人工智能会取代很多的职位。金融领域是一个切入点，它是做人工智能、大数据很重要的切入点，金融领域如果很多机会逐步被人工智能替代的话，将来会有什么样的影响？

很高兴有这个机会跟大家分享“人工智能技术在金融市场的应用”这个主题。我们先看一下最近的热点，都是2017年的一些新闻。

交易员正在被迅速替代

首先高盛的新闻，高盛现在很多职位逐步被人工智能所取代。以前股票的现券交易员有600个人，现在基本上只剩下2个人了，基本上这一块就被机器替代了。我自己以前在美国金融博士毕业以后，刚开始在摩根大通银行做信用风险方面的职位，后来到瑞信第一波士顿银行，即瑞士信贷去做量化交易，当时我看到的情况也是一样的。我大概在2010年到瑞信做现券交易的时候，它的交易大厅比我们这个要大多了，交易大厅前排很多排都是做股票现券交易的交易员，到我接近离开的时候，也就基本上大批大批地离开了。这些交易员逐步被算法交易替代了，相当于被机器替代了。

瑞信第一波士顿本身也是跟高盛一样，在华尔街的算法交易、电子化交易相对比较强，整个趋势我在2010年华尔街工作的时候就非常明显了。今年的新闻就说高盛600人的现券交易员团队整个被替代了，只剩下2个人了，这跟我当时在瑞信看到的情况是一模一样的。美国摩根大通今年的新闻是用自动化的软件几秒钟就能够把内部律师、法律顾问花36万个小时做的事情就自动完成了。

我以前在纽约有一个朋友，他一直在德意志银行做衍生品交易，他是一个交易员，今年他的职位就被机器替代了，所以他最近也在找工作，所以连衍生品的交易员都被机器替代了。

今年的新闻一下子出来了这么多，很明显的趋势，感觉上这是一个大家很关心的问题，人工智能会取代很多的职位。因为金融领域是一个切入点，它是做人工智能、大数据很重要的切入点，金融领域如果很多机会逐步被人工智能替代的话，将来会有什么样的影响。

人工智能表现在比如行动、决策、感知，行动上包括自动化、机器人、运行，决策包括识别、分类、预测，感知包括感知图象、语音、文字。你说它能达到完全把这三个方面做好的话，就真的变成人工智能了，它又能行动，又能决策，又能感知，也就是一个人所能够做的事情全都可以做了。

金融市场中的人工智能应用

以前我们在做人工智能研究的时候，人工智能在现实当中有很多的应用，最主要是两块，一块是分类，一块是预测。实际上分类和预测都差不多，中间就是有一些细节上的区别。现时的问题基本上可以用分类和预测来得到解决。

首先是金融市场预测。彭博社用机器学习模型预测上市公司财报是否超过预期准确率，模型表现达到了60%的成功率。三菱日联摩根斯坦利证券，用机器学习预测日本股市走内30日内的涨跌，可以达到成功率68%.我以前发表过一篇文章，是我在新加坡国立大学和新加坡证券交易所合作所做的一个预测，成功率可以达到70 %，也是之前我自己做的一个研究。瑞信信贷的算法和做市交易是华尔街非常有名的，交易执行全部是用算法来做。还有金融产品波动率的预测，T MB银行也是通过神经网络来做波动率预测。德意志银行的衍生品交易定价这一块也是用人工神经网络。

其次是人工智能技术在固定收益类资产配置方面的应用。对固定收益管理来说，收益率曲线的期限结构对风险管理和投资决策都非常重要。所谓的收益率曲线期限结构，比如有平的，正常是往上走的，还有往下走的。正常是往上走的，因为时间越远的话，收益肯定越高，你的风险溢价可能相对来说高一点，所以正常向上是很普遍的收益率曲线结构。当然现实中可能也有平的曲线，甚至往下走的也有。收益率曲线的结构变化也很多，有平行变化的，有斜度调整的，还有弯曲度调整的，收益率曲线的变化方式对于做投资决策和风险管理都非常重要。

第三，是人工智能技术在自动做市和算法交易方面的应用。自动做市和算法交易目前国际投行在这方面投入很大，包括自动做市和算法交易，第三代算法交易系统的目标已经不仅仅是减少交易执行成本和市场冲击，而是获得比基准V WA P更好的结果。就是交易执行，因为全球股票交易量很大，股票交易的过程中就会有交易执行的成本，这个算法交易主要是节省交易成本。

我测算了一下，中信证券2012年净利润42亿元，如果在国内市场采用二代算法交易，利润可以提高26%.就整个市场而言，在2012年的时候采用二代算法可以节省40 0亿的交易费用，如果采用三代算法交易可以节省70 0多亿的交易成本。如果是20 15年就更不得了了，可能就是节省两三千亿了，整个市场交易成本的节省可能都会提高得非常快。高频交易英国占30%，美国60%，日本15%，当然这只是一个预测，当时中国的位置非常低。当然20 15年有所提高，但是因为限制算法交易，后来估计也没有很高，也就是比较低的位置。这个可能还是一个趋势。

第四，是人工智能技术在复杂衍生品交易和定价方面的应用。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，并且导致对风险计量V A R（风险价值模型）的错误估值，导致不匹配的对冲策略，这样就会造成整个投资组合风险头寸的暴露。特别是挂钩一些流动性不太好的标的，股权的期权定价由于传统统计模型无法准确预测该股票的回购率，进而无法准确计算它的远期价格，从而很难准确定价。德意志银行的衍生品交易采用人工智能模型解决这个问题，提高了预测该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，所以交易员就可以直接裁掉了，这是一个趋势。

第五，是人工智能技术在债券评级方面的应用。标准普尔已经通过多层神经网络做主权债、企业债的评级，预测的准确度也提高了，只不过这种模型还有一个问题就是“黑箱”操作，它不像传统统计模型比较好解释，中间哪个变量大一点，本身人工神经网络是一个“黑箱”，里面有很多的权重和节点，每一个节点的权重自动通过输入和输出优化，找到调整这些节点的权重。所以，它不太像传统的统计模型那么好解释，你是怎么找到这个对应关系的。所以，这是一个“黑箱”操作，但是抓住非线性关系的能力很强。

第六，人工智能技术在信用风险预测方面的应用。以前我在摩根大通和贝尔斯登工作过，做过信用风险方面的模型开发，信用卡行业也普遍用这个神经模型做系统风险预测模型和信贷审批模型，资产证券化产品的价格也受底层违约率和提前还款率的影响，人工神经网络本质也是一种统计模型，20 0 8年次贷危机的时候，贝尔斯登、摩根大通银行的信用风险部门也开始利用非传统统计模型即神经网络做一些预测，而且我们当时在2007年底的时候预测房产抵押贷款的违约率会急剧上升，我们就用了这个网络模型，结果的确是发生了。

最后，人工智能技术在消费银行业市场划分方面的应用。人工神经网络在算法交易训练的时候，比传统的统计分类模型有一些优势，人工神经网络解决传统统计模型的两个问题，一个是不需要事先知道有几个划分区域，它是根据数据特征找到有几个，而不需要事先知道有几个，而且也不需要设立起始的区域中心。比如花旗银行的消费银行业务，全国有2 0 0万的消费者，去分析消费者的数据，然后做一些市场划分，我肯定很难事先知道我有多少个划分区域，我只能根据实际数据来划分。根据这些实际客户的消费特点来进行市场划分，事先我还是不知道的，而且消费人群的特点也随着时间有变化。所以，神经网络与传统统计模型肯定是有一些优势，它提高了花旗银行消费银行领域的市场划分准确度，进一步提高了各个划分领域中的风险管理实践。

人工智能技术的角色与目标

这里可以再提一下金融与科技交叉，即人工智能技术在证券投资领域创新和发展的方向。我觉得可以分几个层次：第一个是算法交易执行的创新。智能代理的算法交易系统，能够更高效地按照定制化需求，执行涉及组合或者一篮子资产的下单命令，智能代理交易程序可以轻松同时跟踪成百上千只不同的证券标的，同时反馈订单执行情况。跨市场或者跨品种的定制化交易需求能够轻松实现。

第二个是投资策略产生的创新，投资策略的生产模式由大规模人力转向大规模人工智能机器。由于计算机能力的大幅提高以及平行分布式计算的广泛应用策略开发的时间大大缩短，结合大数据，机器学习的强大挖掘能力将会开发出以往无法发现的“新认知”和新策略。未来10年大部分初级分析师的工作都可能会被智能算法所取代。

第三个是资产配置效率的创新。基于大数据的人工智能的应用，可以显著提高资本市场的深度和宽度，人工智能代理会以人工智能无法比拟的速度、效率和海量计算捕捉任何交易机会，这样的话市场的有效性会大大提高，资本市场有效配置资源的功能将得到很好的发挥。将来很多套利的机会越来越少，因为出现套利机会计算机马上就自动发现了，就像美国一样越来越难做套利了。

第四个是金融行业结构的变革。由于人工智能技术的专业性、复杂性提高，将衍生出新的业态。比如量化技术背景的智能信号服务提供商开始为金融机构提供定制的信号。这个在美国已经有了。有一些专门做量化交易信号，要么就提供给投资银行，比如投资银行里面股票做市；有些衍生品做市就需要一些交易信号来做一些判断，到底做市的时候要百分之百对冲还是对冲一部分，提高他的判断能力；还有一些小的技术公司提供交易信号，说我这个交易信号很好，可以赚钱。我给你提供这种交易信号，你要赚了钱我们怎么分？

现在也出现了很多非常有针对性的专门做智能交易信号的提供商，跟这些对冲基金的合作越来越多。还有提供大数据服务和大型计算服务平台的运营商将会蓬勃涌现，证券投资行业涌现大量基于智能要素的新型业态。这个趋势是自动化越来越普及，智能算法也越来越多，这个行业肯定竞争也越来越激烈，但是很多初级分析师的职位也会被逐步取代。

人工智能的未来

我觉得人工智能的本性包括强大的计算能力、大数据、深度学习的算法，解决过度拟合的问题，还有人类专家系统，堆积起来以后就形成的人工智能。人工智能至少在现阶段还是为人类服务的，以前我觉得超越人类感觉上还是遥遥无期，现在感觉这个趋势还是有点加强，这个过程有点加强。

我们研究人工神经网络的，感觉它很有意思的一点，它模拟的是人脑神经元。人脑神经元有很多的节点，一个和一个连起来。它的学习过程很难解释，比如小孩学习练字、了解东西、考虑问题，自己训练自己，一开始不懂，但是多做一段时间以后就熟悉了。这个自我学习的过程，自己调节，脑神经元的权重在调整，调整几遍以后突然就明白了。这个过程到现在，人类也没有完全理解这个学习过程的内在逻辑，往往是反复考虑一个问题突然就学会了。

跟神经网络一样，弄了一个很复杂的就像深度学习一样10层的网络，这中间一层一层交联，然后中间调节它的权重，然后我看到这个问题输入和输出的关系，一开始琢磨参数，多看几遍、多考虑，突然就考虑清楚了，这个过程就是在模仿人脑的神经元原理。一开始，人工智能的发展方向哪怕就是“黑箱”模型，但是它能够抓住问题的实际潜在关系，特别是复杂非线性关系能抓住，它就对人类有帮助。

如果智能化发展到一定程度，我感觉也有可能哪一天你给它许多任务，假如它考虑问题越来越多，说不定有一天它就真的有智能了，因为它这个过程本来就是一个“黑箱”，一个模拟人脑神经元的过程。这个过程你可以把它看成一个非常复杂的统计模型，但是这个趋势确实有智能化的潜力，特别是真正提到人工智能，它不光为了完成一个特定的任务，它还有这个能力进一步优化或者扩展，或者它就知道下一步怎么样系统化地把这个事情做好，这可能是将来人工智能发展的方向。

本文为朱晓天博士5月份在南都公众论坛上的演讲，由南都评论记者王秀宁整理。