1
編者按：Ewan kirk 是Cantab Capital Partners的CEO和總裁，本文他發表了自己對AI在金融行業未來應用的觀點，同時也預示了AI對人類未來生活的影響。
在過去兩年里，人工智能，機器學習，深度學習和大數據在金融領域的應用一時間備受各大媒體和頂級會議的青睞。但是，這預示著下一個科技前沿，還是說只是一時引起轟動的“萬靈藥”？我們不妨引用一條廣告語：“我們聽到了煎牛排時的“滋滋”聲，但是，請問牛排在哪里？”
人工智能的研究由來已久，但是，大多數投資者對待AI的觀點多是受到媒體報道的影響。迷失太空中的機器人，2001年HAL 9000: 太空漫游，終結者中的天網——這些媒體的比喻潛移默化地影響著我們對AI的認知，以及AI將對人類的生活產生何種影響。我們夢想（或者擔憂）著，在商業交易中，一臺HAL 9000計算機將坐在我們身旁。
當我們點擊鼠標購買股份時，HAL9000會大聲告誡我們：“戴夫，我認為你不應當這樣做”，或者當我們即將犯錯時，它會將我們鎖在交易室外面。Robert Harris 2011年圍繞這一主題創作的小說《恐懼指數》，最終以戲劇化的結局告終，意味深長。也許，一些聰明的計算機科學家能夠插上電源創造出這樣的天網金融界（Skynet Finance），在不毀滅人類的前提下，在科學家為掐掉電源之前，這種天網金融將實時理解每一份金融信息，獲得更多的盈利——當然，這些構想都將建立在科學家積極的意圖之上。
不過，遺憾的是，AI在金融領域的應用尚未帶給大家如此多的欣喜。盡管AI技術和深度學習已經取得了重大的成果（其中最為顯著的成果是今年早些時候在圍棋游戲Go中的應用），當AI遇到專業性問題時，總會出現令人不甚滿意的結果。首先，AI目前在各個領域的應用是基于一個特定的目標實現的——例如，“在游戲中獲勝”或“根據Netflix用戶的喜好，為其推薦電影”。當然，這兩個例子不屬于AI在金融領域的應用，而且金融目標經常是微妙而復雜的。在擲一次硬幣就能夠確定百分百盈利和以你全部的資產做賭注這兩個極端中尚存在很多沖突，約束條件，目標多樣化。
其次，金融行業充滿隨機性。在圍棋游戲中，只有一個對手，而且這個對手一次只能落一個棋子（具有高度約束性）。盡管Google的DeepMind項目不僅僅能夠從當前盤面預測出各種可能發生的結果，每次合法落子的機率依然很小——存在很多信號與噪音。然而，在金融行業，由于買者與賣者的意愿具有隨機性，30中貨幣的幣值、50中商品、10,000只股票，2,000中債券的價格都會隨之波動（甚至有時波動時間可以以亞秒計算），而背后引發這些金融產品發生變化的可能是機器本身。這僅僅涉及到價格的波動——AI技術帶來的人工智能機器將給金融界的新聞，金融設施與大事件等等帶來的影響是我們所不能預見的。金融行業到處充斥著噪音，但是，沒有太多精確的行業信號。
AI研究領域對智能的經典測試手段當屬圖靈測試：當通過郵件與一個潛在的AI機器進行交流時，倘若你不能夠辨別出對方非人類，根據定義，可以判定這臺機器是智能的。盡管在過去20里AI研究已經取得了突破性的進展，要使AI產品通過圖靈測試仍然需要做出很多努力。的確，即便是最為樂觀的研究者也不會認為AI能夠逼真地模擬一條正常的狗狗，更不要說是人類了。難道會有人想要在交易過程中自己的狗狗逃脫繩子，到處亂跑嗎？
在金融界，當人們談及AI，他們通常指代的是機器學習。在某種程度上，一個簡單的移動平均交叉系統就是一個機器學習系統——當短期移動平均線位于長期移動平均線下方時，該模型會學習到市場價格走勢趨低，交叉線將變短。
通常情況下，機器學習要比上述所舉的例子更為復雜。我們有大量的技術能夠從大型數據集中提取結構和規則，最為重要的是，能夠隨著數據更新，更新規則。這種貝葉斯方法是多種機器學習的核心方法，我們通常也會采用這種方法。但是，這不是一顆神奇的子彈。我們不可能隨意使用一種神經網絡或貝葉斯網絡分類器，并在某一隨機時間序列數據中訓練這種網絡或分類器，以此獲得盈利。從金融數據中提取動態規則是復雜而艱難的——當然，這也將保證統計員在短期內不會丟了飯碗。
有一個強健地基礎理論做支撐，我們將在大數據，機器學習甚至人工智能領域取得更多的進步。從早期AI在金融行業的應用實例，我們可以得出以下結論：一直以來，金融業為數據所主導，AI想要在金融行業大顯身手還得靠機器學習與大數據做支撐。（編者按：由于AI在金融行業未來應用的分析，我們可以推知：AI在人類生活中的應用應當具有目標多樣化和可控制性，要實現這一目標，研究者還要做出很多努力。）
本文由雷鋒網獨家編譯，未經許可拒絕轉載！
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
