硅谷入侵华尔街，人工智能如何无情蚕食了高薪职位？

创新工场董事长兼CEO李开复曾公开表态，未来十年，80%金融从业者会被人工智能（AI）取代，纯数字领域的金融，是AI最好的应用领域之一。

彼时，摩根士丹利已全球裁员1200人，瑞信对伦敦1800名员工发出裁员警告；在200名计算机工程师的支持下，自动化交易程序已接管了高盛纽约总部大多数日常工作。目前AI在金融领域的热度前所未有，甚至被神化。

人工智能在金融领域的应用，究竟会带来怎样的变革？《21CBR》专访了北大汇丰商学院副教授朱晓天博士。

加盟北大汇丰前，在美国华尔街、新加坡、香港和中国内地金融投资行业，朱晓天有超过16年的研究和投资经验，曾担任中信证券DeltaOne指数化衍生品业务的高级副总裁。

朱晓天博士

以下是关于此次分享的整理，温馨提醒，有大量专业术语：

中信证券的实践

在中信证券时，有相当长一段时间，我负责场外衍生品及管理融券池的增强收益工作，高峰时的融券池规模达到80个亿，是市场最大的，当时我主要兼顾两部分工作：

首先保证和增强融券收益。由于融券池是多空对冲的，需要定期调仓，以保证它有额外的Alpha收益（绝对收益）。

考虑到本身资金成本和后来的基差贴水成本（产生于指数期货远期合约价格低于现货价格时），还需通过多头的融券获得收益。另外，加上Alpha策略的收益，才能获得足够的增强收益，以保证业务正常开展。

其次是DeltaOne场外衍生品业务。我们会跟一些较大的机构客户来合作相关业务，有大量的需求，尤其目前市场监管较严，去杠杆为主，整个机构业务对场外衍生品的需求增加。

当场内标准金融产品无法满足特定需求时，他们不得不用场外的方式来做，就是定制化的过程。

DeltaOne主要是线性的，后来我们拓展到非线性的，以场外的工具来做一些综合解决方案。以此维护与大型机构客户的合作关系。

我们日常主要提供和设计相关的解决方案，不管是线性、非线性的，还有各种标准产品，需要将它们组合在一起来解决客户的需求。有的时候，一单可以上百亿，小的也有几千万。

其要求也相对较高，由于每一单都是相对定制化的，落地的过程中要持续不断地沟通，包括内部各个部门和外部客户以及合作方。

一旦客户开始签署场外的协议，又涉及到场外协议过程中的相关尽调、流程、风控等等很多的细节。

主要挑战来自于市场监管的情况随时在变，很多时候一些解决方案，在本来政策环境下可以操作，随着监管政策的变化马上又得重新调整。

看起来内容繁琐，我们的产品设计组，只有5、6个人。

智能投顾的真相

我有一个朋友在纽约从事衍生品交易，现在被机器直接替代了。本身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。

德意志银行的衍生品交易采用人工智能模型，提高了预测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，交易员就可以直接裁掉了，这是一个趋势。

AI在国外金融行业的应用趋势比较明显。在国内，大家知道这是个热点，也仅限于概念比较热而已。

在算法交易方面，中信证券在行业内应该算数一数二的，同时也在不断地改进，而算法交易中用到的大数据，也是人工智能的算法。

在国内一些券商陆续推出了机器人投顾的产品，在我看来，暂时只是一个热门的概念而已目前媒体上比较时髦的AI其实有狭义和广义之分。

狭义地来说，很多大数据自动化过程也用AI来指代，比如市场上推出的机器人投顾，除了名称时髦外，核心是个自动化的概念，只要输入一些相关的风险收益偏好，以及投资者特定偏好，可以马上根据模型测算出来。

但是，真正的人工智能要更有扩展性，可以独立思考，独立扩展，比如在算法交易或者独立开发策略的时候，能够自动更新数据，自动寻找比较优化的策略方案。

一般说的智能投顾，是指大类资产配置，例如私人银行的角度：根据客户或者个人、机构、客户风险收益偏好决定各类大类资产的配置比例。

通常可以直接做成一个系统，可以操作与它交互，达到自动进行资产配置的结果。这个系统除了核心的资产配置模型外，主要是一个自动化+专家系统的部分。

就我了解，国内一些私募机构用人工智能的方式，集中在两个方向：一是直接用人工智能开发策略；还有一类是下载GoogleSource人工智能算法的源代码，对其策略库进行筛选，因为市场情况随时在变，就用人工智能算法来动态筛选一些适合当前市场的最佳策略组合。

人工智能这个概念很火，有些系统仅仅实现了自动化，也称为人工智能。例如信用风险管理系统，待其自动化后加入一些专家系统，就被称为人工智能，属于比较初级。

但它可以取代一些初级分析员的工作，取代日常的重复性工作。真正要做到智能化，比如说开发量化策略，其实可以用到很多人工智能算法。

人工智能的一个现实应用就是策略开发中的策略筛选，另外，是用机器人投顾做大类资产配置，FOF（基金中的基金）里面的大类资产配置和产品业绩筛选，都可以考虑这种自动化的配置方式。

人工智能在金融的应用主要有两个方向，一个是预测，一个是分类。预测为线性的时间序列预测，比如一段时间以后，KUKA机器人维修，市场涨还是跌；分类主要应用在评级、信用风险评估等方向。

金融之所以作为AI一个突破口，是因为数据多，样本足；也正因样本过多，金融市场价格的确定机制含有很多随机过程。如何避免样本内训练的过度拟合，是要解决的问题。

相对传统操作，使用人工智能技术的成本也相对较高，当然也取决于用到哪个程度。海外在IT技术开发的投入非常大，比如瑞信。

美国的投行可能会把公司利润的1/3、1/4拿来做技术开发，实际上是跟硅谷在抢人，支付的成本非常高，一些计算机专业的高学历毕业生，即使没有经验，做程序员的职位也可以拿到超过10万+美元的起薪，仍然不易留人。

这类技术人才感觉在华尔街只属于辅助类，www.zr-kuka.com，去硅谷就有机会加入到一些潜力巨大的独角兽公司。

招聘技术人员开发各种算法交易策略成本非常大，回报也不小。例如，摩根大通银行直接开发关于法律法规及风控应用方面的自动化系统，该系统几秒钟就可以做一般后台人员花几十万小时做的事。

这是一个竞争激烈的市场，这类公司的优势慢慢会显现出来，带动整个行业的趋势走向。海外投行这方面的发展非常迅猛。

相对来说，中国公司比较急功近利，在技术方面不愿意投入太多。大家觉得这概念很好，这个说法热，蜂拥而上，应用大数据加上一些简单的自动化，就称为人工智能系统，背后可能仅仅是一个简单的流程自动化系统，其中的差别挺大。

AI的两大软肋

从技术本身看，AI经过这么多年的发展，应用场景和框架有了较大发展，而它的核心优化算法并没有天翻地覆的变化与十几年前人工神经网络的优化算法相比，其实没有革命性的改变。

人工智能的深度学习方法，可以识别非常复杂的非线性关系，非常适合在金融市场和投资领域的应用，也有两个主要问题：

首先是黑箱问题（所谓黑箱，就是指那些既不能打开，又不能从外部直接观察其内部状态的系统，比如人们的大脑）。不同于传统的回归或者参数模型，很容易解释预测模型的逻辑原理。

比如告诉你哪些因子与价格变化是紧密相关的，以及相关程度的强弱；机器学习通过复杂的多层神经网络，挖掘输入输出数据之间的内在关系，预测准确度上有很大提高，但没有直观的归因解释力度。