AI若想在金融行业大显身手 得从这里下手

编者按：Ewan kirk 是Cantab Capital Partners的CEO和总裁，本文他发表了自己对AI在金融行业未来应用的观点，同时也预示了AI对人类未来生活的影响。

我们听到了煎牛排时的“滋滋”声，但是，请问牛排在哪里？

在过去两年里，人工智能，机器学习，深度学习和大数据在金融领域的应用一时间备受各大媒体和顶级会议的青睐。但是，这预示着下一个科技前沿，还是说只是一时引起轰动的“万灵药”？我们不妨引用一条广告语：“我们听到了煎牛排时的“滋滋”声，但是，请问牛排在哪里？”

人工智能的研究由来已久，但是，大多数投资者对待AI的观点多是受到媒体报道的影响。迷失太空中的机器人，2001年HAL 9000: 太空漫游，终结者中的天网——这些媒体的比喻潜移默化地影响着我们对AI的认知，以及AI将对人类的生活产生何种影响。我们梦想（或者担忧）着，在商业交易中，一台HAL 9000计算机将坐在我们身旁。

当我们点击鼠标购买股份时，HAL9000会大声告诫我们：“戴夫，我认为你不应当这样做”，或者当我们即将犯错时，它会将我们锁在交易室外面。Robert Harris 2011年围绕这一主题创作的小说《恐惧指数》，最终以戏剧化的结局告终，意味深长。也许，一些聪明的计算机科学家能够插上电源创造出这样的天网金融界（Skynet Finance），在不毁灭人类的前提下，在科学家为掐掉电源之前，这种天网金融将实时理解每一份金融信息，获得更多的盈利——当然，这些构想都将建立在科学家积极的意图之上。

不过，遗憾的是，AI在金融领域的应用尚未带给大家如此多的欣喜。尽管AI技术和深度学习已经取得了重大的成果（其中最为显著的成果是今年早些时候在围棋游戏Go中的应用），当AI遇到专业性问题时，总会出现令人不甚满意的结果。首先，AI目前在各个领域的应用是基于一个特定的目标实现的——例如，“在游戏中获胜”或“根据Netflix用户的喜好，为其推荐电影”。当然，这两个例子不属于AI在金融领域的应用，而且金融目标经常是微妙而复杂的。在掷一次硬币就能够确定百分百盈利和以你全部的资产做赌注这两个极端中尚存在很多冲突，约束条件，目标多样化。

金融行业充满随机性

其次，金融行业充满随机性。在围棋游戏中，只有一个对手，而且这个对手一次只能落一个棋子（具有高度约束性）。尽管Google的DeepMind项目不仅仅能够从当前盘面预测出各种可能发生的结果，每次合法落子的机率依然很小——存在很多信号与噪音。然而，在金融行业，由于买者与卖者的意愿具有随机性，30中货币的币值、50中商品、10,000只股票，2,000中债券的价格都会随之波动（甚至有时波动时间可以以亚秒计算），而背后引发这些金融产品发生变化的可能是机器本身。这仅仅涉及到价格的波动——AI技术带来的人工智能机器将给金融界的新闻，金融设施与大事件等等带来的影响是我们所不能预见的。金融行业到处充斥着噪音，但是，没有太多精确的行业信号。

AI研究领域对智能的经典测试手段当属图灵测试：当通过邮件与一个潜在的AI机器进行交流时，倘若你不能够辨别出对方非人类，根据定义，可以判定这台机器是智能的。尽管在过去20里AI研究已经取得了突破性的进展，要使AI产品通过图灵测试仍然需要做出很多努力。的确，即便是最为乐观的研究者也不会认为AI能够逼真地模拟一条正常的狗狗，更不要说是人类了。难道会有人想要在交易过程中自己的狗狗逃脱绳子，到处乱跑吗？

在金融界，当人们谈及AI，他们通常指代的是机器学习。在某种程度上，一个简单的移动平均交叉系统就是一个机器学习系统——当短期移动平均线位于长期移动平均线下方时，该模型会学习到市场价格走势趋低，交叉线将变短。

贝叶斯是核心方法

通常情况下，机器学习要比上述所举的例子更为复杂。我们有大量的技术能够从大型数据集中提取结构和规则，最为重要的是，能够随着数据更新，更新规则。这种贝叶斯方法是多种机器学习的核心方法，我们通常也会采用这种方法。但是，这不是一颗神奇的子弹。我们不可能随意使用一种神经网络或贝叶斯网络分类器，并在某一随机时间序列数据中训练这种网络或分类器，以此获得盈利。从金融数据中提取动态规则是复杂而艰难的——当然，这也将保证统计员在短期内不会丢了饭碗。

有一个强健地基础理论做支撑，我们将在大数据，机器学习甚至人工智能领域取得更多的进步。从早期AI在金融行业的应用实例，我们可以得出以下结论：一直以来，金融业为数据所主导，AI想要在金融行业大显身手还得靠机器学习与大数据做支撑。（编者按：由于AI在金融行业未来应用的分析，我们可以推知：AI在人类生活中的应用应当具有目标多样化和可控制性，要实现这一目标，研究者还要做出很多努力。）

本文由雷锋网独家编译，未经许可拒绝转载！