金融學如何應對人工智能和大數據

大數據這是一個比較大的話題，同時涉及到了大數據和人工智能兩個部分。從大數據角度談了一下現階段的發展對于金融行業的影響，作為一個在金融服務類公司從事AI相關的工作的人，我想從AI方面談談對于金融行業可能有什么影響。

上一個我不成熟的結論：

金融學是一個復雜的學科，在短時間內，很難被AI完全替代。在利潤率較高、數據結構化較好、問題定義明確的一些方面，AI會大行其道。在不同金融領域的AI如果都能發展到一定程度時，或許能加速整個金融產業的AI發展。

在現階段，金融公司所面臨的數據結構化需求遠遠高于大數據要求。大量的歷史數據還并未電子化，甚至現階段大量金融公司新產生的數據都還屬于不規范的格式。

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者順暢溝通的人才。同時金融學的進一步發展也需要專業人才繼續探索。因此金融完全是需要繼續學的，但有所側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、或生成相關數據將會為未來企業發展帶來巨大的優勢。對于大型的金融機構/研究機構，應該繼續加大在AI領域的投資，從內部培養跨金融和AI領域的人才，即使在短時間內不能產生直接利潤。

1. 人工智能在金融學中的應用：

大量的機器學習模型已經被用于金融實踐當中，比如利用機器學習進行風險預測或者假賬/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”。比較值得看的的行業動向包括各大金融服務類公司發布的展望，比如高盛去年年底發布的人工智能展望，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，財務工作者會大批失業么?該如何應對?  – 知乎 中提到了我們正在開發審計AI的進展與展望。

2. 為什么AI不能完全替代金融學的各種模型?

A. 無法很好的用AI來定義一個金融問題

現階段比較被商業化廣泛應用的機器學習還是監督學習，而監督學習要求有明確的問題定義?，F在看起來很有希望的強化學習，遷移學習等還并不能大規模普及應用。

以簡單的監督學習為例，如果你想建立一個模型來預測企業并購是否會影響公司股價，那么你需要提供大量并購數據，以及并購后股價是否發生了變動。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習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 相關的 因素越可以提高模型的擬合性和準確性。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據來支撐，這也是為什么大量用AI來預測股票走勢的探索都無疾而終的原因。

現階段或者可預見的未來，在很多問題上不會出現這種明確的定義和范圍。

B. AI從業者和金融從業者缺乏有效溝通

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

C. 金融領域缺乏足夠的大數據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習的老樹開花，并沒有來得及為行業儲存大量的專業人才。不難看出，大量一流AI/ML人才還是被互聯網公司一網打盡，(Hinton在谷歌Lecun 在FB)留給金融服務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/統計/數學背景出身的科學家。

D. 投出產出在現階段不成正比，短時間內難以獲得收益。在這種情況下，每個問題都需要大量人和數據來支撐。因此研究探索型的、不能產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，小型的金融機構或者學術機構又缺乏資源(資金，技術人才，數據積累)來進行相關系統的研究。

E. 技術性的難題還包括很多，比如AI在金融領域應該以什么樣的模式存在?是一個軟件，一個網絡服務，還是一個機器人。在大量需要與客戶溝通的領域，人機交互以及如何生成內容也是繼續探索的領域。

3. 金融公司開發AI需要什么樣的數據?

需要結構化的數據，至少是電子數據。像上面第二點A和B中談到的，金融領域的大數據化，甚至是數據結構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都不能無紙化，更不要提AI能夠消化的電子數據了。前一陣子我司開發一個面試AI，但是并沒有原始數據可以直接使用。于是我們讓12個剛入職的員工花了一周時間把我們保留的面試視頻逐字逐句的轉譯到文字+特征，整個過程苦不堪言。

因此對于金融公司從現在起就應該繼續大力推進數據電子化，在數據價格便宜的時候從其他公司購買數據?；蛟S在不久的將來，數據的價格將會高到不可企及的程度。

4. 為什么還是要繼續從事金融學研究?如何有所側重的學習?

金融領域的AI化最需要的不是AI專家，也不是金融學者，而是懂AI的金融從業者。如果現階段各行各業都因為人工智能火爆而轉向這個方向，只會看到AI泡沫破滅后整個社會的一片狼藉。我們需要各個領域專家來告訴AI從業者行業的痛點，我們需要項目經理來領導各行各業的AI化。

對于已經從業的金融工作者，掌握一些基本的軟件操作技能，遇到新的系統能很快上手，就可以了。至于專門花時間來學CS，甚至AI/ML，是不大必要的。畢竟最終留給金融從業者的入口不是數學模型或者代碼，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的學習要求如線代統計概率等很多基礎數學基礎，自學起來的時間成本很高。

對于正在選擇專業方向或者轉型的年輕人來說，繼續學習金融，探索未知的領域是一條正道。如果有條件的話，多吸收數據科學方向的知識，甚至可以讀一個數據科學的副學位或者雙學位。AI時代說到底，我們只要抱著開放的心，選擇迎接新技術，成為最能接受改變那一小部分人，是永遠都不會失業的。歷史只會淘汰那些選擇對抗，停滯不前的人:)