Zi 字媒體

業界喧囂許久的人工智慧在理財領域到底進展到了什麼程度?它真的已經像有些宣傳當中那樣的神奇和智能嗎? 答案恐怕沒有那樂觀。 「目前的智能理財可能還到不了機器學習和深度學習這種檔次」懶財網CEO陶偉傑表示，目前所謂的智能理財，大多作用於數據處理和實施交易的判斷，主要目的是幫助提升效率，到不了深度學習的檔次。 而此前由於阿爾法狗引起了大眾對人工智慧這一專業領域的興趣，因而價值神經網路、策略神經網、蒙特卡洛搜索樹、機器學習等等專業概念開始被大眾媒體傳播而被人們熟知。不少行業也都開始利用人工智慧進行外延上的拓展，出現了智能+的新產品和概念。 在投資領域，AI金融、智能投資(投顧)、智能理財也變得非常熱門，Betterment和Wealthfront這兩家美國智能投顧也開始聞名於世。這兩家公司成立於2010年左右的公司利用聯網技術與演算法面向個人理財用戶進行資產管理組合建議，包括基金配置、股票配置、股票期權操作、債權配置、房地產資產配置等。 由於智能投顧的風行，這兩家公司管理的資產規模快速增長，Wealthfront的資產管理規模在一年之內翻了將近一倍，而Betterment也以同樣的速度進行增長。花旗報告指出，2015年底智能投顧管理的資產規模已達187億美元。未來十年，將至5萬億美元。 除了Betterment和Wealthfront，又湧現了Personal Capital、Schwab Intelligent Portfolio等企業，行業規模也迅速攀升。 在國內也有不少公司宣稱進入智能投資或者是智能理財的領域，包括大型的互聯網巨頭和一些規模較小的互聯網金融企業。 按照陶偉傑的說法，目前國內的智能投資普遍沒有到深度學習的程度，目前在金融層面應用較多的還是股市的量化高頻交易，所謂的量化交易是用數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，減少了投資者情緒波動的影響避免非理性投資決策。 而在小微個人信貸領域，雖然已經到了機器學習的地步，但是離深度學習還有距離。陶偉傑表示，目前行業大部分還處於數據建模和數據套用的階段，而懶財網目前用到了數據回測、模式識別的層面，核心就是識別用戶的流動性依次來為用戶匹配資產，但即便如此，還是沒有到深度學習的階段。 那麼造成智能理財達不到深度學習的原因有哪些呢? 目前來看，主要的阻礙在於技術方面和需求方面。 技術方面首先要知道當前最為熱門的神經網路的優缺點：神經的優點是有很強的非線性擬合能力，可以映射任意複雜的非線性關係，而且學習規則簡單，便於計算機實現。此外具有很強的魯棒性、記憶能力、強大的自學習能力。 但是從缺點來說，非常依賴數據，當數據不充分的時候，神經網路就無法進行工作;神經網路需要把一切推理都變為數值計算，無法完成數值以外的推理，容易丟失信息;目前的理論和演算法尚不完善有待於進一步的提高。 所以李子拓認為，目前的數據和演算法都無法支撐或者沒有必要使用神經網路，首先數據雖然多，但是維度單一，其次耗內存，運行速度慢，而且也並不穩定。 從需求來看，李子拓認為，懶財網目前的智能理財的核心是對用戶流動性的分析，目前使用的SVM(支持向量機)分類器，能支持到雙特徵二次函數擬合能力，可以滿足當下的需求。而如果未來數據維度和來源增多。比如說有來自徵信系統的數據，超過了現在使用的技術的處理能力，那麼就會有必要使用神經網路。