【睡前碎语】人工智能+金融有哪些可能

标题党了。人工智能是个很大的概念，这篇只说机器学习在金融方面有哪些可能性。

1.大误解

先说一点人工智能。很多人都有一点误解，用套用人类来衡量人工智能的智力水平发展，老是说现在人工智能发展相当于多少岁的小孩。这个误解会带来另一个更大的误解：

以为人工智能对人力的替代也是自底向上的，先受到冲击的会是简单的体力劳动。

这是个很大的误解。

人工智能，特别是机器学习、深度学习容易落地的是哪些行业？有数据积累的行业，特别是有大规模、持续性的结构化数据积累的行业。

为什么呢？学过的同学都知道，要提升机器学习模型的性能，有五花八门的方法和玄学，不过都有一条，就是“数据越大、性能越好”，特别是在深度学习时代，这就是一条普遍真理。

大规模、持续性好理解，什么叫结构化？有一定格式约束的，平时填的申请表、报名表就是结构化数据。两个例子，医学和金融。今天先说金融。

金融行业每天都在产生大量数据，而且是标准的大规模、持续性的结构化数据。上机器学习、深度学习模型，可以说是天然具有优势。

还有一点，提到的人几乎没有，不过我觉得也很关键，那就是研究的价值。

用爱发电是没办法聚拢起这么多高端的脑袋来投入研究的，得投钱。想要别人投钱，首先就得值钱。金融就是和钱打交道，值不值钱？值钱。而且金融行业涉及大量的预测和基于预测的决策，和机器学习简直一拍即合。

好了，饼画完了，现状怎样呢？

2.智能风控

机器学习在金融领域也确实已经开始了应用，金融行业有个职位叫风控师，名气很霸气，说起来其实不复杂，归结起来俩字，就是看人脸。哥们看你骨骼精奇，是个天生的还贷人才，不会半途而废毁约的，所以决定给你放贷。

当然，实际工作要复杂一点，毕竟没谁的还贷能力和还贷意愿真的长脸上，一般需要翻阅各种资料，这里面就有很多是结构化数据了，适合引入人工智能的因素，用机器学习模型来判断你的还贷能力和还贷意愿，，名字也起得霸气，叫“智能风控”。

智能风控不算太新的概念了，书和论文都出了不少，想搞金融又想搞机器学习的同学可以找来看看。

机器学习在金融领域还有一个本该会火但始终不温不火的应用，就是量化投资。机器学习做量化投资是有很有意思的话题，捧的捧到天上去，踩的又踩成烂泥，评论两极化的现象本身就值得研究。

3.黑盒问题

不过，关注点先拉回来。用机器学习做量化投资，或者其它金融的工作，都有两个问题。

第一个就是黑盒。

机器学习有几种性能指标，可解释性是其中很重要的一种，简单来说，就是你这个预测结果，是怎么得来的。现在大红大紫的深度学习其实有很多问题，最突出的问题要数可解释性差。简单来说，就是现在光知道深度学习模型效果拔群，不知道为什么效果拔群。

这是很重要的问题，所以发顶会的一个热门方向就是从可解释性上面的做工作。到了金融这里，可解释性就成了很要命的问题。

金融的平顺运行高度依赖信任，我告诉你我有一项技术特别先进，预测贼准，不过我也不太清楚为什么会这么准，你敢不敢把你从牙缝里挤出来的一点资金交给我打理？

不少人会选择用Lstm做量化投资，有道理，也没道理。Lstm是一种深度学习模型，具体来说，是一种循环神经网络模型，擅长序列预测。在注意力模型还没有大杀特杀的年代，Lstm是做文本数据和时序数据的首选。

而量化投资的对象，譬如说买卖股票，股市行情是一种典型的时序数据，想到用Lstm是有道理的。

但是，Lstm是一种深度学习模型，别看教科书里一提到Lstm就这门那门的又搞出一堆公式好像很厉害，深度学习自带的黑盒毛病Lstm是半点没改，没准还多了不少。

这就导致一个结果，最终出来如果模型预测效果好，你可以总结说是自己技术高超，也可以说是自己最近运气不错。如果效果不好呢？哦效果不好那就没事了，你肯定会骂人工智能就是人工智障，根本不适合做量化投资。

所以，虽然说用魔法打败魔法是一条思路，不过敢掏出真金白银尝试用玄学打败玄学的人，恐怕不会很多。造成的结果就是，深度学习在研究领域不可一世，在金融领域却仍然讳莫如深。

你可能要问，那金融里面大家用什么呢？各家不太一样，Baseline肯定是逻辑回归在大包大揽，前沿一点的正在尝试效果比深度学习差一点、但可解释性要好很多的树模型。

4.人性问题

第二个是人性

这个本来不是问题，不过问的人多了也就成了问题。机器学习也好深度学习也罢，不管是不是黑盒，有一点可以确定的就是毫无人性。有人说这点好，投资需要理性，没有人性正好理性。

这也是个误解。

我是不太明白，为什么很多人一讲到人工智能，就会先把神学的灵魂拿过来一点，接着又把物理学的量子拿过来一点，然后搞一些似懂非懂的术语把这两个讲不清楚的东西糅在一起。这种做法除了让问题变得更混乱以外，我是看不出来有任何有益的地方。

人工智能太大，我们还是说机器学习。机器学习没那么多玄乎的东西，本质就是数据统计，所以机器学习模型需要数据，也依赖数据。

这就带来一个问题：模型本身确实毫无人性，但是生产数据的人却不一定，数据带了人的偏见，模型就会学到人的偏见，从而也带上偏见。话题很大，不展开了。

5.科学还是玄学

还有一个问题，这个问题是个大问题，不过又不是人工智能的问题，而是问题本身是科学还是玄学的问题。

譬如说股市。我们想用机器学习做行情预测，是有一个默认前提的，就是行情可以被预测。这一点很重要，但是从来没人讲。今天我想就这个问题分享一点看法。

我对股市的理解很粗浅，在我粗浅的理解当中，股票操作大概分三个流派。第一种就是技术流，看各种图表数据，技术流有一个核心观点，就是股市行情在不断重复自身。这一点要牢牢记住，如果你打算走技术流，一定首先得要承认这个观点。

第二种叫价值投资流。价值投资流是基于价值回归这一经济学理念发展出来的流派。这一流派又有一些分支，也导致了一些争议，譬如说巴菲特到底属不属于价值投资流。不过总的来看，大家对价值回归本身没什么争议，分歧在于怎么定义价值。

价值投资流看的是中长期表现，自认为是搞投资，容易嘲笑技术流是搞投机，技术流当然不服气，扯起来也是一团乱麻。好在两派的恩恩怨怨和人工智能没啥关系，反倒是有一点殊途同归，就是两派都认为行情走势是有迹可循的，简单来说就是有规律，是科学的。

但是，第三种流派不同意。不少股民似乎认为第三种流派不配有姓名，我给起了个名字，叫猴子掷飞镖流。有一个故事，说有好事者为了验证三种流派哪种更胜一筹，找来了技术流和价值投资流的高手，外加一只猴子一起投资股票，看看最终谁的收益率最高。

前两派的方法前面说过了，猴子的方法很简单，就是把股票都写在圆盘上，然后让猴子掷飞镖，飞中哪算哪。这个方法很离谱，但结果更离谱：高手和猴子最后的战绩居然是五五开。

故事也许只是故事，不过猴子掷飞镖流的核心思想是很明确的，就是行情本身不具备可预测性，是玄学而非科学。

三派现在吵得很厉害，我想是因为现阶段大家都只是摸大象的瞎子。机器学习领域有个很著名NFL理论，证明了模型的性能和模型本身无关，而和数据分布背景密切相关。

简单来说，你要问我量化投资能不能用机器学习来做，能做到什么效果，你首先得告诉我，行情走势到底服从的是什么规律，或者干脆没有规律？

如果，只是如果，第三派嘴里的才是真正的大象，那么我想，量化投资最需要的应该是多几个面的骰子，而不是听起来天花乱坠的什么人工智能或者机器学习。