金融行业中人工智能的应用前景
周 爽 刘 赟 北京信息职业技术学院
摘 要：金融行业的资产交易面临着技术升级所带来的变革，金融行业已经进行了很多结构性调整。雇佣大量交易人员进行金融操作的时代结束了。基于人工智能的金融技术研发已经取得了很大的进展，本文介绍了人工智能技术在金融领域的应用现状，分析了在人工智能技术冲击下金融行业面临的挑战以及解决方案，展望了智慧金融的发展前景。
关键词：智慧金融；人工智能；深度学习银行管理
一、人工智能对传统金融行业的影响
目前人工智能技术在银行、证券以及保险行业都已经大量融入，显著地提高了工作效率，简化了工作流程，降低了工作成本。例如，摩根大通公司的一款合同分析软件能够代替36 万小时的人工服务，而且错误率大大低于人工领域。
①人工智能的技术基础是深度学习算法以及大数据，而深度学习算法的基础是大数据，能够源源不断产生大量数据，同时依赖这些数据的行业将会需要人工智能的介入。跟保险与证券业务有关的行业很早就已经介入自动化的研究，在数据采集、存储以及数据共享平台建设方面，取得了长足进展，国内这些行业在上世纪九十年代就已经开始规划建设大数据处理系统，如今已经能为即将到来的人工智能应用提供坚实的数据基础。
深度学习是人工智能真正的核心技术构造方式，由于金融市场存在大量数据噪声，并且具有多维度特征，可以用非线性方法进行处理，这样可以最大限度减弱数据维度和噪声，相比起传统金融模型，非线性方法可以利用大数据训练来改善模型，使之更接近实际情况，从而可以动态预测市场，增加预测的精确性。
在传统金融行业，人们已经习惯于技术分析人员的传统处理方法，根据数据发明简化的数学模型，在实际应用中根据情况不断改进，使之适应新出现的情况，不管这些模型有多出色，毕竟只是对多维度的数字空间的模拟，只是对发生在数字世界的规律的近似，在实际应用中有时会产生很大偏差。深度学习技术可以很好规避这些传统方法带来的不利影响，能比传统人类分析员精确几个数量级。
比如对于股票行业来说，股票经纪人最多只能熟悉几百只股票的涨跌规律，根据自己熟悉的数据制定出简化的交易策略。基于人工智能的量化交易可以根据数据库中的所有数据进行分析，加入上万个变化因素，同时还能考虑到场内外的各种影响因素。既可以注意全世界每只个股的交易情况，又能关注各市场的整体变动规律，能够多维度地计算股票发展走势，找出人类交易
员难以发现的股票交易规律，获得普通交易员难以企及的交易收益。
二、金融领域中最适合应用人工智能的行业分析
在金融领域中，客户的数据可以大致分为两部分，强特征数据只占总量极小的一部分，而弱特征数据则是海量的，比如电子商务数据、设备数据、位置与行为数据等。金融行业与社会各行业都存在着巨量的交互作用，产生了大量未经处理的数据，这些数据缺乏结构性组织，难以用传统方式进行分析。深度学习方法可以利用这些数据训练出有用的风险控制模型，为决定是否借贷给客户提供重要依据。
人工智能技术可以很好地用在量化交易领域，可以应用的范围包括股权和债券、期货与外汇等方面，量化算法基于大数据建模，能够为机构和个人提供详尽的投资建议，能最大限度地使金融资本收益最大化。
密歇根法学院曾经做了一个估计：现在股票市场上大约有一半以上的交易由计算机完成，同时，计算机运算还带给期货市场60%的收益，在国债市场则产生有50%的收益。并且，在对冲基金领域，人工智能的表现也胜过传统对冲基金。
从 2013 年开始，资产管理公司 Castle Ridge Asset Management在股票管理中使用了一种基于遗传算法的学习系统，其回报率可达到每年32%。这样的回报率在很大程度上归功于人工智能的学习能力，在一项公司收购项目中，该系统赶在 24 项收购计划公布之前就做出了成功预测。人工智能可以通过蛛丝马迹的数据异常找到内部交易信息。
在信用风险防控方面人工智能技术也能有所作为。近年来，互联网金融公司得到了很大发展，这个行业需要对客户的信用进行精准地估算，以确定其风险程度，由于客户量大，涉及的数据量也异常庞大，用传统方法很难估算，而基于深度学习技术的人工智能却大有用武之地，能对大量参数的多维度数据进行精准分析得出有指导意义的结论。
能使用人工智能技术的还有安全防护中的身份认证系统。近年来随着人脸识别技术的应用，银行安防体系获得了很大发展，现在使用支付宝或者手机银行时都要用到脸部识别技术确定身份。而且银行还可以对进入银行的人员进行甄别，确保没有危险人员混入保密区域。
金融行业中已经积累了很多人工智能成功应用案例。目前，美国的 Wealthfront、德国的 Finance Scout24 都已经在投资理财中大量引入人工智能技术。基于人工智能技术的基金 Rebelion曾经提前计算出 2008年的股票市场崩盘。惠普按照传统方式给希腊债券评为A 级的时候，Rebelion 就已经给出了 F级这样的评价，比官方最终决定降级处理提前了一个月。基于人工智能的Cerebellum 拥有 900 亿美元，自 2009年以来一直没有亏损。
国内应用人工智能比较成功的是蚂蚁金服，目前涉及的领域包括互联网小额贷款、资产配置服务和保险客户服务。智融金服的风险控制体系每月能放款120万笔，使用机器审核只需要8秒的处理时间。招商银行也早已开通了可视化柜台。旷视科技公司的核心技术是机器视觉，利用这项技术可以为金融领域提供身份识别与验证解决方案。
三、量化交易应用实例分析
人工智能在量化交易中的应用有着非常广阔的前景，量化交易的根据是已经发生的历史数据，但证券的特点是当前价格多数情况下不代表价值，而是对该证券的预期。未来的价格可能在很大程度上受制于消息层面，历史数据上并未包含这层信息，这被称作过拟合现象，是量化交易中的典型问题。
当然，事实证明光考虑历史数据是不够的，正确的预测还要考虑到消息层面，需要从人类的社交网络中提取有用的信息，需要解读大量网络文本，处理很多人类语言，将这些数据转换成能分析的数据，抽取影响市场关键因素。传统的量化交易模型从其本质上来说是静态的，如何交易都被事先编程所限定，例如利用动量原理来做交易策略，在一定时期内会起作用，但时间一长就可能失效，而基于人工智能的交易策略则会随时根据市场信息调节策略，实现动态交易。
比如文艺复兴科技是一家使用量化交易的对冲基金公司，其中的大奖章基金表现极为出色，年平均回报率能达到百分之七十以上 。大奖章基金的预测模型就是基于大数据的人工智能
②系统。大奖章基金的创始人詹姆斯·西蒙斯被认为是对冲基金界的王者，同时也是量化交易的鼻祖。西蒙斯的投资理念与传统方法不同，主要依靠数学模型，而数学模型的运算完全依据电脑。数学模型可以敏锐地捕捉市场信息，再综合历史信息做出交易决策，西蒙斯相信电脑模型可以有效地降低风险，提高收益。
传统的投资策略倾向于定性分析，而让电脑代替人工进行分析，就可以在整个市场中寻找投资标的物，投资的理念需要转化成具体指标和参数，并按照程序去运行，能实时跟踪市场的变化情况，利用计算机提供的强大数据处理能力处理投资指标，在控制风险的情况下使收益达到最大化。随着人工智能技术的发展，计算机可以大规模处理堆积如山的历史数据，使得投资以远超传统方式的规模发展起来 。
③文艺复兴科技公司进行大量短线交易，充分利用大数据捕捉股市上微小的波动。该公司招募了大量拥有数理背景的博士毕业生作为研究团队主要成员，每周需要像开科研会议一样，聚集在一起分析模型的优劣。机器决策一旦完成，交易员会迅速投入操作，充分利用短线交易获取利润。由于交易量过大，有时候甚至占到纳斯达克整体交易量的十分之一。
四、国内金融领域应用人工智能的前景
根据原银监会发布的《银行业金融机构数据治理指引》，全国的银行业金融机构准备开始实施新的数据管理方法，以此提高机构内部经营管理效率。中国的金融行业目前面对海量的金融数据还存在着处理能力低下的问题。我国的银行机构很早就
开始实施电子化应用了，数据管理的资金投入也不小。但是，各机构之间的数据交流还存在很大障碍，只有系统整合各机构的数据管理能力，才能实现数据的顺畅流通以及合理分析处理。基础银行网点装备的智能设备需要大数据分析的支持。人工智能中深度学习的前提是大数据的积累和管理。这就需要各相关机构整合在一起进行系统合作。
2018年年初建设银行与阿里巴巴以及蚂蚁金服合作，尝试着在电子支付领域实施深度合作。金融机构本身也在建立新的合作关系，组建金融云公司，用于承接银行业重要信息系统批量上云的服务。目前银行业数据进行云管理已经成为一种不可遏制的趋势。很多银行已经逐渐加大信息化技术的建设力度，并在各个业务环节中都加入人工智能技术以提高运营效率。
原银监会早在 2016 年就对国内金融机构提出，银行业需要实施云计算技术应用，并且要逐渐完成行业结构转型。在“十三五”结束之前，所有基于互联网的数据系统都要转移到云计算平台 。
④总之，人工智能技术应用于金融领域是大势所趋，各金融机构在应用人工智能方面的布局将深刻影响未来金融业发展。
五、制约应用人工智能的因素以及解决方案
有很多因素制约着人工智能在金融行业的应用，数据资源方面产生的问题最多。很多时候，银行内部的已保存数据未能得到充分整合，原因是数据过于分散地保存在不同系统，而且这些数据没有做结构化处理，只不过以各种业务凭证的形式存储起来，难以进行进一步处理和分析，无法发挥其潜藏的价值。另外，银行以外的数据包含着客户的重要信息，如果能适当整合，就能建立关于顾客真实情况的评估体系，目前这方面做得还很不够。
目前国内数据交易市场还没有达到规范水平，主要表现在相关的行业标准还没有完全确立，相应的法律法规还有待完善，还没有相应的国家职能机构制定出合理的监管规则，来监督规范市场的实际运作，行业无法健康顺利发展。数据交易中还存在着交易形式混乱，没有统一定价标准的问题。不同来源的数据在格式上没有统一起来，内容上还存在不完整问题，这些都影响了数据的分享与交换。
在技术支持方面也存在一些问题，比如技术人员储备不足。一些商业银行中从事数据挖掘与分析的技术人员数量较低，还远比不上社会上的金融科技公司和从事数据分析的互联网公司。最重要的是缺乏人工智能专业人才，目前供职于商业银行的技术人员多为软件开发和系统运营维护人员，进行一些日常的数据库管理，能进行系统数据分析和人工智能应用的技术人员非常缺乏。
人工智能应用于银行业还需要统一的标准，但在我国人工智能如何应用于金融机构还需要探索，因为人工智能本身也处于研发阶段，需要机构以外的厂家协调合作，共同开发，以期能
建立起合理的行业规范。
在数据安全方面也面临着重大挑战。金融机构在运营过程中，产生了大量业务数据，而网络平台可能存在技术性漏洞，容易招致网络攻击，造成内部与外部的数据泄露与篡改，导致银行与客户蒙受损失。人工智能技术为银行业服务的同时，也为黑客提供了攻击金融网络的工具，黑客可以借此攻击网络贷款的访问接口。人工智能能够提供各种智能服务，比如智能理财顾问和智能客服等，在银行的运营过程中，智能服务可以应用到经营管理的各个层面，但人工智能的应用是以模型为基础的，模型本身也会出现漏洞产生错误，这也是风险之一。
最后，对人工智能的监管也存在困难，人工智能的运作依靠数据模型，要通过深度学习来产生决策方式，这个过程难以准确追踪和做出评价，是个黑箱问题，而金融机构的数据经常需要追溯来源，两者存在矛盾。人工智能的权利与责任如何定义目前也还不明确，极大地提高了监管成本。
为了克服以上问题，充分地挖掘出数据中存在的商业价值，需要把金融机构的内部与外部数据有机地整合在一起，在整个行业中建设一个统一的数据平台，在数据处理方面应该给出统一标准，数据模型应该能融合处理各种数据，全面处理来自银行网络平台、电子商务、社交平台、购物平台、电信网络以及各级政府部门的相关数据，完成数据结构化处理，为人工智能提供深度学习所需的规范数据。另外还需要认真拓展数据来源，理顺行业内部各系统各部门的数据储存与交流方式，拓宽银行业以外的数据来源，为大数据提供坚实基础。
人工智能与金融业的深度融合还需大量高端人才的加入，商业银行需要调整技术研发人员的构成，加大对数据处理人员以及高级算法工程师的引进与培养，同时要建立起人工智能专家团队，进一步加强与银行业以外的人工智能科研机构的深度合作，可以通过建立适当的项目完成培养银行技术人才的目的。结合银行已有的知识技术，帮助员工规划自己的职业生涯，优化自己的知识构成，在技术应用中更好地定位自己。在引进人才方面，变革已有的人事制度，采用有利于优化人才构成的机制，拓展引进人才的渠道，采用合理且灵活的方式引进人才，建立利于人才发展的内部机制。
注释：
①英途微信公众号，2017.3，华尔街失守，摩根大通的 AI 将 36万小时的工作缩至秒级。②http://en.wikipedia.org/wiki/Renaissance_Technologies。③https://mp.weixin.qq.com/s/IB3uL2ouf6U9XjuY3W5kNg。④https://mp.weixin.qq.com/s/9cgJiRPZw9eFC1fTrAKeBg。
作者简介：周爽，学历：本科，北京信息职业技术学院，职称：讲师，职务：专任教师，研究方向:营销；刘赟，学历：博士研究生，北京信息职业技术学院，职称：讲师，职务：专任教师，研究方向:认知科学