周爽?劉赟

摘 要：金融行業(yè)的資產(chǎn)交易面臨著技術(shù)升級(jí)所帶來的變革，金融行業(yè)已經(jīng)進(jìn)行了很多結(jié)構(gòu)性調(diào)整。雇傭大量交易人員進(jìn)行金融操作的時(shí)代結(jié)束了?；谌斯ぶ悄艿慕鹑诩夹g(shù)研發(fā)已經(jīng)取得了很大的進(jìn)展，本文介紹了人工智能技術(shù)在金融領(lǐng)域的應(yīng)用現(xiàn)狀，分析了在人工智能技術(shù)沖擊下金融行業(yè)面臨的挑戰(zhàn)以及解決方案，展望了智慧金融的發(fā)展前景。

關(guān)鍵詞：智慧金融;人工智能;深度學(xué)習(xí)銀行管理

一、人工智能對(duì)傳統(tǒng)金融行業(yè)的影響

目前人工智能技術(shù)在銀行、證券以及保險(xiǎn)行業(yè)都已經(jīng)大量融入，顯著地提高了工作效率，簡(jiǎn)化了工作流程，降低了工作成本。例如，摩根大通公司的一款合同分析軟件能夠代替36萬小時(shí)的人工服務(wù)，而且錯(cuò)誤率大大低于人工領(lǐng)域。①

人工智能的技術(shù)基礎(chǔ)是深度學(xué)習(xí)算法以及大數(shù)據(jù)，而深度學(xué)習(xí)算法的基礎(chǔ)是大數(shù)據(jù)，能夠源源不斷產(chǎn)生大量數(shù)據(jù)，同時(shí)依賴這些數(shù)據(jù)的行業(yè)將會(huì)需要人工智能的介入。跟保險(xiǎn)與證券業(yè)務(wù)有關(guān)的行業(yè)很早就已經(jīng)介入自動(dòng)化的研究，在數(shù)據(jù)采集、存儲(chǔ)以及數(shù)據(jù)共享平臺(tái)建設(shè)方面，取得了長(zhǎng)足進(jìn)展，國(guó)內(nèi)這些行業(yè)在上世紀(jì)九十年代就已經(jīng)開始規(guī)劃建設(shè)大數(shù)據(jù)處理系統(tǒng)，如今已經(jīng)能為即將到來的人工智能應(yīng)用提供堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

深度學(xué)習(xí)是人工智能真正的核心技術(shù)構(gòu)造方式，由于金融市場(chǎng)存在大量數(shù)據(jù)噪聲，并且具有多維度特征，可以用非線性方法進(jìn)行處理，這樣可以最大限度減弱數(shù)據(jù)維度和噪聲，相比起傳統(tǒng)金融模型，非線性方法可以利用大數(shù)據(jù)訓(xùn)練來改善模型，使之更接近實(shí)際情況，從而可以動(dòng)態(tài)預(yù)測(cè)市場(chǎng)，增加預(yù)測(cè)的精確性。

在傳統(tǒng)金融行業(yè)，人們已經(jīng)習(xí)慣于技術(shù)分析人員的傳統(tǒng)處理方法，根據(jù)數(shù)據(jù)發(fā)明簡(jiǎn)化的數(shù)學(xué)模型，在實(shí)際應(yīng)用中根據(jù)情況不斷改進(jìn)，使之適應(yīng)新出現(xiàn)的情況，不管這些模型有多出色，畢竟只是對(duì)多維度的數(shù)字空間的模擬，只是對(duì)發(fā)生在數(shù)字世界的規(guī)律的近似，在實(shí)際應(yīng)用中有時(shí)會(huì)產(chǎn)生很大偏差。深度學(xué)習(xí)技術(shù)可以很好規(guī)避這些傳統(tǒng)方法帶來的不利影響，能比傳統(tǒng)人類分析員精確幾個(gè)數(shù)量級(jí)。

比如對(duì)于股票行業(yè)來說，股票經(jīng)紀(jì)人最多只能熟悉幾百只股票的漲跌規(guī)律，根據(jù)自己熟悉的數(shù)據(jù)制定出簡(jiǎn)化的交易策略?；谌斯ぶ悄艿牧炕灰卓梢愿鶕?jù)數(shù)據(jù)庫中的所有數(shù)據(jù)進(jìn)行分析，加入上萬個(gè)變化因素，同時(shí)還能考慮到場(chǎng)內(nèi)外的各種影響因素。既可以注意全世界每只個(gè)股的交易情況，又能關(guān)注各市場(chǎng)的整體變動(dòng)規(guī)律，能夠多維度地計(jì)算股票發(fā)展走勢(shì)，找出人類交易員難以發(fā)現(xiàn)的股票交易規(guī)律，獲得普通交易員難以企及的交易收益。

二、金融領(lǐng)域中最適合應(yīng)用人工智能的行業(yè)分析

在金融領(lǐng)域中，客戶的數(shù)據(jù)可以大致分為兩部分，強(qiáng)特征數(shù)據(jù)只占總量極小的一部分，而弱特征數(shù)據(jù)則是海量的，比如電子商務(wù)數(shù)據(jù)、設(shè)備數(shù)據(jù)、位置與行為數(shù)據(jù)等。金融行業(yè)與社會(huì)各行業(yè)都存在著巨量的交互作用，產(chǎn)生了大量未經(jīng)處理的數(shù)據(jù)，這些數(shù)據(jù)缺乏結(jié)構(gòu)性組織，難以用傳統(tǒng)方式進(jìn)行分析。深度學(xué)習(xí)方法可以利用這些數(shù)據(jù)訓(xùn)練出有用的風(fēng)險(xiǎn)控制模型，為決定是否借貸給客戶提供重要依據(jù)。

人工智能技術(shù)可以很好地用在量化交易領(lǐng)域，可以應(yīng)用的范圍包括股權(quán)和債券、期貨與外匯等方面，量化算法基于大數(shù)據(jù)建模，能夠?yàn)闄C(jī)構(gòu)和個(gè)人提供詳盡的投資建議，能最大限度地使金融資本收益最大化。

密歇根法學(xué)院曾經(jīng)做了一個(gè)估計(jì)：現(xiàn)在股票市場(chǎng)上大約有一半以上的交易由計(jì)算機(jī)完成，同時(shí)，計(jì)算機(jī)運(yùn)算還帶給期貨市場(chǎng)60%的收益，在國(guó)債市場(chǎng)則產(chǎn)生有50%的收益。并且，在對(duì)沖基金領(lǐng)域，人工智能的表現(xiàn)也勝過傳統(tǒng)對(duì)沖基金。

從2013年開始，資產(chǎn)管理公司Castle Ridge Asset Management在股票管理中使用了一種基于遺傳算法的學(xué)習(xí)系統(tǒng)，其回報(bào)率可達(dá)到每年32%。這樣的回報(bào)率在很大程度上歸功于人工智能的學(xué)習(xí)能力，在一項(xiàng)公司收購項(xiàng)目中，該系統(tǒng)趕在24項(xiàng)收購計(jì)劃公布之前就做出了成功預(yù)測(cè)。人工智能可以通過蛛絲馬跡的數(shù)據(jù)異常找到內(nèi)部交易信息。

在信用風(fēng)險(xiǎn)防控方面人工智能技術(shù)也能有所作為。近年來，互聯(lián)網(wǎng)金融公司得到了很大發(fā)展，這個(gè)行業(yè)需要對(duì)客戶的信用進(jìn)行精準(zhǔn)地估算，以確定其風(fēng)險(xiǎn)程度，由于客戶量大，涉及的數(shù)據(jù)量也異常龐大，用傳統(tǒng)方法很難估算，而基于深度學(xué)習(xí)技術(shù)的人工智能卻大有用武之地，能對(duì)大量參數(shù)的多維度數(shù)據(jù)進(jìn)行精準(zhǔn)分析得出有指導(dǎo)意義的結(jié)論。

能使用人工智能技術(shù)的還有安全防護(hù)中的身份認(rèn)證系統(tǒng)。近年來隨著人臉識(shí)別技術(shù)的應(yīng)用，銀行安防體系獲得了很大發(fā)展，現(xiàn)在使用支付寶或者手機(jī)銀行時(shí)都要用到臉部識(shí)別技術(shù)確定身份。而且銀行還可以對(duì)進(jìn)入銀行的人員進(jìn)行甄別，確保沒有危險(xiǎn)人員混入保密區(qū)域。

金融行業(yè)中已經(jīng)積累了很多人工智能成功應(yīng)用案例。目前，美國(guó)的Wealthfront、德國(guó)的Finance Scout24都已經(jīng)在投資理財(cái)中大量引入人工智能技術(shù)。基于人工智能技術(shù)的基金Rebelion曾經(jīng)提前計(jì)算出2008年的股票市場(chǎng)崩盤?；萜瞻凑諅鹘y(tǒng)方式給希臘債券評(píng)為A級(jí)的時(shí)候，Rebelion就已經(jīng)給出了F級(jí)這樣的評(píng)價(jià)，比官方最終決定降級(jí)處理提前了一個(gè)月?；谌斯ぶ悄艿腃erebellum擁有900億美元，自2009年以來一直沒有虧損。

國(guó)內(nèi)應(yīng)用人工智能比較成功的是螞蟻金服，目前涉及的領(lǐng)域包括互聯(lián)網(wǎng)小額貸款、資產(chǎn)配置服務(wù)和保險(xiǎn)客戶服務(wù)。智融金服的風(fēng)險(xiǎn)控制體系每月能放款120萬筆，使用機(jī)器審核只需要8秒的處理時(shí)間。招商銀行也早已開通了可視化柜臺(tái)。曠視科技公司的核心技術(shù)是機(jī)器視覺，利用這項(xiàng)技術(shù)可以為金融領(lǐng)域提供身份識(shí)別與驗(yàn)證解決方案。

三、量化交易應(yīng)用實(shí)例分析

人工智能在量化交易中的應(yīng)用有著非常廣闊的前景，量化交易的根據(jù)是已經(jīng)發(fā)生的歷史數(shù)據(jù)，但證券的特點(diǎn)是當(dāng)前價(jià)格多數(shù)情況下不代表價(jià)值，而是對(duì)該證券的預(yù)期。未來的價(jià)格可能在很大程度上受制于消息層面，歷史數(shù)據(jù)上并未包含這層信息，這被稱作過擬合現(xiàn)象，是量化交易中的典型問題。

當(dāng)然，事實(shí)證明光考慮歷史數(shù)據(jù)是不夠的，正確的預(yù)測(cè)還要考慮到消息層面，需要從人類的社交網(wǎng)絡(luò)中提取有用的信息，需要解讀大量網(wǎng)絡(luò)文本，處理很多人類語言，將這些數(shù)據(jù)轉(zhuǎn)換成能分析的數(shù)據(jù)，抽取影響市場(chǎng)關(guān)鍵因素。傳統(tǒng)的量化交易模型從其本質(zhì)上來說是靜態(tài)的，如何交易都被事先編程所限定，例如利用動(dòng)量原理來做交易策略，在一定時(shí)期內(nèi)會(huì)起作用，但時(shí)間一長(zhǎng)就可能失效，而基于人工智能的交易策略則會(huì)隨時(shí)根據(jù)市場(chǎng)信息調(diào)節(jié)策略，實(shí)現(xiàn)動(dòng)態(tài)交易。

比如文藝復(fù)興科技是一家使用量化交易的對(duì)沖基金公司，其中的大獎(jiǎng)?wù)禄鸨憩F(xiàn)極為出色，年平均回報(bào)率能達(dá)到百分之七十以上②。大獎(jiǎng)?wù)禄鸬念A(yù)測(cè)模型就是基于大數(shù)據(jù)的人工智能系統(tǒng)。大獎(jiǎng)?wù)禄鸬膭?chuàng)始人詹姆斯·西蒙斯被認(rèn)為是對(duì)沖基金界的王者，同時(shí)也是量化交易的鼻祖。西蒙斯的投資理念與傳統(tǒng)方法不同，主要依靠數(shù)學(xué)模型，而數(shù)學(xué)模型的運(yùn)算完全依據(jù)電腦。數(shù)學(xué)模型可以敏銳地捕捉市場(chǎng)信息，再綜合歷史信息做出交易決策，西蒙斯相信電腦模型可以有效地降低風(fēng)險(xiǎn)，提高收益。

傳統(tǒng)的投資策略傾向于定性分析，而讓電腦代替人工進(jìn)行分析，就可以在整個(gè)市場(chǎng)中尋找投資標(biāo)的物，投資的理念需要轉(zhuǎn)化成具體指標(biāo)和參數(shù)，并按照程序去運(yùn)行，能實(shí)時(shí)跟蹤市場(chǎng)的變化情況，利用計(jì)算機(jī)提供的強(qiáng)大數(shù)據(jù)處理能力處理投資指標(biāo)，在控制風(fēng)險(xiǎn)的情況下使收益達(dá)到最大化。隨著人工智能技術(shù)的發(fā)展，計(jì)算機(jī)可以大規(guī)模處理堆積如山的歷史數(shù)據(jù)，使得投資以遠(yuǎn)超傳統(tǒng)方式的規(guī)模發(fā)展起來③。

文藝復(fù)興科技公司進(jìn)行大量短線交易，充分利用大數(shù)據(jù)捕捉股市上微小的波動(dòng)。該公司招募了大量擁有數(shù)理背景的博士畢業(yè)生作為研究團(tuán)隊(duì)主要成員，每周需要像開科研會(huì)議一樣，聚集在一起分析模型的優(yōu)劣。機(jī)器決策一旦完成，交易員會(huì)迅速投入操作，充分利用短線交易獲取利潤(rùn)。由于交易量過大，有時(shí)候甚至占到納斯達(dá)克整體交易量的十分之一。

四、國(guó)內(nèi)金融領(lǐng)域應(yīng)用人工智能的前景

根據(jù)原銀監(jiān)會(huì)發(fā)布的《銀行業(yè)金融機(jī)構(gòu)數(shù)據(jù)治理指引》，全國(guó)的銀行業(yè)金融機(jī)構(gòu)準(zhǔn)備開始實(shí)施新的數(shù)據(jù)管理方法，以此提高機(jī)構(gòu)內(nèi)部經(jīng)營(yíng)管理效率。中國(guó)的金融行業(yè)目前面對(duì)海量的金融數(shù)據(jù)還存在著處理能力低下的問題。我國(guó)的銀行機(jī)構(gòu)很早就開始實(shí)施電子化應(yīng)用了，數(shù)據(jù)管理的資金投入也不小。但是，各機(jī)構(gòu)之間的數(shù)據(jù)交流還存在很大障礙，只有系統(tǒng)整合各機(jī)構(gòu)的數(shù)據(jù)管理能力，才能實(shí)現(xiàn)數(shù)據(jù)的順暢流通以及合理分析處理?；A(chǔ)銀行網(wǎng)點(diǎn)裝備的智能設(shè)備需要大數(shù)據(jù)分析的支持。人工智能中深度學(xué)習(xí)的前提是大數(shù)據(jù)的積累和管理。這就需要各相關(guān)機(jī)構(gòu)整合在一起進(jìn)行系統(tǒng)合作。

2018年年初建設(shè)銀行與阿里巴巴以及螞蟻金服合作，嘗試著在電子支付領(lǐng)域?qū)嵤┥疃群献鳌＝鹑跈C(jī)構(gòu)本身也在建立新的合作關(guān)系，組建金融云公司，用于承接銀行業(yè)重要信息系統(tǒng)批量上云的服務(wù)。目前銀行業(yè)數(shù)據(jù)進(jìn)行云管理已經(jīng)成為一種不可遏制的趨勢(shì)。很多銀行已經(jīng)逐漸加大信息化技術(shù)的建設(shè)力度，并在各個(gè)業(yè)務(wù)環(huán)節(jié)中都加入人工智能技術(shù)以提高運(yùn)營(yíng)效率。

原銀監(jiān)會(huì)早在2016年就對(duì)國(guó)內(nèi)金融機(jī)構(gòu)提出，銀行業(yè)需要實(shí)施云計(jì)算技術(shù)應(yīng)用，并且要逐漸完成行業(yè)結(jié)構(gòu)轉(zhuǎn)型。在“十三五”結(jié)束之前，所有基于互聯(lián)網(wǎng)的數(shù)據(jù)系統(tǒng)都要轉(zhuǎn)移到云計(jì)算平臺(tái)④。

總之，人工智能技術(shù)應(yīng)用于金融領(lǐng)域是大勢(shì)所趨，各金融機(jī)構(gòu)在應(yīng)用人工智能方面的布局將深刻影響未來金融業(yè)發(fā)展。

五、制約應(yīng)用人工智能的因素以及解決方案

有很多因素制約著人工智能在金融行業(yè)的應(yīng)用，數(shù)據(jù)資源方面產(chǎn)生的問題最多。很多時(shí)候，銀行內(nèi)部的已保存數(shù)據(jù)未能得到充分整合，原因是數(shù)據(jù)過于分散地保存在不同系統(tǒng)，而且這些數(shù)據(jù)沒有做結(jié)構(gòu)化處理，只不過以各種業(yè)務(wù)憑證的形式存儲(chǔ)起來，難以進(jìn)行進(jìn)一步處理和分析，無法發(fā)揮其潛藏的價(jià)值。另外，銀行以外的數(shù)據(jù)包含著客戶的重要信息，如果能適當(dāng)整合，就能建立關(guān)于顧客真實(shí)情況的評(píng)估體系，目前這方面做得還很不夠。

目前國(guó)內(nèi)數(shù)據(jù)交易市場(chǎng)還沒有達(dá)到規(guī)范水平，主要表現(xiàn)在相關(guān)的行業(yè)標(biāo)準(zhǔn)還沒有完全確立，相應(yīng)的法律法規(guī)還有待完善，還沒有相應(yīng)的國(guó)家職能機(jī)構(gòu)制定出合理的監(jiān)管規(guī)則，來監(jiān)督規(guī)范市場(chǎng)的實(shí)際運(yùn)作，行業(yè)無法健康順利發(fā)展。數(shù)據(jù)交易中還存在著交易形式混亂，沒有統(tǒng)一定價(jià)標(biāo)準(zhǔn)的問題。不同來源的數(shù)據(jù)在格式上沒有統(tǒng)一起來，內(nèi)容上還存在不完整問題，這些都影響了數(shù)據(jù)的分享與交換。

在技術(shù)支持方面也存在一些問題，比如技術(shù)人員儲(chǔ)備不足。一些商業(yè)銀行中從事數(shù)據(jù)挖掘與分析的技術(shù)人員數(shù)量較低，還遠(yuǎn)比不上社會(huì)上的金融科技公司和從事數(shù)據(jù)分析的互聯(lián)網(wǎng)公司。最重要的是缺乏人工智能專業(yè)人才，目前供職于商業(yè)銀行的技術(shù)人員多為軟件開發(fā)和系統(tǒng)運(yùn)營(yíng)維護(hù)人員，進(jìn)行一些日常的數(shù)據(jù)庫管理，能進(jìn)行系統(tǒng)數(shù)據(jù)分析和人工智能應(yīng)用的技術(shù)人員非常缺乏。

人工智能應(yīng)用于銀行業(yè)還需要統(tǒng)一的標(biāo)準(zhǔn)，但在我國(guó)人工智能如何應(yīng)用于金融機(jī)構(gòu)還需要探索，因?yàn)槿斯ぶ悄鼙旧硪蔡幱谘邪l(fā)階段，需要機(jī)構(gòu)以外的廠家協(xié)調(diào)合作，共同開發(fā)，以期能建立起合理的行業(yè)規(guī)范。

在數(shù)據(jù)安全方面也面臨著重大挑戰(zhàn)。金融機(jī)構(gòu)在運(yùn)營(yíng)過程中，產(chǎn)生了大量業(yè)務(wù)數(shù)據(jù)，而網(wǎng)絡(luò)平臺(tái)可能存在技術(shù)性漏洞，容易招致網(wǎng)絡(luò)攻擊，造成內(nèi)部與外部的數(shù)據(jù)泄露與篡改，導(dǎo)致銀行與客戶蒙受損失。人工智能技術(shù)為銀行業(yè)服務(wù)的同時(shí)，也為黑客提供了攻擊金融網(wǎng)絡(luò)的工具，黑客可以借此攻擊網(wǎng)絡(luò)貸款的訪問接口。人工智能能夠提供各種智能服務(wù)，比如智能理財(cái)顧問和智能客服等，在銀行的運(yùn)營(yíng)過程中，智能服務(wù)可以應(yīng)用到經(jīng)營(yíng)管理的各個(gè)層面，但人工智能的應(yīng)用是以模型為基礎(chǔ)的，模型本身也會(huì)出現(xiàn)漏洞產(chǎn)生錯(cuò)誤，這也是風(fēng)險(xiǎn)之一。

最后，對(duì)人工智能的監(jiān)管也存在困難，人工智能的運(yùn)作依靠數(shù)據(jù)模型，要通過深度學(xué)習(xí)來產(chǎn)生決策方式，這個(gè)過程難以準(zhǔn)確追蹤和做出評(píng)價(jià)，是個(gè)黑箱問題，而金融機(jī)構(gòu)的數(shù)據(jù)經(jīng)常需要追溯來源，兩者存在矛盾。人工智能的權(quán)利與責(zé)任如何定義目前也還不明確，極大地提高了監(jiān)管成本。

為了克服以上問題，充分地挖掘出數(shù)據(jù)中存在的商業(yè)價(jià)值，需要把金融機(jī)構(gòu)的內(nèi)部與外部數(shù)據(jù)有機(jī)地整合在一起，在整個(gè)行業(yè)中建設(shè)一個(gè)統(tǒng)一的數(shù)據(jù)平臺(tái)，在數(shù)據(jù)處理方面應(yīng)該給出統(tǒng)一標(biāo)準(zhǔn)，數(shù)據(jù)模型應(yīng)該能融合處理各種數(shù)據(jù)，全面處理來自銀行網(wǎng)絡(luò)平臺(tái)、電子商務(wù)、社交平臺(tái)、購物平臺(tái)、電信網(wǎng)絡(luò)以及各級(jí)政府部門的相關(guān)數(shù)據(jù)，完成數(shù)據(jù)結(jié)構(gòu)化處理，為人工智能提供深度學(xué)習(xí)所需的規(guī)范數(shù)據(jù)。另外還需要認(rèn)真拓展數(shù)據(jù)來源，理順行業(yè)內(nèi)部各系統(tǒng)各部門的數(shù)據(jù)儲(chǔ)存與交流方式，拓寬銀行業(yè)以外的數(shù)據(jù)來源，為大數(shù)據(jù)提供堅(jiān)實(shí)基礎(chǔ)。

人工智能與金融業(yè)的深度融合還需大量高端人才的加入，商業(yè)銀行需要調(diào)整技術(shù)研發(fā)人員的構(gòu)成，加大對(duì)數(shù)據(jù)處理人員以及高級(jí)算法工程師的引進(jìn)與培養(yǎng)，同時(shí)要建立起人工智能專家團(tuán)隊(duì)，進(jìn)一步加強(qiáng)與銀行業(yè)以外的人工智能科研機(jī)構(gòu)的深度合作，可以通過建立適當(dāng)?shù)捻?xiàng)目完成培養(yǎng)銀行技術(shù)人才的目的。結(jié)合銀行已有的知識(shí)技術(shù)，幫助員工規(guī)劃自己的職業(yè)生涯，優(yōu)化自己的知識(shí)構(gòu)成，在技術(shù)應(yīng)用中更好地定位自己。在引進(jìn)人才方面，變革已有的人事制度，采用有利于優(yōu)化人才構(gòu)成的機(jī)制，拓展引進(jìn)人才的渠道，采用合理且靈活的方式引進(jìn)人才，建立利于人才發(fā)展的內(nèi)部機(jī)制。

注釋：

①英途微信公眾號(hào)，2017.3，華爾街失守，摩根大通的AI將36萬小時(shí)的工作縮至秒級(jí)。

②http：//en.wikipedia.org/wiki/Renaissance_Technologies。

③https：//mp.weixin.qq.com/s/IB3uL2ouf6U9XjuY3W5kNg。

④https：//mp.weixin.qq.com/s/9cgJiRPZw9eFC1fTrAKeBg。

作者簡(jiǎn)介：周爽，學(xué)歷：本科，北京信息職業(yè)技術(shù)學(xué)院，職稱：講師，職務(wù)：專任教師，研究方向：營(yíng)銷;劉赟，學(xué)歷：博士研究生，北京信息職業(yè)技術(shù)學(xué)院，職稱：講師，職務(wù)：專任教師，研究方向：認(rèn)知科學(xué)