首页 > 学院概况 > 新闻动态 > 教授观点 > 朱晓天:人工智能如何蚕食高薪职位?

朱晓天:人工智能如何蚕食高薪职位?

发布时间:2017-08-21 09:10:11   浏览:[] 发布人:shengxc

  创新工场董事长兼CEO李开复曾公开表态,未来十年,80%金融从业者会被人工智能(AI)取代,纯数字领域的金融,是AI最好的应用领域之一。

  彼时,摩根士丹利已全球裁员1200人,瑞信对伦敦1800名员工发出裁员警告;在200名计算机工程师的支持下,自动化交易程序已接管了高盛纽约总部大多数日常工作。目前AI在金融领域的热度前所未有,甚至被神化。

  人工智能在金融领域的应用,究竟会带来怎样的变革?《21CBR》专访了北京大学汇丰商学院副教授朱晓天博士。

  加盟北大汇丰前,在美国华尔街、新加坡、香港和中国内地金融投资行业,朱晓天有超过16年的研究和投资经验,曾担任中信证券Delta One指数化衍生品业务的高级副总裁。

人工智能如何蚕食高薪职位?一位北大学者16年的观察

 北京大学汇丰商学院副教授朱晓天博士

  以下是关于此次分享的整理,温馨提醒,有大量专业术语:

  中信证券的实践

  在中信证券时,有相当长一段时间,我负责场外衍生品及管理融券池的增强收益工作,高峰时的融券池规模达到80个亿,是市场最大的,当时我主要兼顾两部分工作:

  首先保证和增强融券收益。由于融券池是多空对冲的,需要定期调仓,以保证它有额外的Alpha收益(绝对收益)。

  考虑到本身资金成本和后来的基差贴水成本(产生于指数期货远期合约价格低于现货价格时),还需通过多头的融券获得收益。另外,加上Alpha策略的收益,才能获得足够的增强收益,以保证业务正常开展。

  其次是Delta One场外衍生品业务。我们会跟一些较大的机构客户来合作相关业务,有大量的需求,尤其目前市场监管较严,“去杠杆”为主,整个机构业务对场外衍生品的需求增加。

  当场内标准金融产品无法满足特定需求时,他们不得不用场外的方式来做,就是定制化的过程。

  Delta One主要是线性的,后来我们拓展到非线性的,以场外的工具来做一些综合解决方案。以此维护与大型机构客户的合作关系。

  我们日常主要提供和设计相关的“解决方案”,不管是线性、非线性的,还有各种标准产品,需要将它们组合在一起来解决客户的需求。有的时候,一单可以上百亿,小的也有几千万。

  其要求也相对较高,由于每一单都是相对定制化的,落地的过程中要持续不断地沟通,包括内部各个部门和外部客户以及合作方。

  一旦客户开始签署场外的协议,又涉及到场外协议过程中的相关尽调、流程、风控等等很多的细节。

  主要挑战来自于市场监管的情况随时在变,很多时候一些解决方案,在本来政策环境下可以操作,随着监管政策的变化马上又得重新调整。

  看起来内容繁琐,我们的产品设计组,只有5、6个人。

  智能投顾的真相

  我有一个朋友在纽约从事衍生品交易,现在被机器直接替代了。本身衍生品交易这一块准确定价非常重要,不准确的定价会导致错误的交易并导致损失。

  德意志银行的衍生品交易采用人工智能模型,提高了预测股票回购率的准确率,提高了关联期权定价的准确性,提高了交易利润。定价系统越来越人工智能化,交易员就可以直接裁掉了,这是一个趋势。

  AI在国外金融行业的应用趋势比较明显。在国内,大家知道这是个热点,也仅限于概念比较热而已。

  在算法交易方面,中信证券在行业内应该算数一数二的,同时也在不断地改进,而算法交易中用到的大数据,也是人工智能的算法。

  在国内一些券商陆续推出了“机器人投顾”的产品,在我看来,暂时只是一个热门的概念而已——目前媒体上比较时髦的AI其实有狭义和广义之分。

  狭义地来说,很多大数据自动化过程也用AI来指代,比如市场上推出的“机器人投顾”,除了名称时髦外,核心是个自动化的概念,只要输入一些相关的风险收益偏好,以及投资者特定偏好,可以马上根据模型测算出来。

  但是,真正的人工智能要更有扩展性,可以独立思考,独立扩展,比如在算法交易或者独立开发策略的时候,能够自动更新数据,自动寻找比较优化的策略方案。

  一般说的“智能投顾”,是指大类资产配置,例如私人银行的角度:根据客户或者个人、机构、客户风险收益偏好决定各类大类资产的配置比例。

  通常可以直接做成一个系统,可以操作与它交互,达到自动进行资产配置的结果。这个系统除了核心的资产配置模型外,主要是一个自动化+专家系统的部分。

  就我了解,国内一些私募机构用人工智能的方式,集中在两个方向:一是直接用人工智能开发策略;还有一类是下载Google Source人工智能算法的源代码,对其策略库进行筛选,因为市场情况随时在变,就用人工智能算法来动态筛选一些适合当前市场的最佳策略组合。

  “人工智能”这个概念很火,有些系统仅仅实现了自动化,也称为“人工智能”。例如信用风险管理系统,待其自动化后加入一些专家系统,就被称为人工智能,属于比较初级。

  但它可以取代一些初级分析员的工作,取代日常的重复性工作。真正要做到智能化,比如说开发量化策略,其实可以用到很多人工智能算法。

  人工智能的一个现实应用就是策略开发中的策略筛选,另外,是用机器人投顾做大类资产配置,FOF (基金中的基金)里面的大类资产配置和产品业绩筛选,都可以考虑这种自动化的配置方式。

  人工智能在金融的应用主要有两个方向,一个是预测,一个是分类。预测为线性的时间序列预测,比如一段时间以后,市场涨还是跌;分类主要应用在评级、信用风险评估等方向。

  金融之所以作为AI一个突破口,是因为数据多,样本足;也正因样本过多,金融市场价格的确定机制含有很多随机过程。如何避免样本内训练的过度拟合,是要解决的问题。

  相对传统操作,使用人工智能技术的成本也相对较高,当然也取决于用到哪个程度。海外在IT技术开发的投入非常大,比如瑞信。

  美国的投行可能会把公司利润的1/3、1/4拿来做技术开发,实际上是跟硅谷在抢人,支付的成本非常高,一些计算机专业的高学历毕业生,即使没有经验,做程序员的职位也可以拿到超过10万+美元的起薪,仍然不易留人。

  这类技术人才感觉在华尔街只属于辅助类,去硅谷就有机会加入到一些潜力巨大的独角兽公司。

  招聘技术人员开发各种算法交易策略成本非常大,回报也不小。例如,摩根大通银行直接开发关于法律法规及风控应用方面的自动化系统,该系统几秒钟就可以做一般后台人员花几十万小时做的事。

  这是一个竞争激烈的市场,这类公司的优势慢慢会显现出来,带动整个行业的趋势走向。海外投行这方面的发展非常迅猛。

  相对来说,中国公司比较急功近利,在技术方面不愿意投入太多。大家觉得这概念很好,这个说法热,蜂拥而上,应用大数据加上一些简单的自动化,就称为人工智能系统,背后可能仅仅是一个简单的流程自动化系统,其中的差别挺大。

  AI的两大软肋

  从技术本身看,AI经过这么多年的发展,应用场景和框架有了较大发展,而它的核心优化算法并没有天翻地覆的变化——与十几年前人工神经网络的优化算法相比,其实没有革命性的改变。

  人工智能的深度学习方法,可以识别非常复杂的非线性关系,非常适合在金融市场和投资领域的应用,也有两个主要问题:

  首先是“黑箱”问题(所谓“黑箱”,就是指那些既不能打开,又不能从外部直接观察其内部状态的系统,比如人们的大脑)。不同于传统的回归或者参数模型,很容易解释预测模型的逻辑原理。

  比如告诉你哪些因子与价格变化是紧密相关的,以及相关程度的强弱;机器学习通过复杂的多层神经网络,挖掘输入输出数据之间的内在关系,预测准确度上有很大提高,但没有直观的归因解释力度。

  其次是机器学习中经常出现的“过度弥合”问题。比如人工神经网络模型由一层层的神经元组成的,机器学习的过程,通过样本内的输入输出数据来训练和调整各层神经元之间的权重,然后以优化的权重再对样本外数据进行预测。

  理论上,对样本内数据进行的训练次数越多,神经网络就能更好地抓住数据内部的潜在非线性关系,样本内误差也越少。

  吊诡的是,训练次数一旦超过某个临界值后,样本内的误差会持续下降,得到的模型在样本外预测的误差却会越来越大,这是因为模型过度拟合了样本内数据的关系,丧失了在样本外应用的一般可适用性。

  当前机器学习的核心算法,就是找到一个训练平衡点,以便达到一个最优的样本外预测模型。

  在预测这一类的应用中,如果只是做一个市场涨跌的判断,我以前做过“海峡时报指数”未来涨跌的预测,最好的预测成功率达到74%,已经很高,一般平均水平能达到50%以上。

  只是,单一一次的成功率没有太大意义,得去检验持续成功率达到多少,这样才能拿到持续的收益。

  如果说,人工智能技术要在国内金融领域实现普及,要有资金投入,也需要核心的人工智能和大数据技术来构建算法交易平台。

  以前我们在瑞信,用两年时间,做了一个同时满足做市和自营功能的自动做市和算法交易平台,在平台上可以完成整个自动化过程,其中包括各类数据的实时接入,量化策略的开发、交易和执行,以及每日市场新数据的自动清洗、压缩和存储。

  当晚收盘后,需要把新数据纳入重新计算,以调整第二天的交易参数,再进行自动交易,以此循环。过程完全自动化,没有人工介入。

  当涉及到数千支股票或者数千个资产的交易参数更新,一个晚上通常完成不了更新计算,就要使用并行分布式计算,要充分利用晚上闲置的其它计算资源。

  比如,Alphago具备1000多个GPU的强计算能力和内存,以达到自动化过程。只要计算能力不是瓶颈,这个过程可以不断优化,比如一晚上原来10台计算机的工作,可以用100台、1000台服务器同时做,可优化的细节会更多,第二天自动更新交易参数之后,策略优势就更为突出。

  要有自动化平台和好算法,意味着要有人才的投入,例如策略开发分析师、量化开发人员等,有一个开发过程。

  真正涉及到交易的自动化,包括策略和交易信号的系统化开发和优化、智能止损和止盈的算法。根据市场的情况,随时调整智能算法是最具有挑战性,需要比较强的量化和开发团队来完成。

  真正从事日内高频交易类型的私募或者对冲基金,对系统的要求很高,国内有机构出一两百万年薪招聘一个IT开发人员,都未必能找到合适的。毕竟,要了解人工智能技术,同时了解金融市场的策略开发,这类复合型人才很稀缺。

  2018年,北大汇丰商学院计划推出全国第一个金融硕士的专业,偏重金融科技的实际应用。

  主要包括人工智能、大数据和区块链技术在金融领域的应用,具体包括移动支付、网络支付安全,区块链技术在物流、物联网方面的应用,以及智能投顾、智能算法交易、金融大数据等。

  开设的原因是深圳高科技公司比较多,大家比较关注金融科技的发展,包括华为、腾讯等大公司都在加强研发和布局。 目前,全球仅有2所美国大学以及1所香港大学开设这个专业。

  无处不在的风险

  此前大热的AlphaGo围棋战,结果都在意料之中,人可以看到棋局的3、4步以后,AlphaGo可以看到20步以后,他就比你强,就这么简单。

  对于AlphaGo来说,只要有新的盘面数据进来,都可以作为样本进行训练,它自己产生数据的训练,肯定就更多,因为训练时间更长了。

  人类总共就3000多万次盘面,在这个样本内,它再不断自己训练,相当于左右搏击,自己去找新的盘面。

  期间,人类的3000多万盘面可能没有太大的变化,它自己已经大大增加,加之中间一段时间又和一些高手过招了,达到1千多个CPU,这么大量的数据训练,如果再去比赛,那就是作秀了,没有任何意义。

  人工智能的过程,没有必要神化,就是一个巨大的计算能力,加上大量的数据,除了所有历史上有的数据之外,可能还有自己训练的数据,同时有个好的算法。

  AI对大家的影响,除了一些初级的工作会被取代,还有可能,一个人需要上学的时间越来越长,普通的知识慢慢直接引入到自动系统中去,你要不断探索、学习,在网上读取。将来,人更多的作用是放在创新领域,初级工作消失了,也会出现新的工作需求。

  至于说,人工智能在金融领域有哪些新的前景?我觉得都有可能。

  资产配置、权益资产收益的预测、利率曲线变化的预测、衍生品的定价,以及算法交易、消费市场分类等等,几乎可以应用在所有金融领域。

  哪怕客户管理,都可以用人工智能。针对客户交易习惯的一些大数据,可以进行分析。

  在国外,他们已经研究机构客户的喜好,在什么时点上可能买卖哪些资产,有相应冷热图能预测出来,当他收到交易对手方需求的时候,可以通过智能系统预测出来哪些客户可能是潜在交易对手方,再自动进行无成本的撮合交易。

  以前很长一段时间,人工智能其实是自动化、专家系统、计算能力以及大数据智能算法的结合体。未来的突破在于,更多的思考能力。

  比如,以前告诉它去做一个具体的优化过程,未来可能一个非常模糊的指令——在几千个资产组合中找到一个最好的组合,系统可以做好,并且不断优化,不断动态调整,甚至过一段时间系统会自动反思,之前做的是不是无用功,有哪些错误?我觉得这是一个方向。

  国外很多对冲基金已经在尝试,有的对冲基金直接将一些算法固化到硬盘上,一年从头到尾没有人工干预,自己可以工作,甚至持续实现每年很高的收益率,非常稳定。

  人工智能技术在金融市场的广泛应用,也会带来潜在风险。比如说,利用人工智能进行预测,可能所有机构会使用同一套算法,预测结果大体是一样的,这会加剧市场系统风险的程度。

  比如在美国,有时看到某个新闻瞬间触发市场价格的大幅波动,随之一个剧烈反弹,“一上一下”速度之快,人工来不及反应,其实都是机器算法交易操作的结果。一旦系统性风险增加,人工介入避免恶化往往很有必要。

  在可预见的未来相当长时间内,人工智能与人工参与会同时存在。

  来源:21世纪商业评论(2017.8.20),记者:罗丽娟

  (编辑:熊艾华)

点击排行