2017年世界互联网大会，人工智能成了当之无愧的主角，一众大佬畅想了AI发达的未来世界。针对当前存在的机器人会取代人类的担忧，他们也发表了意见。 马爸爸发话了，机器人不可能超越人类。在人类历史上，很多新发明甫一出现，都被认为将会吞噬人类自身。然而从目前来看，科技的发展只让我们的生活更加便利。 

 

 

 

马爸爸还说了，机器人会替代人类去做一些基础的工作，人类就有更多时间从事具有创造性的工作，这未尝不是一件好事。苹果CEO Cook也表态，不担心机器像人一样思考，而担心人像机器一样思考。只要人坚持自己独特的创造性，不断挑战和超越自我，就不会被机器人取代。

 

巧合的是，半个多月前，2017年11月13日，Hi-Finance受邀参加第11届创业暨全球创业周中国站（Global Entrepreneurship Week China，简称GEW）。在会上，Hi-Finance CEO  Michael Wang 做了主题为“AI or HI” (Artificial Intelligence or Human Intelligence)的分享，分析了人工智能在金融领域的应用，看法与两位大佬不谋而合，以下为分享内容：

  

大家早上好！我是Michael，非常巧我们公司的品牌名称Hi-Finance正好和今天的活动Hi! Finance撞名了。今天是咱们新金融的专场，所以我将就人工智能以及金融领域量化交易这个话题，来谈谈美国的一些实践，和大家一起进行探讨。

 

首先自我介绍一下，我是Hi-Finance的CEO，同时也是CFA/FRM/CAIA以及全国工商联并购公会并购交易持证人，本身复旦大学国际金融系毕业，后来在美国哥伦比亚大学数理金融专业就读。

 

 

 

按理说我毕业后应该留在纽约工作，做一个Quant量化分析员，后来我的大部分同学也的确在纽约做这个工作，大概在过去7、8年时间里面，他们没有一个人回国，但最近我发现了一个很有意思的现象：近两年开始，有一些纽约的同学开始往国内看了，第一种：量化分析是不是有一些新的机会；第二种，量化交易是不是有一些新的机会，而第三种，就是在Fintech金融科技领域，利用原本的所学所长是不是有新的机会。

 

那我就把这个有趣的现象作为一个领先指标——既然已经有一些纽约华尔街的金融人才回国从事量化这件事情，那咱们就有必要来好好聊一聊，或者说了解一下在纽约最常见的量化是怎么做的。

 

过去我在美国读书的时候，每天学的就是用数学模型，以及如何运用IT语言把一个一个交易思想在金融领域落地于实践，我们可以理解为：对于任何一个量化策略，其实都是有一个特定的市场空间。今天这个策略在这儿能赚钱，不代表新进来一个人后，你还能在这个空间上赚到同样多的钱。

 

那量化策略到底有多管用？人工智能到底解决的是一个什么问题？这可能是大家经常会问到的问题。所以我们先来看一看量化策略指的到底是什么，以及在人工智能领域到底有哪些经验或者应用。

 

 

 

"No man is better than a machine, and no machine is better than a man with a machine.”

“没有人能胜过一台机器，而没有一台机器可以胜过一个能操纵机器的人。”

--Paul Tudor Jones (Tudor Investment创始人）

 

对人工智能有一个比较清楚的理解，到底AI在金融行业的应用是什么样子的，我的理解是必须要围绕市场刚需。所谓人工智能、互联网+、量化交易也好……其实解决的是一个既有需求，也就是一个已经存在的需求。如果是想创造一个新的需求，那就很痛苦，或许也是为什么我很多美国的同学不回来的原因，因为在美国所交易的品种和在美国所做的操作，在国内可能压根连产品都没有。

 

“智能投顾”大家可能都听说过，在纽约做智能投顾，一个量化策略为什么能够合适，首先是因为智能投顾属于被动投资，而非主动投资；第二，量化策略不同，即我做的策略和你做的策略是不一样，在纽约，当做出一套智能投资的策略后，会有2000只ETF供我选择，但在国内只有200只，导致今天我做的策略和你做的策略实质并没有什么区别。只能包装成我们的费率比别人更好一些，我们的服务比别人更好一些，但那其实并不是量化交易本身，或者说也不是Fintech金融科技在行业的一个新应用，只是一个费率的恶性竞争的结果。

 

我们来想象一下，在金融市场里面，什么叫人工智能？人工智能在我的理解中，或者说在：当年我在哥大求学的过程中，人工智能已经存在好几十年了，它所能替代的核心工作其实是可以被标准化的工作。比如设置一个止损订单，一个真实的人能不能自己设置，当然可以，那为什么需要机器呢？是因为在执行大量交易的情况下，机器可以帮助我们完成可标准化的流程。

 

 

 

大家有时会看到媒体推送大量交易员下岗的新闻，那你有没有关注过，到底是哪些交易员下岗了？真正在前台的交易员没有一个下岗，而真正下岗的是在后台做执行的那批人。比如，一位基金经理说我要买这只债券，交易员说：好，我帮你买。这叫执行，这类的岗位可能就会面临下岗，但并不代表早期去界定和判断这个执行机会的人会下岗。所以，人工智能(Artificial Intelligence)从另外一个方面看，其实是“人工”智能(Human Intelligence)，需要人来赋予它智能，机器学习的止损订单在电脑上的出现就是人工智能第一层。

 

那什么叫做机器学习？前面提到的设置止损订单，为什么设置的价格是6.5元，而不是6.4元或6.3元，是不是因为股市的波动、这个股票的波动、或者说贝塔值等一些变量的微调，这是机器学习所希望去解决的一个问题。

 

而什么是深度学习？深度学习说的是各式各样非线性的因子放在一起，而这些非线性的因子很有可能我们是找不到相关性的，比如今天这个交易员把它设在6.5元，而那个交易员设在6.4元，可能是因为他们的交易习惯不一样，但我们要认识到：任何一个策略都是假设，任何一个策略都是有边界的。如果要放宽假设，到底放宽到什么程度？如果大家学过计算机语言，可能会知道随机变量，请问今天计算机语言随机变量这个问题有没有被解决？没有啊！也就是说随机变量不随机。为什么？因为它是基于一套算法算出来的，而这个算法就造成了随笔变量不可能随机。那如果说随机变量都不是随机的，那在量化交易考虑这些伪随机因子的时候，量化策略模型到底如何构建，就是深度学习希望解决的问题。所以，我们说量化策略和金融科技本身在应用领域，是基于现有金融背后代表的数学分析，这是核心。

 

深度学习为什么能做成AlphaGo，是因为所有的信息是在所谓的黑箱里面，也就说所有的信息都是有边界的，一旦进入发散的世界，就会进入到完全未知的状况，原本的模型就不适用了。围棋再复杂也只是围棋，但如果是没有边界的深度学习，那解决的到底是什么问题？值得我们深思。所以，我个人的观点是短期内，人工智能还是比较适合做有边界的一些项目，原因：第一，我们时间精力有限，第二，目前技术还尚未成熟。

 

 

 

 

金融市场制定量化策略有哪些独特性

 

1.金融市场参与人数众多（分析时的收敛性？）

 

也就意味着你的策略和我的策略不一样，机器无法构建所有人的策略，只能通过最大公约数的逻辑构建策略；

 

2.金融市场的蝴蝶效应（你知道哪个因素是哪个翅膀么？）

 

任何策略都有一个边界和市场空间，这个策略就20亿，我赚了这20亿，你进来就一人一半，第三个人进来就1/3。而在美国，通过会有3-4个人来管理策略代码，一个人负责主代码，另外几位负责其他次代码。都是靠数学模型和过硬的IT技术来实现的。

 

3.不同时期时间序列并非相同权重（Weight Change）

 

构建模型时间越近，权重却大，比如我今天构建的模型和昨天的权重越大，和一年前的权重可能小一点，但大到多大，小到多小，在统计上的谬误，而且根据各个市场的不同，在美国经过检验的比例肯能在国内并不适用。

 

4.金融时间序列的厚尾效应（Fat Tail）

 

5.中国股市/期货市场的特性不同，比如：大公司/小公司因子模型在中国不适用（No Longer Effective）。

 

6.很多因子主要用来做数据过滤 Filtering，而非预测 Prediction

 

股指期货策略：最简单的也是最复杂

 

 

 

整个策略中最难得一点是，这套策略是有经济学意义的，这套数学和IT代码是有经济学意义的。如何找到单一变量，然后在这个变量的基础上做优化，都是需要大量的时间精力来研究的。同时还有很重要的一点：风控，如何在不影响胜率的情况下，损失的概率尽可能低。

 

量化的核心是要有边界，而不是尝试去测未来。

 

思考：人工智能会让量化交易员失业吗？