雷锋网AI金融评论报道，2017年5月19号，微软人工智能首席科学家、IEEE Fellow 邓力透露自己已经离开微软，加入美国基金公司 Citadel 担任首席人工智能官（Chief Artificial-Intelligence Officer）。
在金融投资领域，科技对量化对冲的介入已有一段历史，也有不少计算机科学等专业的科技人才或金融与IT结合的符合人才进入到金融业，以推动金融科技的发展，但如此重要的一位人工智能学界翘楚加入基金公司巨头，确是AI落地、金融业务变革中不可忽视的举动。
人工智能的到来对金融投资来说也并非是突如其来的科技变革，投资的发展一直由科技所引领。比如，70年代以前主要是通过电话来交易，管理人通过自己的经验进行判断；后来计算机出现了，对信息的处理和分析能力随之加快，开始出现了批量交易，即一次交易几百支股票。
而随着科技的发展，我们知道了虽然未来是不可预测的，但是风险可以预测。所以，对冲基金出现了——通过计算、严谨分析以及大量风险对冲，可以实现更稳健的受益。这在国内也许还不明显，但国外已经出现了机器人做宏观对冲的实践。
金融是把社会资源更好的配置，很多资源是能够优先才能成为”资源“，如果能够比别人快地知道一些有价值的信息，就能提前知道机会，就比别人有竞争优势。投资是竞争非常激烈的行业，谁能领先一步做出有效的决策，谁就可能获得一个很高的回报。而发现这些机会的前提，是更强大的计算和预测能力。
因此，不只是Citadel，全球著名对冲基金如 Man Group、Winton 、Aspect Capital 也都在充实自己的机器学习专家队伍。
单就Citadel来讲，其看家本领是高频交易。举个例子，一般而言，公司每季度发布财报的时候，业绩超出分析师预期的话，股价会涨；低于预期的话则会出现股价下跌。“这么简单地一个逻辑，需要比较的是机构谁能更快地用机器解读财报信息，第一时间作出投资决策。而机器解读财报就是典型的机器学习应用，比如RNN网络技术，”财鲸智能投顾联合创始人王蓁博士说道。王蓁博士曾在彭博社任职，负责量化交易。
所以，基于高频交易量化公司们研发系统都需要投入大量人力物力，要高薪聘专业的数学家和计算机专家，花钱买昂贵的硬件，租用专门的微波通信线路，甚至专门把系统建在交易所门口的都有。
但是，硬件跟上了，软件呢？
即便是存量数据极大的金融业，而且机器学习运用已有时日的今天，王蓁对雷锋网AI金融评论表示，机器依然存在不少“错杀”的情况：
举个例子，上周FaceBook发布财报时，发布了不同会计准则下的盈利报告，即按照美国通用会计准则（US GAAP）和不按美国通用会计准则（non-US GAAP）的盈利，机器只读了财报的第一行，就混淆了两种不同会计准则，判断错误认为是低于预期，于是立刻卖出FB股票；但实际FB是达到了预期的，错杀后，第二天FB股票就涨回去了。
“所以，当前仍需要提高机器学习的准确度和效率速度。”
与此同时，据雷锋网AI金融评论了解，邓力的研究方向主要为应用于大数据、语音、文本、图像和多模态处理的深度学习和机器智能方法，因此，结合起来说，邓力的研究或将首先可以在机器解读文本数据的模块中突破技术门槛，改善量化投资，让AI为金融投资带来更大的突破。
上述也提到，基本而言，投资会根据一家公司的财报进行业绩调研，预判股价，但这其实只是是对二手数据的利用；包括如果是利用期货、债券、基金的交易信息等结构化预测投资市场走势，从而量化配置资产，那更加只是三手数据。
因此，微软亚洲研究院城市计算领域负责人郑宇博士曾在一次智能金融的培训上表示，市场更多应该关注，在此环节之前的一手数据数据的结果带来的表现。“一手数据其实直接影响了公司运营情况和财报，以及宏观经济形势。”而能够从一手数据中获得信息，就意味着更早一步接近机会。
通联数据首席科学家蒋龙在此前的分享中指出，用于投资的大数据产品信息主要分为这几类：
物的信息——物联网，国际上就有一些监控农作物产出以预测农作物的收成，从而进行大规模投资的案例。如果通过实时监控气候、水分等，就能提前知道今年农产品的收成情况，接下来对相关产品就有投资优势。
人的信息——可穿戴设备，人和物体构成互动，人去了哪里，看了什么，想了什么，这呈现出了我们的社会。
环境的信息——低轨道卫星，低轨道卫星是在低空一万米进行检测，不仅能检测农产品的产区，还能检测港口停泊邮轮的数量、超市停车场停车量等，有了这样的数据，就能知道是不是符合预期，可以判断未来的收益情况。
举个例子，财鲸在建模过程中会加入卫星遥感数据，以预测农林牧渔产量变动等结果，然后进行投资决策。“比如我们可以比较准确（粗测85%）地预测某个地方的棉花产量，而这个动作可以比政府官方数字早两个月，这个就可以考虑来投资决策。”
利用这些替代数据进行投资盈利，这样的道理Citadel不会不知道。而也可以想象，基于上述数据进行建模的过程，就需要机器对卫星图片以及地理环境的学习和分析。更广泛的数据领域、更海量的数据、更长的数据周期……这些新信息资源带来的机会，就是人工智能、深度学习发光发热之地。
同时王蓁解释道：“机器下围棋做得很好是因为围棋规则清晰，机器可以在开局到最后都有complete knowledge。而机器在金融领域运用还比较困难，因为没有任何人和机器在现阶段可以有complete knowledge，这也是机器会经常犯一些人看来很弱智的错误。”
“因此，获取比别人更多的信息，得到更准确的解读，能够更快速地响应决策，避免机器的‘低级错误’，这些都是需要解决的大挑战。”
如何利用最前沿的人工智能学术突破，应对当前的这些机遇和挑战——这是邓力将面对的新课题，也是华尔街群雄角逐要占取的下一个高地。
相关文章：
正在生成分享图...
AI金融评论