的 因素越可以提高模型的擬合性和準(zhǔn)確性。如宏觀政策和微觀的具體情況都會影響到股價的波動，漏掉其中哪一個都會造成一定的影響，往往是多多益善。在這種情況下，每個問題都需要大量人和數(shù)據(jù)來支撐，這也是為什么大量用AI來預(yù)測股票走勢的探索都無疾而終的原因。

現(xiàn)階段或者可預(yù)見的未來，在很多問題上不會出現(xiàn)這種明確的定義和范圍。

B. AI從業(yè)者和金融從業(yè)者缺乏有效溝通

在很長的時間里面，計算機和金融學(xué)之間的聯(lián)系相對比較薄弱。作為一個CS背景的人，我個人對于金融/經(jīng)濟學(xué)的理解還處于比較膚淺的狀態(tài)，只理解基本的概念和原理。同樣的，金融服務(wù)類從業(yè)者又缺乏對于AI模型和統(tǒng)計的了解。因此使用AI來推動金融學(xué)發(fā)展需要大量跨領(lǐng)域的人才，至少需要兩個方向都懂的項目經(jīng)理。

C. 金融領(lǐng)域缺乏足夠的大數(shù)據(jù)和人工智能人才儲備

人工智能的火爆，或者說06年Hinton論文后帶起的深度學(xué)習(xí)的老樹開花，并沒有來得及為行業(yè)儲存大量的專業(yè)人才。不難看出，大量一流AI/ML人才還是被互聯(lián)網(wǎng)公司一網(wǎng)打盡，(Hinton在谷歌Lecun 在FB)留給金融服務(wù)類公司的人才并不多。以我們公司舉例，各國分公司的Chief Data Scientist 基本都不是計算機/統(tǒng)計/數(shù)學(xué)背景出身的科學(xué)家。

D. 投出產(chǎn)出在現(xiàn)階段不成正比，短時間內(nèi)難以獲得收益。在這種情況下，每個問題都需要大量人和數(shù)據(jù)來支撐。因此研究探索型的、不能產(chǎn)生利潤的方向很少有公司來投資AI來進行研究的。換言之，有財力提供AI研究的金融公司不多，小型的金融機構(gòu)或者學(xué)術(shù)機構(gòu)又缺乏資源(資金，技術(shù)人才，數(shù)據(jù)積累)來進行相關(guān)系統(tǒng)的研究。

E. 技術(shù)性的難題還包括很多，比如AI在金融領(lǐng)域應(yīng)該以什么樣的模式存在?是一個軟件，一個網(wǎng)絡(luò)服務(wù)，還是一個機器人。在大量需要與客戶溝通的領(lǐng)域，人機交互以及如何生成內(nèi)容也是繼續(xù)探索的領(lǐng)域。

3. 金融公司開發(fā)AI需要什么樣的數(shù)據(jù)?

需要結(jié)構(gòu)化的數(shù)據(jù)，至少是電子數(shù)據(jù)。像上面第二點A和B中談到的，金融領(lǐng)域的大數(shù)據(jù)化，甚至是數(shù)據(jù)結(jié)構(gòu)化都還有很長的路的要走。以審計為例，很多公司還有大量的票據(jù)都不能無紙化，更不要提AI能夠消化的電子數(shù)據(jù)了。前一陣子我司開發(fā)一個面試AI，但是并沒有原始數(shù)據(jù)可以直接使用。于是我們讓12個剛?cè)肼毜膯T工花了一周時間把我們保留的面試視頻逐字逐句的轉(zhuǎn)譯到文字+特征，整個過程苦不堪言。

因此對于金融公司從現(xiàn)在起就應(yīng)該繼續(xù)大力推進數(shù)據(jù)電子化，在數(shù)據(jù)價格便宜的時候從其他公司購買數(shù)據(jù)?；蛟S在不久的將來，數(shù)據(jù)的價格將會高到不可企及的程度。

4. 為什么還是要繼續(xù)從事金融學(xué)研究?如何有所側(cè)重的學(xué)習(xí)?

金融領(lǐng)域的AI化最需要的不是AI專家，也不是金融學(xué)者，而是懂AI的金融從業(yè)者。如果現(xiàn)階段各行各業(yè)都因為人工智能火爆而轉(zhuǎn)向這個方向，只會看到AI泡沫破滅后整個社會的一片狼藉。我們需要各個領(lǐng)域?qū)＜襾砀嬖VAI從業(yè)者行業(yè)的痛點，我們需要項目經(jīng)理來領(lǐng)導(dǎo)各行各業(yè)的AI化。

對于已經(jīng)從業(yè)的金融工作者，掌握一些基本的軟件操作技能，遇到新的系統(tǒng)能很快上手，就可以了。至于專門花時間來學(xué)CS，甚至AI/ML，是不大必要的。畢竟最終留給金融從業(yè)者的入口不是數(shù)學(xué)模型或者代碼，而是封裝好的軟件/APP/機器，不會要求過高的理化背景。更何況AI/ML的學(xué)習(xí)要求如線代統(tǒng)計概率等很多基礎(chǔ)數(shù)學(xué)基礎(chǔ)，自學(xué)起來的時間成本很高。

對于正在選擇專業(yè)方向或者轉(zhuǎn)型的年輕人來說，繼續(xù)學(xué)習(xí)金融，探索未知的領(lǐng)域是一條正道。如果有條件的話，多吸收數(shù)據(jù)科學(xué)方向的知識，甚至可以讀一個數(shù)據(jù)科學(xué)的副學(xué)位或者雙學(xué)位。AI時代說到底，我們只要抱著開放的心，選擇迎接新技術(shù)，成為最能接受改變那一小部分人，是永遠(yuǎn)都不會失業(yè)的。歷史只會淘汰那些選擇對抗，停滯不前的人:)