金融學如何應對人工智慧和大數據？

01-03

李開復說未來十年金融行業的從業人員很有可能會被人工智慧所取代，而人文、文化、藝術方面的領域人工智慧尚難以涉及。那麼還有學金融學專業的必要嗎？（本人正打算申請金融專業）金融學是否能和藝術、人文更密切的聯繫起來呢？
本題已加入知乎圓桌 ?金融科技浪潮，更多「金融科技」話題討論歡迎關注

這個話題非常有趣.

首先，在我看來在金融行業之中人工智慧取代人工的趨勢已經開始形成了，就在最近，全球最大資產管理公司BlackRock裁去了7名主動型基金經理，並用量化投資策略取而代之。BlackRock的創始人Larry Fink在接受採訪時提到，今後的投資會更多地依賴大數據、人工智慧、量化以及傳統投資策略中的因素和模型。

在過去十年里，指數型基金和ETF管理規模的增長速度遠遠超過主動管理型的公募基金。從這一點來講，公募基金經理正在面臨被逐漸被取代的事實。也許在真正的人工智慧時代來臨之前，許多金融從業者就被量化策略或指數型的基金和ETF替代了。

金融學與人工智慧並非兩個對立的概念，反而會有一個完美的結合。

我們假設一個理想情況，如果一個金融市場里的參與者全都是具備大數據能力的人工智慧，而人工智慧採用的都是經典的資本資產定價模型去定價，我們會發現這個金融市場一定是趨於完美的，就像金融理論所預測的那樣，出現一個完全理性且有效的市場。這就好比在真空的環境中同時扔下羽毛和鐵球，二者會同時到達地面。然而在真實的世界中，羽毛遇到阻力會讓羽毛在空中飛舞久久不能落下。從行為金融學的角度來看，很多時候人在市場中的行為就像是阻力，非理性行為使得市場中本該發生的事情沒有發生，或是本不該發生的事情卻偏偏發生了。

我想，隨著人工智慧在金融領域的進一步發展，市場上的定價會越來越準確，越來越能夠符合資產組合理論，或者資本資產定價模型等經典金融理論的預測。人工智慧會給整個金融市場的定價帶來一個全新的變化。

行為金融學與人工智慧的結合

機器或是人工智慧有兩個非常明顯的優勢。第一，它不會犯一些很簡單的錯誤。第二，它不會受到情緒的影響，在投資決策過程中最困擾我們的恐懼和貪婪，在人工智慧面前或許根本不是問題。如果用行為金融學的方法訓練人工智慧，最重要的應用方向就是要避免人類投資者常犯的錯誤如過度自信、心理賬戶、厭惡損失、羊群效應等問題。更重要的是，利用人性的弱點為自己獲利。

第二個應用方向，我認為應該是信息的甄別和篩選。人工智慧對於信息掌握的能力大大超過任何一個人類所掌握的量級。尤其是人類在處理信息時會有很大的限制，會有很多主觀的判斷最終導致了一個錯誤的決策。人工智慧可以完全克服這種主觀判斷的傾向，更多地利用那些真正會對資產價格有影響的信息。

第三個應用方向可能還是回到博弈，行為金融學在研究時，會把一個市場看成不同投資者類型之間的博弈。之前的研究方法是把散戶和機構投資者當成對立面來比較，但現在遊戲裡面又多了一個新的攪局者，如果把人工智慧、散戶和機構投資者這三者放在一起，幾種不同類型投資者之間的博弈，我想這也是一個很好的研究方向。

人工智慧會不會給市場帶來風險

人工智慧的應用會不會給市場帶來風險呢？我認為也許會有，大家都對2015年的股災非常熟悉，但是在30年前的1987年，美國發生了歷史上最大規模的崩盤事件，這次股災的一個很重要的原因，是華爾街大量地使用了的程序化交易，即「投資組合保險」策略。當期貨價格與現貨間的價差擴大時，自動觸發了期現貨套利機制，買期貨、賣現貨。也正是程序化交易的一致性，讓崩盤變得更為猛烈。我比較擔心的是，如果在一個特定時點。所有的人工智慧做出了同樣的判斷，所有的人工智慧都在集中的時間裡面賣出股票，會不會造成一次本不該發生的股災。

另一個風險點，也是人類普遍擔心的問題，那就是人工智慧會不會覺醒，它不願意跟隨操控他的人類去做事情怎麼辦？這可以類比我們的大腦，我們大腦在很多時候做的事，並不是為了人的最大的利益，而是為了大腦自己能夠更輕鬆，或者更高興地做一些事情。就像丹尼爾·卡尼曼在《思考，快與慢》中所論證的，我們的大腦在很多時候更傾向於採用一種快思考，這是一種便捷性的，但不一定準確和科學的決策機制。大腦之所以這樣做，一方面是為了增加整個決策的效率。另一方面，從腦外科學的角度來講，快思考比較節約能源，大腦不願意整天特別辛苦地工作，所以大腦給自己找到了一個偷懶的辦法。如果人工智慧真的有了自覺意識，所產生的決策完全是為了符合自身的利益，而我們人類又沒有能力察覺。我想這是非常危險的。關於這一點的後果，我們在許多科幻片里已經見識到了。

人工智慧時代，或許還很遙遠。或許人類會發明一個我們無法駕馭無法理解的新物種。就像alpha go戰勝人類頂尖棋手之後，與之對弈的棋手都驚嘆人工智慧對於圍棋的理解已經超出了人類千年以來的經驗範疇。我很期待在人工智慧與金融學全面結合之後，會產生出一種全新的金融理論，也許到時候行為金融學所研究的，是人工智慧的行為了。

謝邀。確實，當我們現在在搜索引擎輸入人工智慧或者金融這樣的關鍵詞，大家會看到很多與此有關的新聞報道和媒體評論，比如我們會看到人工智慧讓華爾街深感不安，對沖基金將會用人工智慧收割市場如此這般。人工智慧確有傳統金融無可比擬的優勢，那麼還有沒有學習金融學的必要呢？

我們先來看一看人工智慧的優勢到底在哪，微軟亞洲研究院副院長劉鐵岩博士和微軟亞洲研究院資深研究員謝幸博士都給出了自己的答案。

劉鐵岩：人工智慧驅動金融產業技術變革

微軟亞洲研究院副院長劉鐵岩博士在大會上從量價數據分析，文本數據分析，知識圖譜及推理，以及預測、模擬與決策等方面，簡單闡述了人工智慧將為金融領域帶來什麼樣的創造力和智慧。

量價數據是股票投資里非常重要的信息源之一。通常，投資經理會按照經驗從量價數據的時序序列中尋找時空模式，以此來預測股票的漲跌，並決定何時買入、賣出股票。但這種根據經驗的模式抽取，一定會受到個人因素的限制，很難有最優性的保障。所以這時，我們可以利用人工智慧技術，依託大數據尋找更加客觀、有效的時空模式指導投資，並且微軟研究院在與此相關領域內的研究成果也將大有用武之地。

比如，在時序序列分析方面，2016年底，來自微軟研究院基於深度神經網路的語音序列識別技術，首次達到了人類語音識別的精度；在二維的模式識別方面，由微軟亞洲研究院發明的ResNet技術更是率先地超過了人類的圖像識別精度，並獲得了2015年ImageNet比賽的冠軍，成為了圖像識別領域首選的演算法。微軟的人工智慧模型設計經驗配合上華夏基金豐富的金融知識積累，我們一定可以為量價數據分析任務設計出高效的人工智慧模型。

除了量價數據，文本數據也在金融投資中扮演著重要的角色，我們通過對文本數據的語義分析，主題分析和情感分析，可以預測市場對於一個行業或一個公司的預期，甚至可以去預測股票走勢的拐點。

然而，對海量文本信息進行分析並非易事，簡單的統計工具、或者標準的分類和主題模型，可能會遇到巨大的挑戰。比如，當我們要分析的數據包含千萬量級的詞表時，相應的分類模型體量可能過大，而使訓練時間非常長，甚至長達百年；當我們要對文本數據進行超細粒度的主題分析時，比如要分辨出上百萬個不同類型的主題，則可能需要上千台伺服器，運行幾周到幾個月的時間才能完成任務。

但這些看似不可能完成的任務，在微軟亞洲研究院的面前，卻變得可行。微軟擁有能夠處理千萬詞表的新型循環神經網路LightRNN，以及可以分析百萬主題的人工智慧模型LightLDA，再通過微軟的Multiverso參數伺服器進行分散式部署，我們就可以用一個只有幾十台伺服器的小型計算機集群，對海量文本數據進行超細粒度的實時分析，在信息獲取和利用方面獲得巨大優勢。

除了這些原始數據外，在投資時，我們常常需要根據各種金融事件、以及金融實體之間的邏輯關係進行推理。這時就會遇到兩個問題，首先，如何構建一個可靠的、信息豐富的金融知識圖譜；第二，當我們擁有巨大體量的金融知識圖譜時，如何進行高效的分析和推理。

微軟亞洲研究院擁有目前世界上最高效的知識圖譜索引和分析的開源引擎，有了這種引擎的支持，我們就可以對巨大體量的知識圖譜，進行實時的分析推理，使很多隱藏的高階因果關係浮出水面，給投資經理的決策插上理性的翅膀。

依據前面的人工智慧技術構建投資方案之後，投資經理還需要根據市場的反饋不斷地對投資方案進行調整。這個過程中，如何對市場的反饋快速響應，以及如何對金融市場其他參與者的行為進行精準建模，將成為致勝的利器。在這些方面，微軟亞洲研究院獨樹一幟的前瞻性決策技術，如對偶增強學習和博弈機器學習，將會幫助投資者獲得巨大的先發優勢。

以上我們提到的人工智慧演算法都需要強大計算平台作為支撐，微軟研究院擁有目前世界上效率最高的人工智慧平台——CNTK（微軟認知服務工具包）。在多項第三方評測中，CNTK不管是在單機的訓練效率，還是集群的並行訓練效率上都表現突出，力拔頭籌。

把前面提到的來自微軟研究院的優勢演算法和人工智慧平台與華夏基金投研團隊的領域知識相結合，我們將共同打造一個由人工智慧驅動的全新的金融投資框架。這個框架裡面會包含很多新的組成部分，比如端到端的因子提取與動態複合技術，基於金融知識圖譜的推理模型，以及基於增強學習和博弈機器學習的自動化交易和資產配置策略等等。當然，想要在這些課題上取得突破性進展還需要深度的研究。比如金融市場環境開放，存在信息缺失、隱藏等問題，將給建模造成困難；市場規律動態變化，非平穩，將對人工智慧模型的預測能力提出挑戰；金融市場存在多方複雜博弈，且規模較大，將增加建模和分析的難度；黑天鵝等重要事件的小概率本質，不易用大數據、大樣本方法預測；高頻交易數據量大、實時性強，對人工智慧計算平台將提出額外需求，等等。不過我們對於攻克這些難題持樂觀態度，而這些挑戰的存在也正凸顯了我們和華夏基金進行戰略合作研究的深遠意義。

謝幸：用戶畫像與聊天機器人，打造個性化金融服務

用戶畫像就是根據用戶每天在各類社交軟體上產生的大數據合集，給用戶打造一個更加個性化的環境和服務。而微軟希望能夠通過用戶畫像，更好地預測用戶的風險偏好，理解用戶的理財目標以及用戶對資金的需求，以此幫助金融機構給用戶設計更好的產品和服務。

在金融領域，我們常常需要了解用戶的風險偏好。但現在一般是用問卷的方法，根據用戶的問卷回答計算結果。然而這種方式在心理學專家眼裡存在很多問題。

一方面，用戶其實對自己並不是非常的了解，很多時候打分的標準很模糊。再就是很多用戶會因為沒有時間或者覺得這個不重要，就粗略地完成問卷，因此，這時我們拿到的結果就會有非常大的「噪音」。

要解決這個問題其實很簡單，所使用的方法在心理學中叫做行為測量，其實就是我們去觀察用戶，通過用戶的行為自動分析他的性格。這其中，可以用到微軟亞洲研究院的LifeSpec跨平台用戶行為數據集。

而在最近的工作中，基於心理學家的「大五人格理論」，我們提出了一個「大五人格推測模型」，通過集成不同來源的用戶數據，針對每個維度的數據設計有針對性的計算特徵，最後用集成學習的方法計算一個更加準確的大五人格。將這一方法應用在金融領域，不止是風險偏好，也許我們還能知道這些性格特徵會怎樣影響用戶的購買行為，從而更加準確、成功的推薦金融產品/服務給用戶。

此外，微軟亞洲研究院還有一個工作是個性化的聊天機器人。我們希望打造一個聊天機器人，類似金融服務裡面的智能客服。一個人類客服在跟客戶進行交流時，他通常需要了解用戶，站在用戶的角度考慮怎麼樣幫助用戶解決問題，如何通過更合適的交流方式，來實現用戶想做的事情，比如購買金融產品，或者推薦一些用戶想要的理財工具。而我們則希望通過聊天機器人這項技術，為用戶打造私人定製的金融顧問。

綜上，人工智慧存在的優勢確實非常突出，但在現階段，人工智慧還只是金融的一種輔助工具。同時我們可以發現的是，無論人工智慧到達何種出神入化的地步，擁有金融學專業知識和背景是必要條件。只有人工智慧和金融學雙向發展，才能取得「1+1&>2」的雙贏效果。

———這裡是回答結束的分割線————

以上回答摘選自微軟研究院AI頭條，金融行業如何藉助AI重新定義投資的疆界。

感謝大家的閱讀。

本賬號為微軟亞洲研究院的官方知乎賬號。本賬號立足於計算機領域，特別是人工智慧相關的前沿研究，旨在為人工智慧的相關研究提供範例，從專業的角度促進公眾對人工智慧的理解，並為研究人員提供討論和參與的開放平台，從而共建計算機領域的未來。

微軟亞洲研究院的每一位專家都是我們的智囊團，你在這個賬號可以閱讀到來自計算機科學領域各個不同方向的專家們的見解。請大家不要吝惜手裡的「邀請」，讓我們在分享中共同進步。

也歡迎大家關注我們的微博和微信 (ID:MSRAsia) 賬號，了解更多我們的研究。

金融的定義是什麼？從商學院的角度看，金融包括corporate finance和capital market。經濟學院說的金融學和金融是有關係，但完全是另外一回事兒。從機構的角度它包含從前台到後台一系列的職位。

每天面對海量的數據，我首先要說的是，不是每家公司都有資格搞大數據。數據其實都是錢買來的，在說自己搞大數據之前，先自查一下，有沒有這個資本可以合法的說。從海外的司法實踐來看，很多中國所謂大數據公司的數據來源是值得商榷的。

其次，我比較欣賞這個問題里的「人工智慧」，還好沒用「機器學習」。說通用一點，現在金融工作的發展目標還是流程自動化，用透明的演算法，確保工作流程的一致性，避免人為決策的不一致，說到底還是Operation Risk的管理，碼農多了，這個問題就解決了。

哪怕現在有人工智慧，那些可以被代替的還是比較低端的工作。那些程序還是要懂金融的人去編寫（或者在金融專業人士的主導下讓碼農去編寫），所以現在學金融的必須懂幾門語言，這也是CFA最新加入FinTech的一個主要原因。

下面我說說我的工作，來切身回答一下金融如何應對人工智慧和大數據。我的工作需要每天面對超過5萬個OTC金融產品，光訂購每天的交易數據公司每個月要花50萬歐元。我的職位處於Quant和Analyst之間，確保兩個小組的有序溝通。為什麼？因為Quant是數學出身，不懂金融; Analyst又不會編程。

對德國留學，歐美投資，金融大數據有興趣的同學歡迎來我的知乎提問

不請自來。

在現實生活中，人工智慧（包括機器學習和深度學習）的目的是通過演算法來學慣用戶的習慣偏好。用戶用的越多，AI對用戶就越了解，這也可以看作是大數據的一種解釋。

實際上，AI已經完完全全融入我們的生活中了。就拿推薦系統來說，它是根據用戶的購買記錄來推薦首頁展示的商品。只有不斷獲得大量的數據輸入，AI技術可以輸出個性化的結果，這樣會讓很多事效率更高，步驟也更簡單。

在2017年，人工智慧和金融推出了很多相關的結合成果，包括人工智慧的主題基金，以及基金管理的人工智慧代理人等。相信在2018年，隨著AI技術成本的逐步降低，AI技術會在金融領域的更多方面發揮作用，可能包括銀行和信用機構。

金融背景的數據，可看作是多源異構數據，要利用AI來分析數據，來做出預測性的決策，在不同的應用場景中了解消費者行為，並更好地理解內部資源如何運作。這個過程本質上是數據分析，發現必要的信息後找出最優解。

結合實際，講講AI在金融學領域可能的四個趨勢。

1.檢測並防止欺詐

檢測欺詐的主要工作是看一個賬戶交易記錄是否異常。

目前來說，檢測原理是看賬戶內交易發生地是不是距離持卡人居住地很遠，或者在短期內出現多筆購買記錄。

不過，為了逃避檢測系統，欺詐都以更細微的方式進行。防欺詐團隊都會經過專業的訓練，去發現這些更細微的可疑交易。引入AI技術後，就等於給這個團隊一個工具，數據的處理會更快更高效，準確率也會大幅提升。

2.智能客服

AI未來可以做一線的客服，當前已經有初步應用。

AI驅動的聊天機器人（計算機模擬人類的對話方式）已經可以處理大量的基本問題，這樣就可以把人類客服的時間釋放出來，去解決更值得關注的問題。

這種類型的支持，對於用戶來說，也可以縮短他們等待電話人工客服的時間。隨著AI系統慢慢學會把諮詢問題中的細微差別歸類，它的客服支持能力就越來越強，能回答的問題面更廣，回答的精確度也越高。

3.以用戶為中心的創新

新產品或服務要怎麼要吸引現有的和之前的用戶？

分析了大範圍的數據之後，AI技術能夠找出哪些產品能夠有針對性地吸引到單個用戶，有效激勵他們參與積分活動，增加用戶的貸款機會等等。

比起胡亂推薦一通，這種定製化的推薦可以給銷售部市場部提供更個性化的方案，增加用戶的信任度和滿意度。基於用戶需要去推銷，對他們來說，就不再是種打擾，也能獲得用戶更多的關注。

4.內部運作

銷售市場團隊管里客戶關係的一個軟體，Salesforce』s Einstein公司就是個很好的例子。

這個AI系統把客戶的數據吸收處理分析後，學會給內部做推薦，把通知按重要程度劃分等級，或者預測銷售數字。

這證明了對外的AI平台可以用來服務內部的運營。除了市場部，其他部門也可以利用這個平台，比如人力資源部，法務部。

人力資源部可以用對外的AI平台來統計基本的對內詢問的信息，或者處理內推簡歷，法務部可以用AI平台來核對合同的準確性。

未來已來。即使是小型的金融機構，也該研究一下AI技術可能帶來的業務改進。

感謝閱讀。

以上回答部分摘選自「量子位」 @量子位，歡迎關注，了解最新的人工智慧產品和技術新趨勢。

這是一個比較大的話題，同時涉及到了大數據和人工智慧兩個部分。孫志超老師已經從大數據角度談了一下現階段的發展對於金融行業的影響，作為一個在金融服務類公司從事AI相關的工作的人，我想從AI方面談談對於金融行業可能有什麼影響。

上一個我不成熟的結論：

金融學是一個複雜的學科，在短時間內，很難被AI完全替代。在利潤率較高、數據結構化較好、問題定義明確的一些方面，AI會大行其道。在不同金融領域的AI如果都能發展到一定程度時，或許能加速整個金融產業的AI發展。

在現階段，金融公司所面臨的數據結構化需求遠遠高於大數據要求。大量的歷史數據還並未電子化，甚至現階段大量金融公司新產生的數據都還屬於不規範的格式。

對於金融人才來說，這個時代需要專精金融且能和計算機從業者順暢溝通的人才。同時金融學的進一步發展也需要專業人才繼續探索。因此金融完全是需要繼續學的，但有所側重的補充計算機知識可以為個人和社會帶來更大的價值。

對於金融機構來說，有目的和計劃的在合法的途徑下收集、購買、或生成相關數據將會為未來企業發展帶來巨大的優勢。對於大型的金融機構/研究機構，應該繼續加大在AI領域的投資，從內部培養跨金融和AI領域的人才，即使在短時間內不能產生直接利潤。

1. 人工智慧在金融學中的應用：

大量的機器學習模型已經被用於金融實踐當中，比如利用機器學習進行風險預測或者假賬/錯賬檢測。更多的例子可以輕鬆的通過搜索引擎獲得，如「人工智慧+財務」。比較值得看的的行業動向包括各大金融服務類公司發布的展望，比如高盛去年年底發布的人工智慧展望，機器之心有翻譯其中的重要部分。答主本身也在隨著人工智慧的進步，財務工作者會大批失業么？該如何應對？ - 知乎用戶的回答 - 知乎中提到了我們正在開發審計AI的進展與展望。

2. 為什麼AI不能完全替代金融學的各種模型？

A. 無法很好的用AI來定義一個金融問題

現階段比較被商業化廣泛應用的機器學習還是監督學習，而監督學習要求有明確的問題定義。現在看起來很有希望的強化學習，遷移學習等還並不能大規模普及應用。

以簡單的監督學習為例，如果你想建立一個模型來預測企業併購是否會影響公司股價，那麼你需要提供大量併購數據，以及併購後股價是否發生了變動。理想情況下，在收集足夠多的併購消息和股價變動信息後，做自然語言分析後提取特徵放到機器學習模型裡面就大功告成了。

然而在實際情況中：我們無法給出明確的問題定義和邊界。如果想用AI來來制定一個股票交易策略，那麼需要考慮進去多少因素？僅僅只考慮併購消息就夠了么？越多的相關的因素越可以提高模型的擬合性和準確性。如宏觀政策和微觀的具體情況都會影響到股價的波動，漏掉其中哪一個都會造成一定的影響，往往是多多益善。在這種情況下，每個問題都需要大量人和數據來支撐，這也是為什麼大量用AI來預測股票走勢的探索都無疾而終的原因。

現階段或者可預見的未來，在很多問題上不會出現這種明確的定義和範圍。

B. AI從業者和金融從業者缺乏有效溝通

在很長的時間裡面，計算機和金融學之間的聯繫相對比較薄弱。作為一個CS背景的人，我個人對於金融/經濟學的理解還處於比較膚淺的狀態，只理解基本的概念和原理。同樣的，金融服務類從業者又缺乏對於AI模型和統計的了解。因此使用AI來推動金融學發展需要大量跨領域的人才，至少需要兩個方向都懂的項目經理。

C. 金融領域缺乏足夠的大數據和人工智慧人才儲備

人工智慧的火爆，或者說06年Hinton論文後帶起的深度學習的老樹開花，並沒有來得及為行業儲存大量的專業人才。不難看出，大量一流AI/ML人才還是被互聯網公司一網打盡，(Hinton在谷歌Lecun 在FB)留給金融服務類公司的人才並不多。以我們公司舉例，各國分公司的Chief Data Scientist 基本都不是計算機/統計/數學背景出身的科學家。

D. 投出產出在現階段不成正比，短時間內難以獲得收益。在這種情況下，每個問題都需要大量人和數據來支撐。因此研究探索型的、不能產生利潤的方向很少有公司來投資AI來進行研究的。換言之，有財力提供AI研究的金融公司不多，小型的金融機構或者學術機構又缺乏資源（資金，技術人才，數據積累）來進行相關係統的研究。

E. 技術性的難題還包括很多，比如AI在金融領域應該以什麼樣的模式存在？是一個軟體，一個網路服務，還是一個機器人。在大量需要與客戶溝通的領域，人機交互以及如何生成內容也是繼續探索的領域。

3. 金融公司開發AI需要什麼樣的數據？

需要結構化的數據，至少是電子數據。像上面第二點A和B中談到的，金融領域的大數據化，甚至是數據結構化都還有很長的路的要走。以審計為例，很多公司還有大量的票據都不能無紙化，更不要提AI能夠消化的電子數據了。前一陣子我司開發一個面試AI，但是並沒有原始數據可以直接使用。於是我們讓12個剛入職的員工花了一周時間把我們保留的面試視頻逐字逐句的轉譯到文字+特徵，整個過程苦不堪言。

因此對於金融公司從現在起就應該繼續大力推進數據電子化，在數據價格便宜的時候從其他公司購買數據。或許在不久的將來，數據的價格將會高到不可企及的程度。

4. 為什麼還是要繼續從事金融學研究？如何有所側重的學習？

金融領域的AI化最需要的不是AI專家，也不是金融學者，而是懂AI的金融從業者。如果現階段各行各業都因為人工智慧火爆而轉向這個方向，只會看到AI泡沫破滅後整個社會的一片狼藉。我們需要各個領域專家來告訴AI從業者行業的痛點，我們需要項目經理來領導各行各業的AI化。

對於已經從業的金融工作者，掌握一些基本的軟體操作技能，遇到新的系統能很快上手，就可以了。至於專門花時間來學CS，甚至AI/ML，是不大必要的。畢竟最終留給金融從業者的入口不是數學模型或者代碼，而是封裝好的軟體/APP/機器，不會要求過高的理化背景。更何況AI/ML的學習要求如線代統計概率等很多基礎數學基礎，自學起來的時間成本很高。

對於正在選擇專業方向或者轉型的年輕人來說，繼續學習金融，探索未知的領域是一條正道。如果有條件的話，多吸收數據科學方向的知識，甚至可以讀一個數據科學的副學位或者雙學位。AI時代說到底，我們只要抱著開放的心，選擇迎接新技術，成為最能接受改變那一小部分人，是永遠都不會失業的。歷史只會淘汰那些選擇對抗，停滯不前的人:)

回答的相關問題：

外行應屆畢業生找數據分析工作多難？ - 知乎

隨著人工智慧的進步，財務工作者會大批失業么？該如何應對？ - 阿薩姆的回答 - 知乎

十年後，人工智慧和機器學習會迅速取代金融和數據分析師嗎？ - 阿薩姆的回答 - 知乎

不務正業的回答：

四大諮詢第一年應該怎麼著裝？有哪些服裝品牌可供選擇？ - 阿薩姆的回答 - 知乎

假設機器人有了自己的思想的，身為創造者的我們該以什麼樣的態度去對待他們？ - 知乎

在這裡跟大家分享一份易觀的人工智慧金融報告。

人工智慧之前專欄已經提過了，來說下大數據吧。

追根究底，大數據會成為熱門名詞，並不是因為出現了什麼新穎的數據分析理論——統計學早在公元前五世紀就已經被發明，而大多數現代使用的統計分析原理也都在十九世紀以前就已經完備。大數據突然熱門起來，主要還是因為在互聯網和物聯網時代，數據的收集遠比從前來得容易，量跟質都有顯著的指數成長。而隨著機器學習在硬體和軟體上的突破，收集來的大數據（似乎）變得能夠分析了，也更進一步助長人們對於「大數據理想國」的想望。

以現階段來說，我認為大數據的「商業效用」仍然處於混沌不明的狀態。我這裡所說的「商業效用」包含了正確而客觀地理解分析結果，並能制定和執行有效的策略。以市場學來說，當然是意圖在於提高（難以捉摸的）品牌價值、銷售數字以及利潤，以金融來說則是產生高於指標的、經風險調整過後的回報率。

這裡我們觸及到大數據最大的弔詭：大數據看似處理的是冷冰冰的數據，但其目的卻是活生生的人類商業行為。後者受到各種人類非理性的本質所影響，冰冷的數據有時候有助於去除這些非理性本質而讓市場或者金融專家看到問題核心，但有時候卻會把本來就是非理性的一團混沌誤解成有秩序的假模型。

首先最根本的風險就是數據的正確性。當能取得大量的數據時，人類往往會產生錯覺，以為這些數據比少量的數據更接近真實。

以市場學來說，傳統上市場調查是聘請市調公司在街頭上或是商場里，不厭其煩地請路人們填寫問卷或者回答問題。這樣的調查成本非常高，以致於樣本空間往往相對有限，分析出來的消費者群體或者傾嚮往往帶著較大的置信區間。進入網路時代後，突然間收集問卷結果變得相對容易了，樣本空間隨之迅速擴大，反映在數據分析結果上就是「置信區間」迅速縮小，也就是數據分析結果變得「更可信」了。但就像傳統街頭問卷有著消費者的答案不盡然與自己的消費行為相符合的問題，網路問卷所得到的結果也不見得跟事實相符合，尤其不管在電腦或者手機上，消費者的注意力都是發散的，便宜行事隨便勾選的狀況很普遍，這部分不見得能通過問題設計有效篩選。但不管正確與否，樣本空間變大是不爭的事實，因此而誤以為自己能更準確掌握消費者行為的市場專家大有人在。

金融上就更不用說了，以股票來說，除了股價和交易量可以由金融市場上「準確而即時」地得到以外，公司的營運數字和產業相關數字大多充滿模糊性，而且往往延遲甚久才能取得。事實上就連股價和交易量都不見得能視為「正確資料」——因為根據隨機漫步理論，市場交易價格只有在長期才會符合基本價值，短期會受到各種不明因素的影響，因此股價是典型的「準確」但不見得「正確」的數據，收集再多也不見得能協助投資人做出好的投資決定。

數據的另一個明顯風險是「客觀性」。在市場學中，問卷的設計就很容易受到主觀的影響，根據這樣的問卷收集到的資料就算「正確」，也就是說消費者認真憑著良心回答，恐怕也無法協助市場專家做出客觀的結論。

在金融上，「客觀性」更是專業投資人每天對自己耳提面命，卻常常很難達到的一個聖杯。事實上為了達到「客觀性」，金融理論要求從業人員對每一個投資的決定都進行統計學上的「假設檢驗（hypothesis testing）」，而且還得從很不直觀的「備擇假設（alternative hypothesis）」去驗證，才能回頭陳述直觀的「空假設（null hypothesis）」有多少可能性為真。但事實上是當市場在長期多頭，連傻子也都可以賺錢時，這些檢定大多會成功確認假設的正確，當市場崩潰導致假設被否定時，從業人員往往會傾向將市場崩潰當作是意料之外，在這樣的心理操作下，「客觀性」其實是完全不存在的。

數據的另一個風險是讓人產生「一切都在控制中」的錯覺，由於1.1比1.09多了0.01，因此我們感覺對於這兩個數據有了更深的理解，如果1.1比起1.09是我們更想要的結果，我們會傾向去找出可以讓1.09變成1.1的其他數據，並設定策略去影響那些數據。

但是，不管在市場學或者金融理論中，都存在著「相關程度（correlation）」和「因果關係（causal）」的渾沌。有時候數據分析出來會讓人以為是因果關係，但有可能只是相關程度而已。

經濟學家李維特舉過一個讓人印象深刻的例子：根據研究顯示，家中藏書超過一定數量的家庭，青少年在高中的學業表現較為優異。對於渴望「控制」的人性來說，可能會輕易達成「藏書多」代表「青少年讀書多」因此「學業成績優異」的結論，並建議家長以「藏書」做為可執行的策略。但李維特說經過其他數據交叉分析，他們發現藏書多的家庭多半父母受過高等教育，平均智商也較高，因此這些家庭的青少年學業成績較優異，可能只是遺傳了較高智商並且在較優渥的環境下成長而已。如果家長真的以為買很多書就能夠讓小孩「贏在起跑點」，那只是平白便宜了印刷百科全書的出版社而已。

另外一個大數據的明顯風險：如果大家都擁有一樣的大數據，那麼就沒有人有相對優勢。——這正是現在股票交易最大的挑戰。過往只有付費給彭博社安裝終端機、或者在紐交所擁有席位的專業投資人能夠擁有即時的價量資訊，但隨著網路的發達，大多數的使用者都能免費獲得足夠新的資訊，有興趣獲得歷史資訊的也可以用有限的代價訂購遠比彭博社便宜的服務，例如標準普爾的Capital IQ。在這種背景下，再加上演算法交易軟硬體成本的大幅下降，讓上市股票交易速度越來越快，價量越來越透明，套利空間則越來越小——大家都有的數據是無法給任何人帶來優勢的。

最後一條，並不是所有的數據都是可以轉換成策略執行、進而換成鈔票的。一般消費者最熟悉的大數據應用是谷歌、百度、臉書、微博、微信、領英、亞馬遜等，這些平台使用大數據提供更準確的產品和服務給不同的消費者，但前提是這四者都早就超越臨界質量，可以直接從它們大量的用戶身上拔羊毛。大數據的創業者則大多得把自己的服務架在這些主流服務上，寄望能分一杯羹。問題是這樣的商業模式有嚴重的平颱風險，而且要說服用戶付費得花上更大的功夫。

這大概也是為什麼截至目前為止，大數據相關創業公司里除了「處理大數據」的商用軟體如Tableau和Atlassian以外，很少有其他已經成功的例子。

總結來說，大數據理想國雖然並非遙不可及，但在經過十多年的討論和炒作，我們似乎並沒有離它更近。對於在乎人性的正常人來說，這提供了一些安慰，證明數據無法取代人。而對於大數據產品來說，在一開始就想清楚自己在價值鏈的位置，可能遠比產品的準確度和效率重要也說不定。

謝邀。金融其他分支不了解。但是就交易這塊來講，人工智慧、大數據什麼的都不可能代替人腦，大數據只是信息來源，人工智慧只是執行人的策略，都是工具。策略需要人才能完成。人工智慧最多完成標準化、量化的部分，也就是未來很可能低端操作部分就由人工智慧來完成了。

不請自來，感謝這個問題將金融和大數據聯繫在一起。

人工智慧不了解不誤導答主了，事實上金融學和大數據為何一定要應對呢？擁抱大數據的金融學，一樣還是需要像題主這樣的金融學祖國棟樑的，並且通過大數據可以更好的服務於自己的行業，將底層的工作模板化，脫身去做更高端的工作，不是一件好事么？

我有一個比較某金融公司真正使用數據分析工具解決了某些相對共性的問題的事例，可以給題主分享下，希望能有所啟發~

場景一：與工單系統結合，還原真實用戶操作，高效化解客戶訴求

對於金融行業而言，保障用戶的每一筆資金安全與穩定是至關重要的。在金融企業內，任何與充值、提現等與錢關聯的行為，一旦出現問題會影響到用戶的體驗度和公司信譽，都會對企業發展造成很嚴重的負面影響。

某金融公司（隱去）使用工單系統進行客戶服務，包括用於客戶支持與幫助服務，處理與解決客戶事物請求等。工單被送達至目標服務台之後，主要處理流程包括：響應客戶請求——聽取客戶反饋——反饋給技術人員——技術人員查詢情況。

然而在整個過程中，客服人員做出一切判斷和安排的來源，都是客戶的描述：用戶進行了哪些操作？出現了哪些異常情況？等。然而，從響應客戶請求到處理請求，單純依賴客戶口述會因各種原因造成信息不準確，延長客戶服務周期，極易引發客戶不滿。

圖1 用戶行為序列

現在該金融公司通過數據分析平台還原真實用戶操作。例如，大數據分析平台的個人行為序列能夠查看用戶的具體操作行為。除此之外，還展示出每個行為事件的特定屬性，如每個介面的回調結果，失敗原因等。這樣可以客服人員迅速發現問題，第一時間給予客戶合理解釋，快速解決客戶問題。達成以下效果：

第一，可視化用戶行為操作，避免因用戶描述含糊不清或錯誤，而延緩客服操作周期；

第二，及時定位異常情況，提升客戶體驗與企業公信力。

場景二：數據驅動定位最佳開屏主題

該金融公司採集了每個頁面的 ID 及該頁面上的所有按鈕 ID 和按鈕名稱等相關屬性，用來了解用戶在 APP 上的每一步操作行為。在該金融公司APP 開屏頁會向金融用戶展示一些營銷信息或者活動信息。在 APP 運營初期，產品經理認為用戶對「資金安全」的需求要遠遠高於用戶體驗。因此在開屏活動頁面上會展示出「專業資質」、「多國牌照」等內容，以傳遞品牌安全感。

通過數據分析發現，3 月 15 日至 3 月 30 日的用戶的轉化率為 2.29% ，結果並不理想。

圖2 針對「資金安全」主題的開屏頁面的轉化率情況

圖3 推出針對高收益頁面活動頁面後的用戶轉化情況

後來嘗試推出針對以「高收益」為主題的活動頁面，並經過漏斗分析發現，針對高收益的開平頁面的轉化率會更高，高達 14.05%。因此通過數據而非人員的主觀判斷去設計產品，這是一次較為成功的改版行為。

除此之外，依託於豐富的用戶行為，在其他產品細節點的優化上，同樣拋棄了人員主觀判斷的方案，依靠數據來說話，通過設計兩種或多種方案，通過事件分析、漏斗分析等分析模型選擇更優的方案。

場景三：打造用戶分群、精準推送、效果反饋的全流程精細化運營體系

高居不下的獲客成本，增加客戶粘性且延長客戶的生命周期價值，是各互聯網金融企業最為關心的問題，該金融公司也不例外。高效、便捷地給用戶精準推送內容，以喚醒沉睡客戶是十分常見的營銷方式。通常包括以下流程：

設定活動主題和目標——定位營銷目標人群——將營銷內容觸達目標人群——觀察推送的效果是否達成目標。以下是該金融通過神策分析平台的一次營銷活動。

第一步，篩選出「高意向用戶」。

在用戶分析模塊的「用戶分群」功能頁面，以條件篩選方式定位目標群體。例如，為「喚醒」 2017 年 1 月註冊且瀏覽過徵信頁面（通過分析發現，用戶瀏覽徵信頁面後，後期的留存率較高），但未進行投資的用戶，為鎖定目標人群，可在用戶分析模塊的「用戶分群」功能頁面做如下圖操作。

圖4 在「用戶分群」功能頁面，篩選營銷目標群體

第二步，向「高意向客戶」用戶群體，進行信息推送。

通過用戶分群功能將這部分人篩選出，可以通過簡訊或者站內彈窗的形式通知，並向該群體推送信息，以刺激其投資。

圖5 用戶分群後，實行站內推送

第三步，推送效果評估。

在完成信息推送後，運營人員可以在大數據分析平台進行多維度分析，實時展示推送後效果。如該互聯網金融客戶完成精準推送後，用戶可在投資流程轉化漏斗中再次查看用戶轉化情況，評估推送或者產品優化效果。

圖6 被推送人群與未被推送人群的總體轉化率情況對比

如圖可見，對「高意向客戶」完成精準推送後，整體轉化率高達 24.69%，而未進行推送的人群轉化率為 16.34%，說明這是一次較為成功的精準營銷。

這個案例其實告訴我們，大數據可以幫助金融公司處理很多的問題，而這並不會威脅到學金融的同學的核心工作。希望對題主有所啟發哈~

最後介紹一下彩蛋，近期 2017數據驅動大會邀請到了業內小有名氣的短融網CTO、原農行互聯網金融開發部負責人楊夏耘，可以關注下大咖怎麼說~

看到這個題目我只說一點：

原來AI才叫量化……

看來我做的一定是假的quantitative finance

（乖乖學Deep Learning去）

感覺只是低層次的金融從業人員會被取代吧，例如二級市場的交易員這樣的。因為二級市場現在的交易真正賺錢的基本就是做盤的莊家、有內幕的人、少量散戶、以及量化分析的人。把計算機學習能力放到建模中，其前景也很大的。金融是個萬金油，但如果你真的想做的特別優秀，感覺其他方面的專業素養有時更重要些。以上是一些粗淺的見解，還望有更多專業人士來回答

從前啊，在蒼茫的衣阿華老鎮，有個男孩叫Fin，有個女孩叫Tech，在舞會上，Tech炫酷的舞姿征服了所有人，也包括富家子Fin。

Fin開始追求Tech，但是Tech心懷遠大，她不想成為金籠子里的鳥，她要去加利福尼亞獨立高飛。

後來，Fin默默的娶妻生子，紮根在老土的故鄉，經營著家族的生意，偶爾聽到Tech的消息，她成功了，她上報紙了。Fin甚至偷偷去洛杉磯看過她，但是沒說幾句話，就被記者擠出了後台。後來又聽說，她婚姻不大好，她打官司了。

終於那班密爾沃基特快把Tech帶回來了，衣衫襤褸的Tech滿目愁容帶著一口破皮箱回到了衣阿華老鎮上。聽說，有更年輕漂亮的新奧爾良姑娘搶了Tech的頭牌，還搶了她的丈夫。

Fin第二天去Tech家看望她，兩個人默默地握著手，沒說什麼。

有時候我們也會很擔心，未來會不會被機器人打碎飯碗。

在人工智慧按照科幻電影里的出場方式介入金融市場之前，我們總是充滿期盼、也充滿了憂慮。這種不安全感，源自於我們對自身工作里很常見一些缺點的洞察。

a.交易員的自我情緒管理。我特別想將這點作為首要元素考慮，因為我的理解里人工智慧和人類最大的區別在於前者並沒有人類天然的情緒和心理感知。我記得我們學堂的學員，經歷一段接近2周的大行情期間，面對起起落落、升升跌跌的價格，看到自己的錢在賬戶上一會兒變多、一會兒變少，內心都是一直在掙扎「要不要現在平倉」。估計變成人工智慧操作交易的時候，應該會非常堅定地按照預期的止盈止損點位操作吧。「人性的弱點」，我想人工智慧會很有針對性地克服。

包括股票投資、貴金屬投資或者大宗期貨，我想特別是到高門檻交易的市場里，人工智慧應該會備受投資者青睞。

但是這樣一來，市場的參與者就會完全變成理性投資者，也很難想像一幫機器人參與的市場會是怎麼樣的變化。或許所有我們現在在交易分析、技術分析的模型都會在那時候的市場上實現，變得非常工整的走向、趨勢。但是人工智慧還是會代表人類意志的吧？

b.數據理解。像最近法國大選，團隊沒日沒夜都在研究選舉的走向。但是人類始終沒有辦法量化評估，法國大選在多少具體的概率上、對黃金走勢有多少具體幅度在哪個走向上的影響。我想人工智慧應該有充分的數據理解能力，比如說法國大選勒龐勝出的概率是63%、會在所有事件中對金價站上1290美元有22%的貢獻概率，那麼在整體建倉比例可以控制在xx%…… 假如我們對世界的理解都擁有了數據化的支持，那麼事實真的會按照預期劇本發生嗎？

c.博弈。一個充分完整的市場總是由許多持不同預期的參與者組成，這個集合構成了目前人類無法理解的無限多組的博弈。假如人工智慧能夠理解數據、能夠作出基於數據學習的理性判斷，那麼市場的博弈是否會演變成兩種主要單邊力量的博弈？

借用攻殼機動隊的開場字幕：

如果我們信奉的神，還有我們追逐的希望，只不過是科學的量化，那麼我們的愛，是否也將科學化呢？

比起應對，我想我們現在、這一代人更加應該花時間思考的，是我們需要人工智慧實現什麼。

p.s

我不是科學家，只是一個金融從業者。

----

微信公眾號：bowenthink

從金融方面的經典方式，沒有模型經典方式的機器來做。你在電腦裡面收集一些已知來源的數據，比如個人的信用卡交易結果，他們是否歸還了信用卡欠款？還是違約了？我們把這些信息收集之後，創建一個預測的分類器。對於新的用戶來說，收集他們的數據，預測他們是否會違約，以及基於他們過往的交易，決定給他們多少額度。這也是基於電腦的決策樹、深度神經網等技術來實行。一旦建立了分類器，客戶有新的事件你就可以來應用了。

相比人類的專家來說，我們認為AI非常有價值，可以以非常低的成本做出預測，這是一個典型的、深度學習的架構。在座的各位可能對公司分析來說，都會知道一些基本內容。中石油，你想對它的股票進行分析，你看它的基本面、看它的交易、市場、相關風險等等，你要預測他們的財務結果。利用AI，對於個人也可以進行分析。非常重要的就是多少人可以被模型使用。我們可以對每個人進行分析，收集他們生命周期的靜態變數，他們的生日、教育、婚姻、子女、工作、住所等，這些參數和變數，可能對他們的金融行為都會有很大的影響，來幫助我們進行預測。比如他們是否會搬家，子女的教育是什麼樣的情況？他們還有幾年才退休等等，這些人們生命事件，可以影響每個人的金融交易和他們未來的金融模式、金融行為。我們對於每個人可以建立這樣的金融模型，我們也可以進行預測它的金融交易結果，來知道他們的金融交易、他們的賬戶、金融的流向、貨幣的兌換，當我們收集到這些數據的時候，我們看到這個人做了這個交易，就可以監測這些數據是否是真實的、是否是合理的。這種方式的優點，就是我們可以通過收集的數據來解釋決策。我們不能提供給你這個理財產品、不可以給你提供借貸，你可以解釋給他們為什麼不可以這麼做。

這也是我很關心的問題,先試著回答一下。推薦這本書：《大數據時代——生活、工作與思維的大變革》，裡面的視角只是對我來說很新穎。

關於大家對大數據的懷疑主要集中在正確性和因果關係的闡述上。我想就這兩點結合書中的觀點解釋一下。

1．不可否認隨機採樣成為現代測量領域的頂樑柱。但這只是一條捷徑，是在不可收集和分析全部數據的情況下的無奈選擇。它的成功依賴於採樣的絕對隨機性，但這在現實中是很難做到的。而且也不適合考察子類別細分的情況。如果我們可以獲得海量數據的時候，它就沒有什麼意義了。

書中還提到，大數據時代可以讓我們收集所有的數據，即樣本等於總體。比如Google流感趨勢預測並不是依賴於對隨機樣本的分析，而是分析了整個美國幾十億條互聯網檢索記錄。這無疑可以提高微觀層面分析的準確性。

而且大數據是可以允許不精確的。精確性是小樣本模擬時代的要求。大數據是用概率說話。而這一點更符合市場走勢的本質。大數據的簡單演算法比小數據的複雜演算法更有效。

2．關於因果關係：對未來的預測更多地依靠相關關係，如果能找出價格上漲與什麼相關並監控這些相關因素就能及時的判斷價格走勢了。它告訴你會發生什麼而不是為什麼發生。如果真想研究原因，那可以交給學者慢慢探索。但在瞬息萬變的市場中，

而且因果關係是否真實存在還是人類臆想出來的，在心理學界和哲學界還有待商榷。不過這不是這個問題的重點。

3．從現實情況來看，在金融領域，美國股市三分之二的交易是由建立在演算法公式上的計算機程序完成的。這些程序運用海量數據來預測利益和降低風險。書中還提到英國對沖基金用Twitter數據預測股市投資時機。

所以我覺得李開復的說法跟這本書的觀點是基本一致的。但是也不用悲觀，學習金融，了解市場運作和投資也不一定就要去做交易員或分析師。懂得經濟學知識幫助自己理財也是很重要的。而且Big
Data和AI在對人類非理性領域的威脅幾乎還沒看到。索羅斯說過股市就是騙局，在謊言大行其道時，要把自己投入其中，並在別人醒來之前及時抽身離開。我覺得這麼深的哲學思考應該不是Big
Data能了解的。

誰說的。google 不是現在做畫都有畢加索風格了嗎？

蟹妖

這是一個很大的問題，底下的問題其實可以分為：

1. 金融學和金融行業的關係

2. 金融學和人工智慧的關係

3. 金融行業和人工智慧的關係

感覺題主提的問題更關心的其實是人工智慧對金融就業的衝擊，也就是第三個問題。

但是吧金融行業很大，投資、交易、行研、投行、風控以及後台的清結算等等都算作金融行業，不知道題主感興趣的是哪個方向。

就國內目前的情況來說，數據發布的頻率、真實性、可比性、全面性等等人工智慧賴以生存的根基都不完善，金融衍生產品發展滯後，甚至不足以支撐量化對沖策略的運作，所以人工智慧對國內市場短期不會造成什麼影響。

更何況，對於行研、投行等崗位來說，更重要的是財務知識，跟金融學其實並沒有太大的關係。

至於有沒有學金融學的必要，如果你立志為金融事業進步加磚添瓦那太有必要了，畢竟目前大多模型都還存在一定的缺陷，金融市場中也存在許多難以被模型所解釋的行為。但是如果你的目標只是進入金融行業工作，那其實學個數學，學個會計，學個計算機，也並不比學個金融差。

這個時代令人興奮又令人期待，多少顛覆，有可能就被淘汰，也有可能順勢而為。

從一個角度來說目前量化交易也就是AI 雛形，在股票期貨行業面前AI肯定會被kiss 掉。因為機械式操作也有機械操作的弊端

李不懂金融，不懂交易！交易本身就是藝術！