彼时，摩根士丹利已全球裁员1200人，瑞信对伦敦1800名员工发出裁员警告；在200名计算机工程师的支持下，自动化交易程序已接管了高盛纽约总部大多数日常工作。目前AI在金融领域的热度前所未有，甚至被神化。
人工智能在金融领域的应用，究竟会带来怎样的变革？《21CBR》专访了北大汇丰商学院副教授朱晓天博士。
加盟北大汇丰前，在美国华尔街、新加坡、香港和中国内地金融投资行业，朱晓天有超过16年的研究和投资经验，曾担任中信证券Delta One指数化衍生品业务的高级副总裁。
朱晓天博士
以下是关于此次分享的整理，温馨提醒，有大量专业术语：
中信证券的实践
在中信证券时，有相当长一段时间，我负责场外衍生品及管理融券池的增强收益工作，高峰时的融券池规模达到80个亿，是市场最大的，当时我主要兼顾两部分工作：
首先保证和增强融券收益。由于融券池是多空对冲的，需要定期调仓，以保证它有额外的Alpha收益（绝对收益）。
考虑到本身资金成本和后来的基差贴水成本（产生于指数期货远期合约价格低于现货价格时），还需通过多头的融券获得收益。另外，加上Alpha策略的收益，才能获得足够的增强收益，以保证业务正常开展。
其次是Delta One场外衍生品业务。我们会跟一些较大的机构客户来合作相关业务，有大量的需求，尤其目前市场监管较严，“去杠杆”为主，整个机构业务对场外衍生品的需求增加。
当场内标准金融产品无法满足特定需求时，他们不得不用场外的方式来做，就是定制化的过程。
Delta One主要是线性的，后来我们拓展到非线性的，以场外的工具来做一些综合解决方案。以此维护与大型机构客户的合作关系。
我们日常主要提供和设计相关的“解决方案”，不管是线性、非线性的，还有各种标准产品，需要将它们组合在一起来解决客户的需求。有的时候，一单可以上百亿，小的也有几千万。
其要求也相对较高，由于每一单都是相对定制化的，落地的过程中要持续不断地沟通，包括内部各个部门和外部客户以及合作方。
一旦客户开始签署场外的协议，又涉及到场外协议过程中的相关尽调、流程、风控等等很多的细节。
主要挑战来自于市场监管的情况随时在变，很多时候一些解决方案，在本来政策环境下可以操作，随着监管政策的变化马上又得重新调整。
看起来内容繁琐，我们的产品设计组，只有5、6个人。
智能投顾的真相
我有一个朋友在纽约从事衍生品交易，现在被机器直接替代了。本身衍生品交易这一块准确定价非常重要，不准确的定价会导致错误的交易并导致损失。
德意志银行的衍生品交易采用人工智能模型，提高了预测股票回购率的准确率，提高了关联期权定价的准确性，提高了交易利润。定价系统越来越人工智能化，交易员就可以直接裁掉了，这是一个趋势。
AI在国外金融行业的应用趋势比较明显。在国内，大家知道这是个热点，也仅限于概念比较热而已。
在算法交易方面，中信证券在行业内应该算数一数二的，同时也在不断地改进，而算法交易中用到的大数据，也是人工智能的算法。
在国内一些券商陆续推出了“机器人投顾”的产品，在我看来，暂时只是一个热门的概念而已——目前媒体上比较时髦的AI其实有狭义和广义之分。
狭义地来说，很多大数据自动化过程也用AI来指代，比如市场上推出的“机器人投顾”，除了名称时髦外，核心是个自动化的概念，只要输入一些相关的风险收益偏好，以及投资者特定偏好，可以马上根据模型测算出来。
但是，真正的人工智能要更有扩展性，可以独立思考，独立扩展，比如在算法交易或者独立开发策略的时候，能够自动更新数据，自动寻找比较优化的策略方案。
一般说的“智能投顾”，是指大类资产配置，例如私人银行的角度：根据客户或者个人、机构、客户风险收益偏好决定各类大类资产的配置比例。
通常可以直接做成一个系统，可以操作与它交互，达到自动进行资产配置的结果。这个系统除了核心的资产配置模型外，主要是一个自动化+专家系统的部分。
就我了解，国内一些私募机构用人工智能的方式，集中在两个方向：一是直接用人工智能开发策略；还有一类是下载Google Source人工智能算法的源代码，对其策略库进行筛选，因为市场情况随时在变，就用人工智能算法来动态筛选一些适合当前市场的最佳策略组合。
“人工智能”这个概念很火，有些系统仅仅实现了自动化，也称为“人工智能”。例如信用风险管理系统，待其自动化后加入一些专家系统，就被称为人工智能，属于比较初级。
但它可以取代一些初级分析员的工作，取代日常的重复性工作。真正要做到智能化，比如说开发量化策略，其实可以用到很多人工智能算法。
人工智能的一个现实应用就是策略开发中的策略筛选，另外，是用机器人投顾做大类资产配置，FOF （基金中的基金）里面的大类资产配置和产品业绩筛选，都可以考虑这种自动化的配置方式。
人工智能在金融的应用主要有两个方向，一个是预测，一个是分类。预测为线性的时间序列预测，比如一段时间以后，市场涨还是跌；分类主要应用在评级、信用风险评估等方向。
金融之所以作为AI一个突破口，是因为数据多，样本足；也正因样本过多，金融市场价格的确定机制含有很多随机过程。如何避免样本内训练的过度拟合，是要解决的问题。
相对传统操作，使用人工智能技术的成本也相对较高，当然也取决于用到哪个程度。海外在IT技术开发的投入非常大，比如瑞信。
美国的投行可能会把公司利润的1/3、1/4拿来做技术开发，实际上是跟硅谷在抢人，支付的成本非常高，一些计算机专业的高学历毕业生，即使没有经验，做程序员的职位也可以拿到超过10万+美元的起薪，仍然不易留人。
这类技术Kaiyun官方网站app登录 感觉在华尔街只属于辅助类，去硅谷就有机会加入到一些潜力巨大的独角兽公司。
招聘技术人员开发各种算法交易策略成本非常大，回报也不小。例如，摩根大通银行直接开发关于法律法规及风控应用方面的自动化系统，该系统几秒钟就可以做一般后台人员花几十万小时做的事。
这是一个竞争激烈的市场，这类公司的优势慢慢会显现出来，带动整个行业的趋势走向。海外投行这方面的发展非常迅猛。
相对来说，中国公司比较急功近利，在技术方面不愿意投入太多。大家觉得这概念很好，这个说法热，蜂拥而上，应用大数据加上一些简单的自动化，就称为人工智能系统，背后可能仅仅是一个简单的流程自动化系统，其中的差别挺大。
AI的两大软肋
从技术本身看，AI经过这么多年的发展，应用场景和框架有了较大发展，而它的核心优化算法并没有天翻地覆的变化——与十几年前人工神经网络的优化算法相比，其实没有革命性的改变。
人工智能的深度学习方法，可以识别非常复杂的非线性关系，非常适合在金融市场和投资领域的应用，也有两个主要问题：
首先是“黑箱”问题（所谓“黑箱”，就是指那些既不能打开，又不能从外部直接观察其内部状态的系统，比如人们的大脑）。不同于传统的回归或者参数模型，很容易解释预测模型的逻辑原理。
比如告诉你哪些因子与价格变化是紧密相关的，以及相关程度的强弱；机器学习通过复杂的多层神经网络，挖掘输入输出数据之间的内在关系，预测准确度上有很大提高，但没有直观的归因解释力度。
其次是机器学习中经常出现的“过度弥合”问题。比如人工神经网络模型由一层层的神经元组成的，机器学习的过程，通过样本内的输入输出数据来训练和调整各层神经元之间的权重，然后以优化的权重再对样本外数据进行预测。
理论上，对样本内数据进行的训练次数越多，神经网络就能更好地抓住数据内部的潜在非线性关系，样本内误差也越少。
吊诡的是，训练次数一旦超过某个临界值后，样本内的误差会持续下降，得到的模型在样本外预测的误差却会越来越大，这是因为模型过度拟合了样本内数据的关系，丧失了在样本外应用的一般可适用性。
当前机器学习的核心算法，就是找到一个训练平衡点，以便达到一个最优的样本外预测模型。
在预测这一类的应用中，如果只是做一个市场涨跌的判断，我以前做过“海峡时报指数”未来涨跌的预测，最好的预测成功率达到74%，已经很高，一般平均水平能达到50%以上。
只是，单一一次的成功率没有太大意义，得去检验持续成功率达到多少，这样才能拿到持续的收益。
如果说，人工智能技术要在国内金融领域实现普及，要有资金投入，也需要核心的人工智能和大数据技术来构建算法交易平台。
以前我们在瑞信，用两年时间，做了一个同时满足做市和自营功能的自动做市和算法交易平台，在平台上可以完成整个自动化过程，其中包括各类数据的实时接入，量化策略的开发、交易和执行，以及每日市场新数据的自动清洗、压缩和存储。
当晚收盘后，需要把新数据纳入重新计算，以调整第二天的交易参数，再进行自动交易，以此循环。过程完全自动化，没有人工介入。
当涉及到数千支股票或者数千个资产的交易参数更新，一个晚上通常完成不了更新计算，就要使用并行分布式计算，要充分利用晚上闲置的其它计算资源。
比如，Alphago具备1000多个GPU的强计算能力和内存，以达到自动化过程。只要计算能力不是瓶颈，这个过程可以不断优化，比如一晚上原来10台计算机的工作，可以用100台、1000台服务器同时做，可优化的细节会更多，第二天自动更新交易参数之后，策略优势就更为突出。
要有自动化平台和好算法，意味着要有Kaiyun官方网站app登录 的投入，例如策略开发分析师、量化开发人员等，有一个开发过程。
真正涉及到交易的自动化，包括策略和交易信号的系统化开发和优化、智能止损和止盈的算法。根据市场的情况，随时调整智能算法是最具有挑战性，需要比较强的量化和开发团队来完成。
真正从事日内高频交易类型的私募或者对冲基金，对系统的要求很高，国内有机构出一两百万年薪招聘一个IT开发人员，都未必能找到合适的。毕竟，要了解人工智能技术，同时了解金融市场的策略开发，这类复合型Kaiyun官方网站app登录 很稀缺。
2018年，北大汇丰商学院计划推出全国第一个金融硕士的专业，偏重金融科技的实际应用。
主要包括人工智能、大数据和区块链技术在金融领域的应用，具体包括移动支付、网络支付安全，区块链技术在物流、物联网方面的应用，以及智能投顾、智能算法交易、金融大数据等。
开设的原因是深圳高科技公司比较多，大家比较关注金融科技的发展，包括华为、腾讯等大公司都在加强研发和布局。 目前，全球仅有2所美国大学以及1所香港大学开设这个专业。
无处不在的风险
此前大热的AlphaGo围棋战，结果都在意料之中，人可以看到棋局的3、4步以后，AlphaGo可以看到20步以后，他就比你强，就这么简单。
对于AlphaGo来说，只要有新的盘面数据进来，都可以作为样本进行训练，它自己产生数据的训练，肯定就更多，因为训练时间更长了。
人类总共就3000多万次盘面，在这个样本内，它再不断自己训练，相当于左右搏击，自己去找新的盘面。
期间，人类的3000多万盘面可能没有太大的变化，它自己已经大大增加，加之中间一段时间又和一些高手过招了，达到1千多个CPU，这么大量的数据训练，如果再去比赛，那就是作秀了，没有任何意义。
人工智能的过程，没有必要神化，就是一个巨大的计算能力，加上大量的数据，除了所有历史上有的数据之外，可能还有自己训练的数据，同时有个好的算法。
AI对大家的影响，除了一些初级的工作会被取代，还有可能，一个人需要上学的时间越来越长，普通的知识慢慢直接引入到自动系统中去，你要不断探索、学习，在网上读取。将来，人更多的作用是放在创新领域，初级工作消失了，也会出现新的工作需求。
至于说，人工智能在金融领域有哪些新的前景？我觉得都有可能。
资产配置、权益资产收益的预测、利率曲线变化的预测、衍生品的定价，以及算法交易、消费市场分类等等，几乎可以应用在所有金融领域。
哪怕客户管理，都可以用人工智能。针对客户交易习惯的一些大数据，可以进行分析。
在国外，他们已经研究机构客户的喜好，在什么时点上可能买卖哪些资产，有相应冷热图能预测出来，当他收到交易对手方需求的时候，可以通过智能系统预测出来哪些客户可能是潜在交易对手方，再自动进行无成本的撮合交易。
以前很长一段时间，人工智能其实是自动化、专家系统、计算能力以及大数据智能算法的结合体。未来的突破在于，更多的思考能力。
比如，以前告诉它去做一个具体的优化过程，未来可能一个非常模糊的指令——在几千个资产组合中找到一个最好的组合，系统可以做好，并且不断优化，不断动态调整，甚至过一段时间系统会自动反思，之前做的是不是无用功，有哪些错误？我觉得这是一个方向。
国外很多对冲基金已经在尝试，有的对冲基金直接将一些算法固化到硬盘上，一年从头到尾没有人工干预，自己可以工作，甚至持续实现每年很高的收益率，非常稳定。
人工智能技术在金融市场的广泛应用，也会带来潜在风险。比如说，利用人工智能进行预测，可能所有机构会使用同一套算法，预测结果大体是一样的，这会加剧市场系统风险的程度。
比如在美国，有时看到某个新闻瞬间触发市场价格的大幅波动，随之一个剧烈反弹，“一上一下”速度之快，人工来不及反应，其实都是机器算法交易操作的结果。一旦系统性风险增加，人工介入避免恶化往往很有必要。
在可预见的未来相当长时间内，人工智能与人工参与会同时存在。
