人工智慧步入金融領域深度專題報告

目前金融機構的主流玩法有四種：

1. 投資銀行和賣方研究嘗試自動報告生成，2. 金融智能搜索；3. 公募、私募基金在通過人工智慧輔助量化交易；4. 財富管理公司在探索智能投顧方向。

人工智慧如何輔助量化交易

量化交易從很早開始就運用機器進行輔助工作，分析師通過編寫簡單函數，設計一些指標，觀察數據分佈，而這些僅僅把機器當做一個運算器來使用。直到近些年機器學習的崛起，數據可以快速海量地進行分析、擬合、預測，人們逐漸把人工智慧與量化交易聯繫得愈發緊密，甚至可以說人工智慧的3個子領域（機器學習，自然語言處理，知識圖譜）貫穿量化交易的始終。

1機器學習：從數字推測模型

量化交易分析師們對財務、交易數據進行建模，分析其中顯著特徵，利用回歸分析等傳統機器學習演算法預測交易策略。這種方式有兩個主要弊端，其一是數據不夠豐富，僅限於交易數據，更重要的是它受限於特徵的選取與組合（Feature Engineering），模型的好壞取決於分析員對數據的敏感程度。此外一種做法是，模仿專家的行為，選擇某一領域的特定專家，複製他們的決策過程，並導入可重複的計算框架。

全球最大的對沖基金橋水聯合(Bridgewater Asspcoates)早在2013年就開啟一個新的人工智慧團隊，該團隊約有六名員工，由曾經供職IBM並開發了認知計算系統Watson的David Ferrucci領導。據彭博新聞社報道，該團隊將設計交易演算法，通過歷史數據和統計概率預測未來。該程序將隨著市場變化而變化，不斷適應新的信息，而不是遵循靜態指令。而橋水基金的創始人也曾公開表示，其旗下基金持有大量多倉和空倉，投資120種市場，持倉組合高達100多種，並且以人工智慧的方式考慮投資組合。

Rebellion Research是一家運用機器學習進行全球權益投資的量化資產管理公司，Rebellion Research在2007年推出了第一個純人工智慧（AI）投資基金。該公司的交易系統是基於貝葉斯機器學習，結合預測演算法，響應新的信息和歷史經驗從而不斷演化，利用人工智慧預測股票的波動及其相互關係來創建一個平衡的投資組合風險和預期回報，利用機器的嚴謹超越人類情感的陷阱，有效地通過自學習完成全球44個國家在股票、債券、大宗商品和外匯上的交易。

倫敦的對沖基金機構Castilium由金融領域大佬與計算機科學家一同創建，包括前德意志銀行衍生品專家、花旗集團前董事長兼首席執行官和麻省理工的教授。他們採訪了大量交易員和基金經理，複製分析師、交易員和風險經理們的推理和決策過程，並將它們納入演算法中。

在量化交易方面的人工智慧初創公司有日本的Alpaca，旗下的交易平台Capitalico利用基於圖像識別的深度學習技術，允許用戶很容易地從存檔里找到外匯交易圖表並幫忙做好分析，這樣一來，普通人就能知道明星交易員是如何做交易的，從他們的經驗中學習並作出更準確的交易。同時Alpaca也推出AlpacaScan作為對美國股票市場實時反映的的K線圖工具，拋棄二進位濾波的局限旨在提供給交易員用來識別潛在市場變化趨勢的日常必需工具。

坐落在香港的Aidyia致力於用人工智慧分析美股市場，依賴於多種AI的混合，包括遺傳演算法(genetic evolution)，概率邏輯(probabilistic logic)，系統會分析大盤行情以及宏觀經濟數據，之後會做出自己的市場預測，並對最好的行動進行表決。與其類似的公司還有Point72 Asset，Renaissance Technologies，Two Sigma。

2自然語言處理：把握市場動態

當量化交易分析師發現數字推測模型的局限性后，開始考慮引入新聞，政策，社交網路中的豐富文本並運用自然語言處理技術分析，將非結構化數據結構化處理，並從中探尋影響市場變動的線索。

率先使用自然語言處理技術的人工智慧對沖基金的是今年6月份在倫敦新設的對沖基金CommEq。CommEq的投資方法結合了定量模型與自然語言處理(NLP)，使計算機能夠如人類一樣通過推斷和邏輯演繹理解不完整和非結構化的信息。

除此之外，也有採用自然語言處理技術的金融科技公司，如由李嘉誠與塔塔通訊投資的Sentient Technologies運用自然語言處理，深度學習(Deep Learning)等多種AI技術，進行量化交易模型的建立。

其中最為知名的是號稱」取代投行分析師「的投資機器人——Kensho。Kensho是一家致力於量化投資大眾化的人工智慧公司，旗下有一款產品Warren被稱之為金融投資領域的「問答助手Siri」。Kensho結合自然語言搜索，圖形化用戶界面和雲計算，將發生事件關聯金融市場，提供研究輔助，智能回答覆雜金融投資問題，從而加速交易時間，減少成本，用動態數據與實時信息，及時反映市場動態。

這一技術也被廣泛運用於風控與徵信。通過爬取個人及企業在其主頁、社交媒體等地方的數據，一來可以判斷企業或其產品在社會中的影響力，比如觀測App下載量，微博中提及產品的次數，在知乎上對其產品的評價；此外將數據結構化后，也可推測投資的風險點。這方面國內的很多互聯網貸款，徵信公司都在大量使用自然語言處理技術，例如宜信，閃銀等。另外一些公司則利用這些技術進行B端潛在客戶的搜尋，如Everstring，並將信息出售給其上游公司。

3知識圖譜：減少黑天鵝事件對預測的干擾

機器學習與自然語言處理的技術經常會在一些意外（如「黑天鵝」事件）發生的時候預測失敗，例如911、熔斷機制和賣空禁令等等。人工智慧系統沒有遇到過這些情況，無法從歷史數據中學習到相關模式。這時候如果讓人工智慧管理資產，就會有很大的風險。

此外，機器學習擅長發現數據間的相關性而非因果性。很有名的一個例子是早在1990年，對沖基金First Quadrant發現孟加拉國生產的黃油，加上美國生產的乳酪以及孟加拉國羊的數量與標準普爾500指數自1983年開始的10年時間內均具有99%以上的統計相關性，1993年之後，這種關係莫名其妙的消失了。這就是由於自學習的機器無法區分虛假的相關性所導致的，這時候就需要專家設置的知識庫（規則）來避免這種虛假相關性的發生。

知識圖譜本質上是語義網路，是一種基於圖的數據結構，根據專家設計的規則與不同種類的實體連接所組成的關係網路。知識圖譜提供了從「關係」的角度去分析問題的能力。就金融領域來說，規則可以是專家對行業的理解，投資的邏輯，風控的把握，關係可以是企業的上下游、合作、競爭對手、子母公司、投資、對標等關係，可以是高管與企業間的任職等關係，也可以是行業間的邏輯關係，實體則是投資機構、投資人、企業等等，把他們知識圖譜表示出來，從而進行更深入的知識推理。

目前知識圖譜在金融中的應用大多在於風控徵信，基於大數據的風控需要把不同來源的數據（結構化，非結構）整合到一起，它可以檢測數據當中的不一致性，舉例來說，借款人張三和借款人李四填寫的是同一個公司電話，但張三填寫的公司和李四填寫的公司完全不一樣，這就成了一個風險點，需要審核人員格外的注意。

最早應用知識圖譜在金融領域的Garlik就是這一代表。這家公司2005年成立於英國，核心成員來自南安普頓大學（University of Southampton，是語義網的核心研究機構之一），主要業務是在線個人信息監控。Garlik收集網路和社交媒體上的個人信息，當發生個人信息盜竊時會及時報警。Garlik總計融資2469千萬美金后被美國的三大個人信用記錄公司之一Experian收購，其技術被用於個人信用記錄、信用盜竊的分析。Garlik的核心技術之一是大規模語義資料庫，前後開源發布了3store, 4store, 5store等高性能資料庫。

除此之外還有Dataminr，這家基於Twitter及其他公開信息的實時風險情報分析公司。致力於從數據爆炸的社交網路提取精簡且價值的風險情報與挖掘關鍵信息，如輿情熱點、金融相關的非交易信息、公共機構安全預警、企業安全等，並直接向客戶推送。除此之外，Dataminr還加入早期預警系統，並實時推送警報。

而以投資關係為例，知識圖譜可以將整個股權沿革串起來，方便地展示出哪些PE機構在哪一年進入，進入的價格是多少，是否有對賭條款，這些信息不僅可以判斷該機構進入當時的估值，公司未來的發展情況（公司成長的節奏），還可以看清PE機構的投資偏好，投資邏輯是如何變更發展的。

目前知識圖譜在工業界還沒有形成大規模的應用。即便有部分企業試圖往這個方向發展，但很多仍處於調研階段。我們認為這其中的難點在於如何與特定領域機構建立起一套合作方式，如何將合作變成一種可輕易編程的界面，讓領域專家可以通過系統以一種非常簡單的方式進行行業邏輯的建模，而他的邏輯可以通過系統實時得到驗證，使其進一步更新，只有通過專家與機器反反覆復的迭代，形成閉環，才會服務好用戶。

全球估值第四高，被稱為「下一個獨角獸」的公司——Palantir曾推出一個基於知識圖譜的金融數據分析平台—Palantir Metropolis，可以整合多源的量化資料，並提供一套方便易用的分析工具來滿足複雜的研究需求，其中的組件能夠進行複雜搜索，可視化編輯與分析，有非常豐富的人機交互能力。目前Palantir將結構化客戶內部數據，關聯相關數據，讓客戶自己創立分析規則整合併優化模型，量化處理數據，從而解決客戶的特定需求。

智能投資顧問

傳統投資顧問需要站在投資者的角度，幫助投資者進行符合其風險偏好特徵、適應某一特定時期市場表現的投資組合管理。而這些工作都需要以大量昂貴的人工方式完成，所以財富管理服務也因此無形的提高了進入門檻，只面向高凈值人士開設。

但是現在，智能投資顧問（robot advisor）正在以最少人工干涉的方式進行投資組合管理，管理你的資產的可以是一排計算機，而你也不用是高凈值人士。並且智能投顧在以更強大的計算機模型運用人工智慧的技術對大量客戶進行財富畫像，以人工智慧演算法為每一位客戶提供量身定製的資產管理投資方案。

Wealthfront就是一家非常具有代表性的智能投顧平台，藉助於機器與量化技術，為經過調查問卷評估的客戶提供量身定製的資產投資組合建議，包括股票配置、股票期權操作、債權配置、地產資產配置，旨在提供一個自動化的投資管理服務最大化投資回報。

Wealthfront在進行自動化投資管理時一共有5個步驟：

確定當前投資環境的理想資產類別

以最低成本的ETF（交易型開放式指數基金）代表每一資產類別

確定風險承受能力並創建合適的投資組合

將現代投資組合理論（MPT）分散風險

定期監控並重新調整平衡投資組合

而這一投資方法也受到市場的肯定，Wealthfront管理資金規模在2015年至2016年終增長將近64%，截至2016年2月底，Wealthfront的資產管理規模已達近30億美元。

在獲得市場肯定的背後，是對智能投顧的信心。智能投顧能夠戰勝人性，避免投資人受市場變化而產生不理性的情緒化影響，使機器嚴格執行事先設定好的策略。並且智能投顧擁有比傳統財富管理機構、私人銀行更為透明開放的信息披露，及時提供風險提示，極大的減少了資產託管人與管理人之間的信息溝通壁壘。

Betterment也是一家專註於智能投資管理的金融科技公司，通過Markowitz 資產組合理論和各種金融衍生模型們應用到產品中，在雲端低成本、快速、批量化地解決各種數據運算，再根據用戶的傾向和設定的風險偏好，個性化地提供資產配置組合方案。其創始人Jon Stein曾在華爾街某金融機構任職高級投資顧問，致力於打造Betterment成為一款讓投資更方便，更準確的智能投顧。2016年3月，Betterment獲得E輪融資1億美金。

而由兩名微軟前員工創立的FutureAdvisor是一家專註於養老金理財市場的智能投顧公司。 FutureAdvisor為面對有很多不同的財務賬目，退休金，儲蓄，股票，甚至一些CDs或債券但卻不知道如何做出正確的選擇的客戶服務。 FutureAdvisor利用智能演算法實時監測理財賬戶，尋找節稅機會並調整多個賬戶。除了提供免費的投資組合優化以及投資數據的同源整合， FutureAdvisor也提供收費版投資代理服務。目前 FutureAdvisor以2億美元估值被全球最大基金管理公司BlackRock收購。

（schwab intelligent portfolios投資組合收益圖）

在面對變化莫測的金融市場時，Charles Schwab（嘉信理財）旗下推出的智能投顧產品schwab intelligent portfolios則能以蒙特卡洛模擬動態市場上的投資組合表現進行投後跟蹤。同時在投資組合虧損的同時，機器會自動進行稅收虧損收割，即將賣出虧損的證券遞減一部分資本利得稅。而當投資組合偏離預先設定的風險容忍度與資產配置建構時，機器會自動通過一系列買進與賣出的行為進行資產平衡的調整。

智能投顧使人工智慧技術不再遠離人群，真正使得每一位普通人都能享受到智能金融科技公司所帶來的好處，也讓許多曾經認為「人工智慧是遙不可及」的人認識到智能金融公司不僅僅只服務於金融行業的專業人士，而是可以為整個商業社會相關的群眾創造價值。

當人工智慧不再是新鮮事的時候，投資銀行與證券研究自動生成報告、人工智慧輔助量化交易、金融搜索引擎證券研究和智能投資顧問財富管理這四種人工智慧和金融結合的主流玩法讓我們看到在未來，金融和人工智慧結合成為智能金融的無限可能。

而智能金融正在以一種人機結合的方式去提供大量的輔助決策工具，讓投資人在形成邏輯鏈條的過程中，更容易地獲得數據和分析層面的支持，才能以更多的精力去發現機器不善於完成的工作，從而大大提高工作效率。