金融行業中人工智能的應用前景

周爽?劉赟

摘 要：金融行業的資產交易面臨著技術升級所帶來的變革，金融行業已經進行了很多結構性調整。雇傭大量交易人員進行金融操作的時代結束了。基于人工智能的金融技術研發已經取得了很大的進展，本文介紹了人工智能技術在金融領域的應用現狀，分析了在人工智能技術沖擊下金融行業面臨的挑戰以及解決方案，展望了智慧金融的發展前景。

關鍵詞：智慧金融;人工智能;深度學習銀行管理

一、人工智能對傳統金融行業的影響

目前人工智能技術在銀行、證券以及保險行業都已經大量融入，顯著地提高了工作效率，簡化了工作流程，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36萬小時的人工服務，而且錯誤率大大低于人工領域。①

人工智能的技術基礎是深度學習算法以及大數據，而深度學習算法的基礎是大數據，能夠源源不斷產生大量數據，同時依賴這些數據的行業將會需要人工智能的介入。跟保險與證券業務有關的行業很早就已經介入自動化的研究，在數據采集、存儲以及數據共享平臺建設方面，取得了長足進展，國內這些行業在上世紀九十年代就已經開始規劃建設大數據處理系統，如今已經能為即將到來的人工智能應用提供堅實的數據基礎。

深度學習是人工智能真正的核心技術構造方式，由于金融市場存在大量數據噪聲，并且具有多維度特征，可以用非線性方法進行處理，這樣可以最大限度減弱數據維度和噪聲，相比起傳統金融模型，非線性方法可以利用大數據訓練來改善模型，使之更接近實際情況，從而可以動態預測市場，增加預測的精確性。

在傳統金融行業，人們已經習慣于技術分析人員的傳統處理方法，根據數據發明簡化的數學模型，在實際應用中根據情況不斷改進，使之適應新出現的情況，不管這些模型有多出色，畢竟只是對多維度的數字空間的模擬，只是對發生在數字世界的規律的近似，在實際應用中有時會產生很大偏差。深度學習技術可以很好規避這些傳統方法帶來的不利影響，能比傳統人類分析員精確幾個數量級。

比如對于股票行業來說，股票經紀人最多只能熟悉幾百只股票的漲跌規律，根據自己熟悉的數據制定出簡化的交易策略。基于人工智能的量化交易可以根據數據庫中的所有數據進行分析，加入上萬個變化因素，同時還能考慮到場內外的各種影響因素。既可以注意全世界每只個股的交易情況，又能關注各市場的整體變動規律，能夠多維度地計算股票發展走勢，找出人類交易員難以發現的股票交易規律，獲得普通交易員難以企及的交易收益。

二、金融領域中最適合應用人工智能的行業分析

在金融領域中，客戶的數據可以大致分為兩部分，強特征數據只占總量極小的一部分，而弱特征數據則是海量的，比如電子商務數據、設備數據、位置與行為數據等。金融行業與社會各行業都存在著巨量的交互作用，產生了大量未經處理的數據，這些數據缺乏結構性組織，難以用傳統方式進行分析。深度學習方法可以利用這些數據訓練出有用的風險控制模型，為決定是否借貸給客戶提供重要依據。

人工智能技術可以很好地用在量化交易領域，可以應用的范圍包括股權和債券、期貨與外匯等方面，量化算法基于大數據建模，能夠為機構和個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。

密歇根法學院曾經做了一個估計：現在股票市場上大約有一半以上的交易由計算機完成，同時，計算機運算還帶給期貨市場60%的收益，在國債市場則產生有50%的收益。并且，在對沖基金領域，人工智能的表現也勝過傳統對沖基金。

從2013年開始，資產管理公司Castle Ridge Asset Management在股票管理中使用了一種基于遺傳算法的學習系統，其回報率可達到每年32%。這樣的回報率在很大程度上歸功于人工智能的學習能力，在一項公司收購項目中，該系統趕在24項收購計劃公布之前就做出了成功預測。人工智能可以通過蛛絲馬跡的數據異常找到內部交易信息。

在信用風險防控方面人工智能技術也能有所作為。近年來，互聯網金融公司得到了很大發展，這個行業需要對客戶的信用進行精準地估算，以確定其風險程度，由于客戶量大，涉及的數據量也異常龐大，用傳統方法很難估算，而基于深度學習技術的人工智能卻大有用武之地，能對大量參數的多維度數據進行精準分析得出有指導意義的結論。

能使用人工智能技術的還有安全防護中的身份認證系統。近年來隨著人臉識別技術的應用，銀行安防體系獲得了很大發展，現在使用支付寶或者手機銀行時都要用到臉部識別技術確定身份。而且銀行還可以對進入銀行的人員進行甄別，確保沒有危險人員混入保密區域。

金融行業中已經積累了很多人工智能成功應用案例。目前，美國的Wealthfront、德國的Finance Scout24都已經在投資理財中大量引入人工智能技術。基于人工智能技術的基金Rebelion曾經提前計算出2008年的股票市場崩盤。惠普按照傳統方式給希臘債券評為A級的時候，Rebelion就已經給出了F級這樣的評價，比官方最終決定降級處理提前了一個月。基于人工智能的Cerebellum擁有900億美元，自2009年以來一直沒有虧損。

國內應用人工智能比較成功的是螞蟻金服，目前涉及的領域包括互聯網小額貸款、資產配置服務和保險客戶服務。智融金服的風險控制體系每月能放款120萬筆，使用機器審核只需要8秒的處理時間。招商銀行也早已開通了可視化柜臺。曠視科技公司的核心技術是機器視覺，利用這項技術可以為金融領域提供身份識別與驗證解決方案。

三、量化交易應用實例分析

人工智能在量化交易中的應用有著非常廣闊的前景，量化交易的根據是已經發生的歷史數據，但證券的特點是當前價格多數情況下不代表價值，而是對該證券的預期。未來的價格可能在很大程度上受制于消息層面，歷史數據上并未包含這層信息，這被稱作過擬合現象，是量化交易中的典型問題。

當然，事實證明光考慮歷史數據是不夠的，正確的預測還要考慮到消息層面，需要從人類的社交網絡中提取有用的信息，需要解讀大量網絡文本，處理很多人類語言，將這些數據轉換成能分析的數據，抽取影響市場關鍵因素。傳統的量化交易模型從其本質上來說是靜態的，如何交易都被事先編程所限定，例如利用動量原理來做交易策略，在一定時期內會起作用，但時間一長就可能失效，而基于人工智能的交易策略則會隨時根據市場信息調節策略，實現動態交易。

比如文藝復興科技是一家使用量化交易的對沖基金公司，其中的大獎章基金表現極為出色，年平均回報率能達到百分之七十以上②。大獎章基金的預測模型就是基于大數據的人工智能系統。大獎章基金的創始人詹姆斯·西蒙斯被認為是對沖基金界的王者，同時也是量化交易的鼻祖。西蒙斯的投資理念與傳統方法不同，主要依靠數學模型，而數學模型的運算完全依據電腦。數學模型可以敏銳地捕捉市場信息，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險，提高收益。

傳統的投資策略傾向于定性分析，而讓電腦代替人工進行分析，就可以在整個市場中尋找投資標的物，投資的理念需要轉化成具體指標和參數，并按照程序去運行，能實時跟蹤市場的變化情況，利用計算機提供的強大數據處理能力處理投資指標，在控制風險的情況下使收益達到最大化。隨著人工智能技術的發展，計算機可以大規模處理堆積如山的歷史數據，使得投資以遠超傳統方式的規模發展起來③。

文藝復興科技公司進行大量短線交易，充分利用大數據捕捉股市上微小的波動。該公司招募了大量擁有數理背景的博士畢業生作為研究團隊主要成員，每周需要像開科研會議一樣，聚集在一起分析模型的優劣。機器決策一旦完成，交易員會迅速投入操作，充分利用短線交易獲取利潤。由于交易量過大，有時候甚至占到納斯達克整體交易量的十分之一。

四、國內金融領域應用人工智能的前景

根據原銀監會發布的《銀行業金融機構數據治理指引》，全國的銀行業金融機構準備開始實施新的數據管理方法，以此提高機構內部經營管理效率。中國的金融行業目前面對海量的金融數據還存在著處理能力低下的問題。我國的銀行機構很早就開始實施電子化應用了，數據管理的資金投入也不小。但是，各機構之間的數據交流還存在很大障礙，只有系統整合各機構的數據管理能力，才能實現數據的順暢流通以及合理分析處理。基礎銀行網點裝備的智能設備需要大數據分析的支持。人工智能中深度學習的前提是大數據的積累和管理。這就需要各相關機構整合在一起進行系統合作。

2018年年初建設銀行與阿里巴巴以及螞蟻金服合作，嘗試著在電子支付領域實施深度合作。金融機構本身也在建立新的合作關系，組建金融云公司，用于承接銀行業重要信息系統批量上云的服務。目前銀行業數據進行云管理已經成為一種不可遏制的趨勢。很多銀行已經逐漸加大信息化技術的建設力度，并在各個業務環節中都加入人工智能技術以提高運營效率。

原銀監會早在2016年就對國內金融機構提出，銀行業需要實施云計算技術應用，并且要逐漸完成行業結構轉型。在“十三五”結束之前，所有基于互聯網的數據系統都要轉移到云計算平臺④。

總之，人工智能技術應用于金融領域是大勢所趨，各金融機構在應用人工智能方面的布局將深刻影響未來金融業發展。

五、制約應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的應用，數據資源方面產生的問題最多。很多時候，銀行內部的已保存數據未能得到充分整合，原因是數據過于分散地保存在不同系統，而且這些數據沒有做結構化處理，只不過以各種業務憑證的形式存儲起來，難以進行進一步處理和分析，無法發揮其潛藏的價值。另外，銀行以外的數據包含著客戶的重要信息，如果能適當整合，就能建立關于顧客真實情況的評估體系，目前這方面做得還很不夠。

目前國內數據交易市場還沒有達到規范水平，主要表現在相關的行業標準還沒有完全確立，相應的法律法規還有待完善，還沒有相應的國家職能機構制定出合理的監管規則，來監督規范市場的實際運作，行業無法健康順利發展。數據交易中還存在著交易形式混亂，沒有統一定價標準的問題。不同來源的數據在格式上沒有統一起來，內容上還存在不完整問題，這些都影響了數據的分享與交換。

在技術支持方面也存在一些問題，比如技術人員儲備不足。一些商業銀行中從事數據挖掘與分析的技術人員數量較低，還遠比不上社會上的金融科技公司和從事數據分析的互聯網公司。最重要的是缺乏人工智能專業人才，目前供職于商業銀行的技術人員多為軟件開發和系統運營維護人員，進行一些日常的數據庫管理，能進行系統數據分析和人工智能應用的技術人員非常缺乏。

人工智能應用于銀行業還需要統一的標準，但在我國人工智能如何應用于金融機構還需要探索，因為人工智能本身也處于研發階段，需要機構以外的廠家協調合作，共同開發，以期能建立起合理的行業規范。

在數據安全方面也面臨著重大挑戰。金融機構在運營過程中，產生了大量業務數據，而網絡平臺可能存在技術性漏洞，容易招致網絡攻擊，造成內部與外部的數據泄露與篡改，導致銀行與客戶蒙受損失。人工智能技術為銀行業服務的同時，也為黑客提供了攻擊金融網絡的工具，黑客可以借此攻擊網絡貸款的訪問接口。人工智能能夠提供各種智能服務，比如智能理財顧問和智能客服等，在銀行的運營過程中，智能服務可以應用到經營管理的各個層面，但人工智能的應用是以模型為基礎的，模型本身也會出現漏洞產生錯誤，這也是風險之一。

最后，對人工智能的監管也存在困難，人工智能的運作依靠數據模型，要通過深度學習來產生決策方式，這個過程難以準確追蹤和做出評價，是個黑箱問題，而金融機構的數據經常需要追溯來源，兩者存在矛盾。人工智能的權利與責任如何定義目前也還不明確，極大地提高了監管成本。

為了克服以上問題，充分地挖掘出數據中存在的商業價值，需要把金融機構的內部與外部數據有機地整合在一起，在整個行業中建設一個統一的數據平臺，在數據處理方面應該給出統一標準，數據模型應該能融合處理各種數據，全面處理來自銀行網絡平臺、電子商務、社交平臺、購物平臺、電信網絡以及各級政府部門的相關數據，完成數據結構化處理，為人工智能提供深度學習所需的規范數據。另外還需要認真拓展數據來源，理順行業內部各系統各部門的數據儲存與交流方式，拓寬銀行業以外的數據來源，為大數據提供堅實基礎。

人工智能與金融業的深度融合還需大量高端人才的加入，商業銀行需要調整技術研發人員的構成，加大對數據處理人員以及高級算法工程師的引進與培養，同時要建立起人工智能專家團隊，進一步加強與銀行業以外的人工智能科研機構的深度合作，可以通過建立適當的項目完成培養銀行技術人才的目的。結合銀行已有的知識技術，幫助員工規劃自己的職業生涯，優化自己的知識構成，在技術應用中更好地定位自己。在引進人才方面，變革已有的人事制度，采用有利于優化人才構成的機制，拓展引進人才的渠道，采用合理且靈活的方式引進人才，建立利于人才發展的內部機制。

注釋：

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

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

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

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

作者簡介：周爽，學歷：本科，北京信息職業技術學院，職稱：講師，職務：專任教師，研究方向：營銷;劉赟，學歷：博士研究生，北京信息職業技術學院，職稱：講師，職務：專任教師，研究方向：認知科學