您好， []|
十九大后，金融监管政策的趋势是什么？
北京大学光华管理学院教授、北京大学经济政策研究所副所长颜色认为，十九大后，“去杠杆”仍将持续，金融监管将更加协调一致。实现人民币资本项目可兑换的趋势没有改变，但何时达成何种目标需要全盘考虑，资本项目开放应让步于防范金融系统性风险。
颜色 北大光华管理学院副教授，北大经济政策研究所副所长以下是采访实录界面：怎么理解货币政策和宏观审慎政策双支柱调控框架？未来一段时期，货币政策的基调预计将如何？宏观审慎方面，还有哪些政策可以期待？颜色教授：“双支柱”的提法，我觉得主要是对从去年年底到目前为止，一个货币政策和监管政策调整的阶段性总结，是对未来一个框架性的指导意见。货币政策方面，除了今年年初几个月货币供给降得比较厉害以外，随着杠杆率上升速度放缓，货币政策其实已经进行了调整。在稳增长和防风险的双重目标下，我觉得央行现在就是强调精准和及时调控，更好应对经济增长基本面以及金融市场的一些要求，而不能简单地说收缩或者扩张。宏观审慎政策框架方面，未来肯定还会继续完善，可能还会有新的指标加入。但是具体哪个指标很难判断。我觉得应该是在实践当中，根据相应情况进行调整。另外，根据我个人的理解，前段时间，针对同业理财等比较严重的问题，出现了一波“疾风暴雨式”的监管收紧，目的是为了遏制金融杠杆快速攀升的势头，防止系统性金融风险发生，其中有些是三会紧急采取的临时性措施。在宏观审慎框架下，未来央行领导成分可能会更多，一些政策和监管措施可能会更加常态化、规则化，金融监管体制可能变得更加协调一致、与时俱进。界面：相比十八大“完善金融监管，推进金融创新”的表述，“守住不发生系统性金融风险的底线”成为十九大报告的一项重要内容，怎么理解这个变化？颜色教授：我觉得主要有两方面的考虑，第一，“两个一百年”的目标很明确，只要中国经济保持中高速增长，实现这一目标不成问题，但前提是不发生系统性风险。第二，我们在快速的金融创新过程中确实暴露了很多风险，一些金融创新导致了过高的杠杆率。以前我们担心外汇市场、担心房地产市场，归根结底担心的还是债务问题。我们面临的问题在某种情况下来说，就是偿还过去高速增长过程中积累的债务。这种情况下，去杠杆就是防范系统性金融风险最好的办法，政策的着重点也应该回到如何去杠杆这个问题上来。此外，推动多层次资本市场健康发展也是防范系统性重要风险的一个重要组成部分。界面：十九大期间，中国人民银行行长周小川提到了“明斯基时刻”，您如何理解？颜色教授：从现实角度来看，中国短期内发生“明斯基时刻”的可能性很小。从中长期来说，中国会不会出现“明斯基时刻”，谁也不敢保证。以债务为例，不存在到了哪个指标，金融市场就一定会崩溃的情况。因为各个国家情况不一样，中国本来协调能力就非常强，央行对于商业银行承担更多的责任和义务，从这点来说，短期内大家都不会有太大担心。问题是，如果不改变增长方式，在通常的定义下，杠杆率就会一直爬升，这涉及到另外一个最近比较流行的词叫“灰犀牛”。周小川行长提“明斯基时刻”，我的理解是，一是为了提醒大家，我们过去一段时间在房地产市场和金融去杠杆等方面可能采取了一些比较强硬的手段，任何手段都有成本，比如效率的损失是否合理、是否符合市场经济原则，这些都可以讨论，但是在当时那种情况下，我们遏制住了杠杆率快速上升的速度，因此，这些措施是合理的。第二，更是说明一个态度，即“去杠杆”还是要做，货币政策总体还是会偏紧。现在距离改革成功还差得很远。信贷增长驱动经济的模式在中国还没有得到根本性改变，接下来改革任务还相当重。界面： 十九大报告没有像十八大报告一样再提“逐步实现人民币资本项目可兑换”。这个我们应该怎么理解？另外，结合“守住不发生系统性金融风险的底线”来看，这是不是意味着，汇率市场化改革也要在以“不发生系统性金融风险”的前提下进行？颜色教授：人民币资本项目的开放趋势并没有变，但是否一定要在什么时候达成什么目标，需要全盘考虑。过去几年的实践证明，在这方面还是应该审慎一点。资本项目开放、放开国际资本流动等方面，应该让步于防范系统性金融风险。长远来说，我们已经在这方面迈出了很大的步子。一个是人民币被纳入国际货币基金组织特别提款权(SDR)货币篮子，另外，虽然人民币最近几个月在国际支付中的份额有所下降，但总体来说，双向流动规模还很大，监管部门也做了很多措施，鼓励国外资本流进来。我觉得决策层可能会对过去做一些反思，比如说“8?11”汇改、关于跨境资本流动的监管和审批体制，还是应该避免出现一出现风吹草动，就一窝蜂的行为。界面：在对外开放方面，十八大明确提出“培育一批世界水平的跨国公司”，十九大则更强调“大幅放宽市场准入”，更加偏向“引进来”的方向。您怎么看待这一变化？颜色教授：没有提并不意味着不要培育。十九大报告也提出，创新对外投资方式，促进国际产能合作，形成面向全球的贸易、投融资、生产、服务网络，加快培育国际经济合作和竞争新优势。这时候着重提市场准入，我觉得更多还是针对十八大以来中国经济出现的一些新状况做出的回应。第一，从数据上，外商直接投资(FDI)增速降得非常明显，而“走出去”规模上升得比较快。第二，我们确实需要引入高科技的新兴产业，但是以前吸引外资的优势如低成本劳动力等正在慢慢消失，在这种情况下，引入负面清单等制度性的政策安排就显得更加迫切和重要。界面：十九大报告明确提出“扩大服务业对外开放“，此前国务院39号文也提出进一步减少外资准入限制，具体提到了银行、证券、保险业对外开放，要明确对外开放时间表、路线图。在外资持股比例方面，现在有一种说法，就是除了0%、50%和100%这三个限制的突破，其他相对来说意义不大。以银行业为例，如果持股比例限制不能由现在的25%提高到50%，对外资会有足够的吸引力吗？颜色教授：吸引力是毋庸置疑的。因为这个对它来说是投资回报，不见得一定要获取控制力。如果股票有很大潜力，那当然是要买的。回顾中国银行业改革史，也没有说要给谁控制权，只是人家很乐意持有你的股票。中国的经济增长空间仍然非常大，里头可做的事情非常多，只要资源配置得当，可以获取的回报依然是非常丰厚的。如果中长期看好中国经济的话，控制不控制无所谓。控制的目的也是为了回报更多，运行更好，但即使给50%的股权，就能够控制得住吗？金融业涉及到国计民生，国家对金融业的把控力是非常强的。而且，金融资产规模太过庞大，一下从25%放开到50%，尺度太大。可以小步快跑，以渐进的次序，适度逐步地开放。当然不能一下停好久，这未免过于谨慎。我觉得不见得需要放开到50%，放到35%也未尝不可。界面：近年来，外资银行在华业绩持续下滑，零售金融业务的困局始终未能摆脱。您之前也在外资行工作过，您认为问题主要出在哪里？颜色教授：政策上有一些限制，但我觉得更多是外资行自身的问题，即不够本土化。垂直管理的模式对于外资银行进入中国市场有很大限制。从管理上说，中国的银行都是矩阵式管理，包括横向和纵向，但外资行都是非常严格的垂直管理。举个简单的例子，外资行行长和国内银行行长完全是两个概念，外资行行长权力是相当受限制的，因为全都是垂直管理，每个部门只听本部门的话，但是位于新加坡的部门总部就一定了解中国的业务状况吗？外资行的优势主要还是在业务方面，比如外汇、债券、财富管理以及金融衍生品交易，这方面做得不错，但是体量和规模上没办法和国内的银行比。而且很多业务是联系在一起的，比如说财富管理、外汇交易跟基本的银行业务是联系在一起的，没有基本银行业务如存款等，人家不会特地跑到你那边去做外汇交易。国内金融机构规模庞大，网点众多，业务水平也在迅速提高。所以外资行在这方面吃亏比较大。更多精彩内容欢迎搜索关注微信公众号：原子智库（AtomThinkTank）
版权声明：本文系腾讯财经独家稿件，未经授权，不得转载，否则将追究法律责任。
北大光华管理学院副教授，北大经济政策研究所副所长
微信扫码 订阅专属投资管家
Copyright & 1998 - 2018 Tencent. All Rights Reserved删除历史记录
　----
相关平台红包
为什么智能金融的机会并不在于“帮人挣钱”？
作者：之家哥
摘要：网贷之家小编根据舆情频道的相关数据，精心整理的关于《为什么智能金融的机会并不在于“帮人挣钱”？》的相关文章10篇，希望对您的投资理财能有帮助。
《为什么的机会并不在于“帮人挣钱”？》 精选一Kensho智能本文共12192字，预计阅读时间6分6秒日，美国研公司Kensho被标普全球以5.收购，这是迄今为止，华尔街最大规模的人工智能公司并购案。Kensho模式将给国内智能金融行业带来怎样的启示？「甲子光年」特此采访了被认为对标Kensho的智能金融公司文因互联创始人鲍捷博士。他以Kensho为切入点，阐述了自己在摸索两年后的深度思考。一直以来，智能金融行业的一个痛点是，、投顾和投研，被证明并不能直接提高交易的“回报率”，即不能直接帮客户挣更多钱。高和实际情况之间的落差，影响了客户的付费意愿。两年前，一个千亿人民币规模以上的资管公司总经理曾问鲍捷：第一，你现在立即、马上就能帮我挣钱吗？第二，你立即、马上，就能帮我比市场上其他人挣更多的钱吗？在得到否定答案后，这位经理问：那你们搞智能金融还有什么意义？在这篇文章中，鲍捷博士则将细致阐述一种反常识的新思路——智能金融的切入点，一定不是，离交易越远越能落地。他认为，Kensho 不会取代任何交易员、或分析师，想坐在Kensho这类智能系统上躺着赚钱是不切实际的。智能金融系统目前真正的价值，不是直接帮人挣更多钱，也不是省钱，而是通过人工智能建立起金融机构的大规模自动化系统，让监管、银行、等决策行为减少对个人经验的依赖，从而减少人员流动对机构的冲击，建立新型的协作系统。智能金融当下在中国真正的合理路径是：由零件的标准化导向“大工业金融”，其本质是金融信息处理过程的（部分）标准件化。把金融信息和，才是智能金融系统最大的价值所在。以下内容系文因互联CEO鲍捷博士智能金融沙龙23期演讲：中，哪些部分真正具有AI属性？人工智能到现在已有60年的发展历史，经历过几次低谷，我入行20年以来，也已经历过两个小低谷。总体来说，人工智能总是处在媒体的两极分化中：一会儿说人类要毁灭了，一会儿又说人工智能是骗子。尤其是去年，“人类要毁灭”了的新闻到处都是，但从今年以来，各种反思乃至否定的文章也开始出现。以下的新闻是几个神化人工智能的例子：一个是说高盛的交易员要被人工智能取代了。另一个是说35岁以前，如果还一事无成，你还能去哪？最后一个新闻最令人恐慌，用了一个非常夸张的词，“人神共愤”。这到底还是不是人工智能？要判断一个应用是否具有AI属性，不考虑科学论证的严谨性，一个直观的判断标准，看里面是否有、知识图谱、自然语言处理等成分，如果没有，其实它更多的是传统的自动化。回过头看这三个新闻，第一个并不是人工智能。因为交易本身是一种执行，并不涉及策略的形成。当然交易也分低级、高级，现在真正被替代的是一些机械的，已经既定的策略。与其说是人工智能替代了这些人，不如说是数据库和网络替代了这些人。第二个技术其实是会计的自动化 。德勤等很多会计事务所都推出了过程的自动化、财会的自动化，这些技术很难说是人工智能。最后一条关于Kensho，Kensho的的确确是人工智能。从数据层到表现层，最后到策略层，是人工智能的一个综合应用，比如Kensho有一个很大的知识图谱部门。大约从2013年、2014年开始，新一代真正的人工智能系统开始应用在金融领域，所以人工智能确实是在改变这个世界，改变这个行业。但它真能做到人神共愤的层面吗？Kensho 能做到什么？Kensho 是一个日语词，意思是“见性”，明心见性——大彻大悟，醍醐灌顶。其实本质就是三个字——“相关性”。领域兴起后，其核心想法是，与其去发现因果性，不如把数据积累起来，寻找事件和资产之间的相关性，以及事件对价格、特别是价格长期趋势的影响，这就是 Kensho 提供的主要服务。Kensho 推出的最主要应用，是 Warren 搜索引擎，或者说决策引擎。它能在一分钟内，完成过去分析师要做几个小时甚至几天的工作。首先， Kensho 的底层是一个很大的数据库。两年前，它是9万个数据集的数据库，在此基础上有各种事件、价格和基本面。下图是一个（Exchange Traded Funds ）的基本面研究，数据包括：ETF里包含哪些资产、各类资产比例、它们最近的趋势……像这样的数据，Kensho有成千上万个。在这之上，Kensho要做一个趋势性研究，即判断一些特定事件和之间的长期相关性趋势。以下图为例，是在讲欧洲的整个资产相对于英国的贸易之间的相关性，这是一个很长的图，下图只截取了前面一段讲述相关性指部分。第二个例子是原油（见下图），在某一种价格变动后，WTI原油的表现一周内会发生什么变化？这也是各种指标和指标之间的相关性。所以Kensho里不仅有，也有各种大宗资产、第三个例子是事件影响分析，下图描述了2000年以来，春节对资产的影响，由此可以决定我们的策略。“事件影响分析”也是 Kensho 在新闻里最常见的一个卖点。第四个例子是长期趋势分析，下图描述了2010年恢复以来，每年9月三大指数（标普、纳斯达克、道琼斯）的表现。Kensho有非常多的数据切片的分析。2016年美国大选结束后第二天Kensho就推出一个图，预测共和党**上台后，会对资产有什么长期影响。各种相关性的比较，可以想象出无穷种组合。第五个例子是一个策略：如果在超过一桶后买入，5天后卖出，从历史预期来看，能得到什么样的回报率？像这样的简单策略，也有无穷多种组合。对一个初级分析师来说，要做以上这些事，他要去收集数据、整合数据、自己做相关性分析，还要画图。Kensho 则可以一分钟内完成这些以前要几小时，甚至几天才能做完的事。从这点来讲，华尔街有些人会“人神共愤”，是可以理解的。以上几段截图有些是取自电视节目，这是因为在 Kensho早期，它的商业模式之一就是给媒体提供分析。另外一个模式是为高盛这样的机构提供获客、留客服务。因为券商作为一个服务机构，会通过向客户提供投研能力，吸引更多交易发生在自己的平台上，从而提高分仓佣金，Kensho 从当中可以分得收益。这个模式在中国能不能复制成功？到目前为止还没有先例。5.5亿美元，贵吗？上个礼拜，Kensho 以5.5亿美元被标准普尔收购。我认为5.5亿美元是一个合理的价格。其实两三年前，大家对 Kensho 的预期远远高于5.5亿美元。三年前的一个报道指出，如果广泛加以应用，那么 Warren可能会撼动长期以来，被彭博社、汤森路透所垄断的260亿美元的金融数据市场。看好Kensho的观点认为：如果Kensho 的产品最后能够研发成功，金融机构的分析师和研究人员将面临灾难，面对更快、更好的机器人分析师，他们毫无胜算。Kensho创始人在一次访谈中提到，在推出Kensho 系统后，有人给他打电话：你这个叛徒，如果你发现了这种关系，你就用这种关系去交易，但你不要公开它，你公开它，就导致大家都没法交易了。但创始人很坚定地说，我们自己不下水做交易，我们要做成千上万家金融机构决策的提供商。事实是，5.5亿美元的价格，从某种程度上说明，上述预期并没有达到。我也找到了一些针对Kensho的反方观点，这些观点不一定正确，但是非常值得思考。第一个说法是，彭博可以很容易地复制Kensho，而且可以做得好100倍。我在咨询彭博的同学后，感受是，彭博在短期内，还做不出Kensho。第二个观点来自高盛的朋友。有一段时间，Kensho与高盛有密切合作，但高盛的朋友说，这些年来，他并没有看到 Kensho 做出什么牛逼的东西，也没见高盛内部人用过Kensho，更多是高盛的客户在用。第三个质疑是，Kensho 提供了相关性，但统计过去的事件对股票的影响，对针对未来的操作有指导意义吗？胜算有多高？Kensho 这种大杀器，到底它能不能让人挣钱？能不能让普通人挣钱？这两个问题，在目前还没有明确答案，至少现在还都不是肯定的答案。那为什么Kensho还能值5.5亿美元？虽然5.5亿美元，在某些情况下看是个小数字，但已经是近年来最大的一笔人工智能公司的并购了。在人工智能领域，一般来说，常见的并购额是1亿到2亿美元：Siri的收购价格是2亿美元；微软在几年前收购 Powerset 时，花了2亿美元；最便宜的是亚马逊智能音箱背后的搜索引擎True Knowledge，2600。相比之下，Kensho卖了5.5亿美元，可以说是给人工智能公司打了一针兴奋剂。对某些投资机构，也是一个利好。其实从底层技术来看，不管是在中国还是在美国，想复制出 Kensho的确不容易。自从我回国以来，我听到不下10个团队试图复制 Kensho，也有一些非常大的国家级机构想做这种东西，但到目前为止，还没有一个做成的。基于这样的技术复杂度，5.5亿美元是一个非常合理的价格。为什么智能金融领域没能出现第二个Kensho？为什么过去4年没有一家团队能够成功复制 Kensho？Kensho包含三个比较困难的组成部分，这三块目前在中国的基础都还不到位。它们分别是：底层的结构化数据库、中间层的金融领域知识库和前端的问答技术。第一个部分是结构化数据库。如果我们简化一下 Kensho，可以不精确地认为 Kensho 是给高盛的结构化数据库做了一个自然语言的前端。如果让 Kensho 从头把所有的结构化数据库做出来，那一两年绝对不够，十年也不一定行。高盛在过去20年多少万人的积累，才创造出来这样一个底层数据库，比如SecDB，现在应该远远不止9万个数据集了，在此基础上才可能有 Kensho。有了上述的基础设施以后，在上面做自然语言的前端，才水到渠成。Kensho的产生也依赖于过去 10年，美国整个数据生态系统的发展。2009年奥巴马上台时，曾发布一个**令，要求美国所有**部门都开放数据，其中也包含了大量金融部门，包括 SEC。美国所有基础证券的信息，各个细分领域的国民经济**数据都是开放的，所有人不需要任何申请就能拿到。到目前为止，美国**已开放了上百万个这样的数据集。而在中国，这样开放的数据基础近乎于零。现在连基础证券的数据，包括或者主板的 XBRL 数据，还不能让所有人免费、公开地访问。这个数据生态的差距是以光年来计算的。第二个是金融领域的知识库，在做金融统计时，会有各种关联分析、回归分析和细分子领域的分析，比如产业链、财务模型、行业模型，宏观模型、等等。以财务模型为例，美国有 GAAP 模型，中国有 CAS 模型，这都是成千上万条不同的会计准则，有了这些准则后，我们才能做财务的一致性校验。在产业链领域，国内也有一些公司在做。美国的Capital IQ公司，很早以前就把产业对标做得很透了。而国内，还远远没有做好给公司打标签，或对标研究这件事。行业模型、宏观模型、各种投资模型，现在也都是方兴未艾。我们如果想做好上面提到的 Kensho的几个案例，逃不掉这些模型。而要做这些模型，需要协调各领域、各分支的专家，整合各种各样的专家知识。目前在中文领域，这一块还比较缺失。第三块，从技术上来说是更有挑战的东西，就是前端问答技术。前几天，我在知乎上回答了一个帖子，有人问：Kensho 能不能复制？复制的核心技术要点是什么？我回答，前端问答是其中的一个大挑战。一位读者留言说：问答技术没那么了不起，现在搜索引擎公司早就解决这个问题了。但这是一个误区，像小冰这样的问答机器人，大家看起来已经很智能了，但这种技术很难用在 Kensho上，因为这是两种完全不同的技术路线。小冰本质上是一种基于检索的技术。它是从一大堆文本里头，找到过去存在的相似问答，再做答案和问题间的匹配。用术语来说，是用端到端的的模型来做训练。但这样的模型，有两个问题：第一，它无法精确地理解这个问题是什么，就是说它无法进行语义解析；第二，它的答案很难被构造出来。比如，像上述Kensho 例子中一些各种不同切面的切分，各种不同指标的组合，我们可以设想出无穷多种的组合，但用深度学习技术，却无法生成无穷多种答案。如果想做到这一点，我们必须要做语义解析，也就是真的理解用户说的话，理解他说的词是什么意思，词和词之间是什么关系，这可能是这个问题最难的一点。到目前为止，这还不是一个完全被解决的问题。具体要做语义解析，又要涉及大概十几种非常专业的技术。小冰的技术是没有办法用到 Kensho 这样的强知识性问答中的。回顾了这三个关键点后，我们可以说，想建立Kensho 这样的系统，要依赖于很多先决条件，包括数据基础、领域知识库基础和前端问答基础，这三块都很有挑战。对专业人士而言，这不是一个令人吃惊的结果。因为在过去40年的专家系统开发中，这些问题一直都困扰着整个知识工程界，只是现在在金融领域，我们再次遇到了这些拦路虎。所以我要为 Kensho 团队点赞：他们做得非常好，Kensho团队现在是600多个人，他们技术部门是100多人，用100多个技术人员，就能把这样高复杂度的问题做到现在的结果，非常难，非常不容易。为什么智能金融不必复制Kensho但我同时认为，智能金融，不必复制Kensho的模式，我们要跳出Kensho思考智能金融。先给出两个反常识的观点：第一，建设AI平台，不能直奔这个平台而去。第二，建设智能金融，不能直奔而去，即不必把思维局限在做交易这一件事情上面。在展开说这两个观点之前，先阐述一下我对Kensho的看法。我认为，Kensho不会取代任何人，它不会取代任何交易员，不会取代任何，不会取代任何分析师，甚至未必会取代任何实习生。因为它所要做的事情和我们对它的期望，其实有很大距离。现在做智能金融，大家会直接说：我要去提高交易效率，或者挣更多的钱，或者打败这个市场。这个模式是不是应该追求的？经过两年多的探索后，我认为未必，或者说智能金融应该有一个更大的途径，而不仅仅是追求 Kensho 这一个途径。大概两年前，我去一个资管公司，他们有千亿以上的资产规模。总经理问了我两个问题：第一，你现在立即、马上就能帮我挣钱吗？第二，你是不是立即、马上，就能够帮我比市场上其他人挣更多的钱？我实事求是地说，我现在不能给你肯定的答复。他说如果做不到，那你们搞智能金融还有什么意义？这个想法在那时很普遍，是一种非常高的预期。但最近这两年跟大家沟通，越来越少听到这样的想法了。包括2017年，我们跟多家机构合作时，都找到了更小的落地切入点，大家不再追求非理性的目标了。仔细想一想，如果一家公司有3000亿，它还有持久地高于市场的回报率，最终结果是什么？这种事真能发生吗？市场打败了不了市场本身。我们不应该追求替代交易员或者投资经理，我们也做不到。我们也不应该追求跑赢市场，因为市场本身不能打败市场，当所有人都追求跑赢市场时，没有任何人能够跑赢市场。从人工智能角度来说，我们不应该去追求通过图灵测试，大家对于像 Kensho 这样的金融问答系统的期待是，在远期来看，希望它能达到人的水平，那就是通过图灵测试，但这是很难做到的。智能金融的路径：由零件的标准化导向大工业金融· 标准化会带来意想不到的新应用智能金融的新路径，我认为应该是通过零件的打造，逐步走向所谓大工业的金融。就目前这几年时间，比较合理的目标和路径，是把信息处理过程中一部分的过程标准件化。自动化、标准化、工业化，这三块是相互影响的。信息工业影响金融工业，不是今天才发生的。前两天我读《美国金融业史》，里面讲了电报的例子：美国在早年有很多交易所，这些交易所的交易规则全不一样，后来电报改变了这一切，所有的交易所都死了，只留下纽约的交易所。因为信息传播速度的上升，使得各种信息的披露、交易规则都标准化了，分裂的市场变成了一个统一的市场，其他的市场都没了。之后，电话、互联网，每一次都带来了类似的变化。比如个人，在没有电话之前是一个情况，二战后，我们通过改造电话线，有了络，完全激活了一个新市场。现在也是类似的，如果我们狭义地看标准化本身，第一个阶段我们看到的，只是我们做某件事情的效率提升了。当电话进入金融机构时，大家可能只能想到，电话实现了实时双向语音通话，改进了一点效率，但并不一定让人激动。但是当我们发现电话上面加一点东西，可以催生出个人信贷新形式时，这就有意思了。所以很多底层平台的标准化会带来完全意想不到的新应用。大部分情况下，我们无法预言这是什么，但首先我们要提供这种标准化，提供这种通用工具。· 从金融数据农业到金融数据工业我把现在的业分成四大类：农业、矿业、手工业、大工业，我们要努力去创造的新生事物——大工业。信息农业是什么？就是从金融的“自然资源”里刨数据。我以前跟华泰联合的一位前辈聊，他说十几年前，他们每天看《中国证券报》，从报纸里扒数据，看并购标的的情况。后来进步了，有各种各样金融终端，但这依然没有改变这件事的农业本质——基本模式都是一样的，就是在人力成本较低的地方，找一帮小弟小妹，通常是几百人，人肉摘录数字。农业其实是一个很好的产业，如果农业能够经营得当，利润率50%是没有问题的。但是农业的最主要困难，是它很难规模化。很多信息农业，他们在主板时代做得很好，但在新三板时代，扩大就很成问题，因为我们的主体，已经不是1000家、2000家公司了，而是1.5万家公司。原来做产业链研究，招几十个人就可以做，现在要招几百个人来做，要手工处理所有1.5万家公司的财报、公告的话，则需要几千几万人。规模化是信息农业最大的问题。信息矿业，就是在已经有了结构化数据，比如工商数据时，改进结构化和半结构化数据的可用性。这也是一种很好的模式，但如果没有深度加工能力，壁垒并不高。第三种就是信息手工业。传统的金融决策过程，大部分是手工业的过程，个人通过大量阅读、学习，建立起对世界的认知，然后把认知变现。这涉及到个人经验，也涉及到人脉。我们去采访一些金融界的年轻人，他就告诉我，感觉他自己的能力跟老板也没区别，但就因为老板认识一些人，所以他在那个位置上，自己在这个位置上，他就愤愤不平。如果一件事本身是依赖于个人经验的，确实就会这样。所以当VC或者是券商的某些部门大到一定程度，里面的人成熟以后，他就愤愤不平，他一定会走，连着他的经验和人脉都带走，因为这是一个个人的不可复制的资产。最后一种是大工业。大工业的特点，并不依赖于个人的经验和人脉，也不依赖一些现有的自然资源。它是基于一种可复制的技术和系统，建立起一种协作关系，从而制造出千千万万种有质量保证的产品。如果说矿业是开采石油，那工业就是制造塑料——中东产油国虽然能够生产很多石油，但是他们可能连一支笔上的塑料都造不出来，因为他们不具备这种工业能力。金融信息服务业，在美国是260亿美元的生意，在中国还是规模非常小的，是不到的生意。是不是有一天，中国也达到260亿美元，或者说2000亿人民币？甚至比美国更大呢？完全是有可能的。但如果走到这一天，一定不是靠农业，一定是通过技术建立起金融数据大工业，从而连带整个金融产业发生一些大的变化。而且这些变化并不是像 Kensho 这样，我有了一个变魔术的机器，从而能赢得比市场更多的回报率。如果我们往前走的话，我认为中国金融在今后十年内，会发生一个很大的变化，它会超越现在的手工业金融，出现更大的标准化生产。我相信每一个投资人都有自己的EXCEL表格，每个人都有自己的分析模型，每个人都有自己积累的一些小技巧。其实在早期的手工业里面，也能看到，造个轮子或造个碗，每一家都会有这样的小技巧，每一家都把自己的小技巧藏着掖着，担心其他手工业者抢他们的饭碗。但最后这些手工业者都被大工业给干掉了，这样的事情会不会在金融界也发生？我相信会的。所以，最关键的事情，不是现在这个阶段，大家都去追求超出市场的，如果我们大家想用 Kensho 就能坐着数钱，这件事情永远都不会发生，现在不会发生，再过10年不会发生，再过100年也不会发生。· 新协作、新体系，让投研不再依赖于个人我们应该追求的合理的目标，是建立起一个金融信息处理的协作系统。或者更现实一点讲，并不一定是要去跑得比整个市场快，有时候跑得比旁边的人快就行了。智能金融在不同部门里会有不同的落地形式。前两天我跟一个机构的IT部门负责人聊，他说以前在上投研工具时，领导没什么动力，因为在领导来看，无非是省了点钱，在整个公司的三张表里，它是放在费用里，而不是放在收入里的。我们已经讲了，长期来看，通过这种投研工具提高收益回报率是不切实际的，但如果仅仅是省钱，又不是一个足够性感的目标。但另一件事对机构有吸引力——就是在一个里，研究员是不停流动的，比较有意义的目标，是让整个投研不再依赖于个人。其实金融就是信息和数据，把这些信息和数据，才是上这个系统最大的价值所在。我觉得这是一种非常正面的思路，不再是传统的、狭隘的，一个个人提高的过程，而是从系统角度，去建立一个协作体系，从而提高整个组织的资产（assets）。智能金融的本质就是：金融信息处理过程的（部分）标准件化。在投行、银行这些行业都已有类似案例。另一个值得关注的问题是监管，从去年十九大以来，整个金融监管对科技，特别是对人工智能的关注度一下子上来了。从股票、基金、，包括新三板的性检查，还有下面的评估、，和整个宏观风险的监控，目前国家的投入非常大。这是一个特别值得关注的宏观方向，它会一层一层传导下来。前天我看到一个券商的高管在朋友圈里抱怨，说以后没法再做了，一罚罚50个亿。其实这就代表，关注投资时，不能仅仅只看收益或者是金融创新，现在这个阶段，更重要的是如何规范化。中国新金融会有一个传导周期，国家机构可能会在整个产业最上游，最先把最核心的技术应用起来，然后一步步传导到券商，再往下传导到上市公司，上市公司的子公司、连带公司，一级一级传导下去。这个传导周期，可能会有好几年，但是我相信大家在未来都会逐渐感受到。· 投资、投顾、投研：不能直奔平台而去回到前面说的两个反常识观点：第一，做AI平台，不应该直奔平台而去。做好 Kensho 有很多拦路虎。我们不应该一下子就去追求做这样的系统，不管是智能投研系统、系统，还是智能投资、智能系统，可能在短期内都是做不到的。通常人工智能系统都是一个非常复杂的系统，要几百个人几年才能做到。不管你做语音也好、做图像也好、做文本也好，如果你一开始就搞一个很大的平台，一下子砸10个亿、砸100个亿，基本上一定会失败。最典型的就是日本的五代机，日本在80年代时，想做第五代计算机，说是人工智能计算机，举国之力，没有做成，目标太大。这可能是大型系统普遍的规律，它不是设计出来的，它是生长出来的，它是一点一点地通过一些很小很小的组件，一点一点地逐渐地碰撞、组合，慢慢生成的。这件事很难通过一下子砸100个亿就能达成，直奔这个平台而去，基本上会收获100%的失败。再说第二个反常识：做金融领域的人工智能，不能直奔着摇钱树而去。最早时，也有人给我建议，说你跟客户谈钱就好了，说我能帮你挣更多的钱。可能一开始刚刚进入智能金融行业时，很多人最直接的想法都是这样：我要造一个系统，能够持续帮我挣钱，躺着都能挣钱，睡觉都能挣钱，但这真的做不到。如果奔着摇钱树而去，最终真是长不出树，也长不出果子。具体分三个领域来讲：投资、投顾、投研。在智能面，打败市场是困难的，最重要的是打败自己。每个人都是非理性的，所以仅仅通过数据不可能形成正确的决策。在前几年时，曾经有一个很火爆的东西，叫大数据指数基金。2010年时，印地安纳大学的一个教授提出了这个理论，他自己开了一个公司，两年后公司就破产了。过去这几年，所谓的大数据指数基金基本上回报率都很低。在此基础上，跟它相关的智能投顾，整个回报率也低于市场回报率。另外一点就是规模，脱离规模谈策略都是耍流氓。我们经常会遇到有人说量化有用，人工智能有用，但是你要问他一个问题，你是在多大的钱上有用？在几十万上是一个事，在几千万上是另一个事，如果在一个亿以上，那还能做得到，那真是非常非常厉害。在座的很多人应该身家过亿，或者管理的资金规模超过1个亿。在这个基础上，每个策略能够做什么事，它对市场产生的影响是什么，是不是一旦有效就变得无效？我相信很多人都有这方面的体会。智能投顾也是一样。投顾技术分成几大块，一块是底层的，这里没有多少人工智能。另一块是，这方面现在用到了很多机器学习。从去年年中开始，越来越多的也人开始关注智能投顾的投后。最开始，智能投顾之所以能够吸引这么多钱，有两个原因：第一是机构对人工智能有期待，期待它能打败市场，获得更好的回报率。但目前市场表现证明，这一点很难做到。第二个原因是，机构的客户本身对人工智能有期待，某只基金只要说我用人工智能了，是智能投顾了，就会有很多人买，一买就买上百亿，用这种方式来获客，但资产新规出来后，这条路也被关上了。所以智能投顾往后走得开发新的东西，特别是和投后相关的东西，在智能陪伴这一点上，人工智能也可以帮助投资人。第三点，智能投研。在投顾、投资或者投机里头都是需要投研的。市场上已有很多投研产品，包括帮助更好地看公告、看研报，更好地看数据的产品。但是不是智能投研只能用在传统场景？会不会新兴场景、新兴应用、新兴机构才是投研更能发挥作用的地方？在中国，我们看传统投研——券商有几千人，买方分析师、投资经理有几万人，加在一起可能不到5万人。如果智能投研只服务这5万人，就是严重低估了这个技术，也许有5000万人都需要这项技术。其实上面这几点一直都在讲，我们构造智能金融系统，不必把我们的思维局限在做交易这一件事情上面，很多环节都可以用到，而且我们不一定要从一个所谓的大的系统开始做这件事。· 用零件的标准化触发系统性变革用历史眼光来看，整个金融IT建设的历史，可以分为四个阶段：信息化、大数据化、自动化、智能化。第一个阶段是信息化，或者说是电子化，就是开始使用各种信息化系统。大概从十年前，我们开始大数据化，比如银行有各种云，把分散的各个部门数据汇总在一起。这两年开始有了自动化，包括自动化报表、自动化服务。从去年开始有了智能化的需求。每一步都依赖于前面的一步。在我看来，现在这个阶段，最重要的是自动化，前面那一步已经做得挺好了，经过过去近10年的实践，银行、券商的大数据化都做得相当不错了。银监会刚发布一个文件，要求各个银行加强内部数据治理，以后要有数据治理标准。我们最近刚刚和一个银行交流，他们在做了内部数据治理后，有了比较好的机构化数据，接下来马上就会有新东西出现：各种自动化需求，自动化匹配、自动化报表、自动化研究。我还认识一个券商资管部门的研究员，他们现在用各种EXCEL表来做资产配置，这种事以后肯定会自动化，不会再用EXCEL表格来做了。核心就是自动化，怎么做到自动化？怎么做到人工智能化？要把底层数据结构化，底层的这些东西，就是要一层一层的从零件开始做。我们要从投研的各个不同的环节开始做零件、打造工具，先做解决方案，再做系统。举个例子，瓦特其实不是蒸汽机的发明者，而是改良者，他发明了热力学某某定律吗？他发明了一种新的热机循环的方法吗？都不是。瓦特对蒸汽机效率提升的最大贡献，是在零件层面上的：他发明、改进了分离式冷凝器、行星式齿轮、平行运动连杆机构，有了十几个这样零件层面的改动，才导致了后面系统的变化。再举个例子，很长一段时间内，法国汽车比美国汽车造得更好，产量更高。但等福特发明了流水线之后，这一切全变了。一直到第一次世界大战之前，法国一年只能造4万辆汽车，因为要手工打造每一辆汽车，流水线的标准化改变了所有这一切，这就是零件的标准化能带来的价值。要打造一个智能金融系统，我们已经能造其中的一部分零件了，有一百多种，但这还不是所有的零件。我相信未来的金融大工业会需要比这多得多的零件，但我们可以从这些零件开始，来做一些现在、立即、马上，就能做的事。如果我们去构造一个智能金融系统，可能得要1000万、2000万。但如果我们从现在就能做的小事开始，不需要这么多钱，也许20万就能启动，很多事可能没有想象得这么难。用人工智能打造新金融需要新金融人，我们要把我们脑子里面很多原有的想法给清掉。很多业务未必要通过原有的做法向外推，我们需要一种新的适应大工业时代的协作方法。最后，我就希望大家记得一句Take-home message：智能金融的路径是由零件的标准化导向大工业金融。智能金融就是标准化和大工业这两件事。《为什么智能金融的机会并不在于“帮人挣钱”？》 精选二来源：阿尔法工场作者：陶冬，瑞信董事总经理，亚洲区首席经济分析师，中国***家理事。去年阿尔法狗（AlphaGo）横空出世，打得超一流韩国棋手李世石灰头土面的，它的增强版MASTER更横扫世界上最强的六十位职业围棋手，无一败绩。围棋曾被认为世上最复杂、变化最多的智力游戏，但是人工智能围棋在2016年颠覆了逾千年的围棋传统、思维和定式，肆意羞辱了顶级职业棋手一番。围棋不会因此而消失，但是围棋再不是从前的围棋，顶级棋手也跌回尘埃。人工智能在金融业的运作，已经有数年的历史，只是没有阿尔法狗那么高调、那么富有戏剧性。FinTech从2014年起出现跳跃式增长，并从美国传导到亚洲和欧洲，全球金融业酝酿着一轮革命。笔者认为，大数据和已经使得海量数据处理变得成熟，阿尔法狗出现又打开了深度学习的一片天空。智能金融的技术支持框架大体出现，只欠具体开发，只欠实体金融与技术的连接和融合，而这只是时间的问题，十年后的金融业和目前的金融业会截然不同。智能金融业，可以解决金融的情况，大幅提高金融业效率、市场效率，同时可能打碎大量金融业人士的饭碗。智能金融相较于传统金融模式，起码有五大优势。1）迅速吸收处理分析信息的能力，可以在极短的时间读取、整理和分析全世界范围内的所有公开数据、图像乃至非结构化信息，藉此作出投资、、风险管理决定。它在数据分析处理上的能力，和人脑根本不在同一个档次上。2）深度学习已经成为智能金融在未来的最大利器，其在线下快速、海量地通过学习历史和交易记录来提升未来决策水平的能力远远高过人类。3）没有感情、没有思维定式，可以克服人类的弱点和盲点。4）在高速运算和海量数据的支持下，人工智能可以提供因人而异、随时随地的定制解决方案，在、组合配置等方面可以由模块式服务转向个性化服务。5）人工智能可以通过大量机器联网，制造出巨大的乘数效应，而不必坠入人类社会中因人员聚集而经常产生的利益错配、办公室**等陷阱。事实证明，人工智能是博弈高手，可以不带感情地无所拘束地进行博弈，而金融市场从来都是博弈最多的地方。美国近年在运用人工智能做上取得了长足的进步，运作开始成熟，智能投顾的表现普遍优于等主动管理型。中国在智能金融上起步较晚，但是发展极快，将大数据、云计算运用在消费信用、投顾服务、风险管理等领域也见明显进步。笔者相信，假以时日，智能金融会在金融领域全面开花结果，因为人脑的数据处理能力、学习能力、应变能力、不出错能力，在人工智能面前只能自叹弗如。笔者相信智能金融的市场，并不局限于低端人群，而是整个社会人群，因为它最终会比人脑做得更好。作为金融人士你需要有什么样的能力，才能不被人工智能所取代？你需要拥有非公开信息。人工智能的强项是对公开资讯的提取、分析以及作出相应决策。如果资讯来自尚未公开的渠道，你就有击败人工智能的机会了。这种非公开资讯，不包括分析员在公司门口数进出卡车数量或在超市对品牌偏好做调查，因为大数据可以做得更好、更全面。你是索罗斯。索罗斯的反向，是基于对人性的分析，哲学性质多过数理性质，目前尚没有看到人工智能在模糊哲理上有什么天分。不过索罗斯理论是建立在多数市场参与者是错误的这个前提之上的，如果市场中人类投资者消失了，索罗斯对着全部是机器人的市场未必能占到便宜。你是巴菲特。巴菲特是另一个极端，他只读公司，运用常识进行，坐怀不乱乃是其心法。人工智能可能有千百招，巴菲特只有一招，基于经验和心法的一招。也许有一天人工智能可以学会巴菲特那一招，不过对经验、修为的学习、复制、改良就不是分析数据那么容易的了。你的客户宁可和你打交道。机器始终是机器，能力再强也还是机器，在人与人的感情处理上暂时未见优势。金融业的投资、分析、管控功能可以大量由人工智能代劳，但是与客户的人**流恐怕还要人来做。当然前提是你面对的客户是人，而不是机器。笔者认为，智能金融在今后十年内会在许多领域大量替代传统金融，金融从业员数量大幅下降。笔者不建议您让子女进入金融业，除非您的子女比掌握了深度学习的机器人更有创意，抑或在替机器人挠痒或讲笑话上有特殊的才华。不过其他行业（如会计、律师、医疗、中介）也面临着类似的挑战。笔者不认为人类会因此没有工作做，历史上机器的出现曾经让许多工种消失或半消失，人类社会却变得更加繁荣，生产效率更高。延伸阅读入侵华尔街人工智能如何改变金融业？文/机器之心微信号11月6日，Daniel Nadler一早醒来给自己倒杯橙汁，打开电脑，等待劳工统计局（Bureau of Labor Statistics）8点半放出月度就业报告。他坐在自己位于切尔西的一居室公寓的厨房桌子旁，紧张地刷新着浏览器——不断地Command-R——用他公司的软件 Kensho从劳工局网站收集着数据。两分钟之内，一份 Kensho自动分析报告便出现在他的电脑屏幕上：一份简明的概览，随后是13份基于以往类似就业报告对的预测。如果不想，Nadler根本无须再次检查所有的分析。这些分析基于来自数十个数据库的成千上万条数据。他只需确定Kensho提取了就业报告中的正确数字——美国整体就业增长即可。这是他唯一能做到的。因为几分钟后，8点35分，Kensho的分析就要提供给高盛（Goldman Sachs）的雇员们。除了是Kensho的客户，高盛还是Kensho最大的投资人。32岁的Nadler在上午余下的时间还会确认一下几个银行最常规的Kensho用户（一位和衍生品交易部门的高管，一位人），然后在Uber上叫个车去位于曼哈顿西区公路的高盛玻璃塔大楼中参加午餐会议。大楼里每个人都穿着熨烫整齐的西装，而Nadler从不改变他的标准行头：由设计师Alexander Wang设计的路易威登皮革凉鞋以及裁剪精良的休闲T恤和裤子。Nadler拥有10套一模一样的衣服。他简朴的审美观是在美国哈佛大学攻读***博士期间，某年夏天在日本参观寺庙并参加冥想时养成的。（Kensho就是日语中表示在佛教禅宗发展中的第一个意识状态。）他还写了一本诗集（想象中的古典爱情诗），今年下半年Farrar StrausGiroux出版社就会出版这本诗集。我们正在以破坏大量高薪工作为代价来创造极少数的高薪工作，无论如何对社会来说，缺乏某种政策干预……是一个净损失。那天晚些时候，我在位于高盛大厦街对面的世界贸易中心1层45号的Nadler办公室会见了他。房间装修是典型的创业公司风格，有个大浴缸，硕大的音响放着电子音乐，十几个员工一起办公。Nadler的办公室靠边，里面只有一张由回收电线杆制成的木制大桌子和一个铺着合适椅垫的大皮椅。关上门之后，黑色卷发、皮肤白皙的Nadler光脚坐在椅垫上，告诉我今日高盛会议上的信息，包括他们在下一篇报告中想要看到的内容建议以及 关于Kensho速度的优异表现。“人们总是告诉我，“过去我每周得花两天时间做这类事情”或过去我得专门雇佣一个人其他什么都不用做，只做着一件事。” Nadler说。这听起来可能像是吹牛，但是Nadler提及这些反应主要是表达他对类似其公司这样的初创公司有可能会对金融行业产生影响的担忧的一种方式。他说，在十年内，由于Kensho和其他自动化软件，金融行业有三分之一到二分之一的雇员将失业。这一影响起始于收入较低的那些职员们，当股票和交易趋于电子化后，大部分职员已被取代；当类似Kensho的软件能够比人类更快更可靠地解析大量数据集时，从事研究与分析的人员也将面临失业。而如Nadler所说，接下来的一部分便是那些处理客户关系的职员将面临失业：很快，复杂的交互接口将让客户不再需要人类客服。“我假设这些人中的大部分在5到10年内都不会被其他人取代，”他一边说一边进入了思考状态，对Nadler来说，意味着闭上眼睛，打着手势，好像在宣讲或弹钢琴一般，“10年内，高盛的雇员数将比如今要少得多。”高盛的高管不愿讨论这些流离失所的财务分析师的困境。跟我聊过的几个经理都坚称 Kensho不会引起任何裁员，而且也不会很快裁员。Nadler曾提醒过我一定会得到这样的答复。“当你开始谈论自动化工作时，”他说，“大家都会瞬间沉默。”因为机器而失业的高盛员工不太可能会唤起人们的怜悯。但这正是由于高盛的特权地位才使得其员工遭受的自动化威胁显得很是有趣。如果高盛的工作能被替代，那么在金融行业之内或者之外的那些不太复杂的公司的职位也将很快被替代。2013年末，两位牛津学者发布了一篇论文称未来20年内，美国将有47%的工作处于高危状态，会被自动化。这一结果引起了媒体对担忧机器人盗取工作的大肆报道。该研究观察了702个职位，采用了来自劳工局的数据，且根据九个变量分析了每一个职位的自动化可能性。结果明确显示这不再是我们所熟悉的（并且正在进行的）那种有关机器人取代工厂和仓库员工的故事。现在的软件能做越来越多地原本由受过教育的人坐在桌前所完成的工作。这些工作这么容易被替代，大部分原因是由于计算能力越来越易用且价格越来越低，以及诸如Kensho这样自动收集理解新信息的机器学习软件的崛起。根据牛津大学的论文以及相关研究，就业前景因行业不同而有明显区别。比如，在医疗护理行业，人与人之间的互动是非常重要的，因此自动化威胁比整个劳动力市场要少。考虑到最近自动驾驶汽车的快速发展，出租车和货车司机面临着不太乐观的前景。在一些福利较好的行业中，牛津研究员们引进能够进行分析和分类法律文档的软件，能够很好地完成这项工作，而通常一个薪资丰厚的律师也需要花费数个小时才能完成。记者也面临着像是Automated Insights这样的创业公司的挑战，该公司已经能够自动撰写篮球比赛战况报告了。金融行业尤其突出：因为该行业建立在信息处理的程度上——数字化那些事——研究表明，在该行业中工作受到自动化威胁的风险比任何技能型行业都高，约为54%。牛津大学的研究受到了很多批评——可以理解，想想将之应用于投机行为的准确**。另外，金融行业对待自动化的态度非常严肃，既是机会也是威胁。它能使一些分析员被裁掉，但也会将整个企业模型置于危机中。在所谓的金融技术领域的投资在2013年到2014年之间翻了三倍，达到了122亿美元，而创业公司现在试图将目标瞄准金融业务的每一根线条。贷款是否发放的决定由软件做出，这样一款软件能够考量有关的各类精细数据，而不再需要和财务顾问。而在未来几年，可能几乎华尔街的每一家公司都会因这项研究损失几百亿的收入。银行试图通过给类似Kensho之类的创业公司进行投资来避免这一新事物带来的冲击，而目前为止已募集到2500万美金。技能型行业形成了纽约城经济的基石，目前为止也很大程度地避免这种转变，这是因为金融分析员、出版单位和设计师这类的工作不是那么容易自动化的。但是看看像Kensho这样的公司和它所总结的关于金融行业的认知，很大程度上就能看到这些趋势对行业的冲击，而过去被当做是从这种分崩离析中逃出一劫。去年秋天，Antony Jenkins发表了一场演讲，认为即将到来的一系列“Uber时刻”将会对金融行业带来巨大冲击，而他在几个月钱刚刚解除了英国银行的巴克莱首席执行官职务。“我预测金融服务部门的分支和雇佣人员数量将会减少50%，”Jenkins向听众表示。“即使没那么严重，我预测至少也有20%的下降。”这一过程至少在某些情况下能够帮助消除一些金融系统中的过度膨胀，提供更透明的服务，更少地隐藏费用。也可以被视作对行业巨头的有力打击，而就在最近，几乎冲击了整个世界的经济。但目前为止，失业的压力还未影响到金融界的高管层面，但效率的提高进一步恶化了已经让人非常担忧的收入不均问题。一些支持Kensho的风投告诉Nadler，他应该知道不要在试图发展成客户的那些银行里讨论潜在失业问题的事宜。Nadler告诉他们，他会继续，部分原因是为了维持他自身的正直。他经常将他关于工作的讨论和代表候选人的**资助联系起来，而这些候选人需要更坚固的社会安全网。但他也表示他意识到他的企业为他带来了什么，也让他损失了什么，这使得他成为了一个别具一格的企业家：这就是他在企业的先锋性，而这一切都跟更精确地预测未来的竞争有关。Kensho在高盛的主要客户群是那些在银行交易大厅里的销售人员。在最近几个月，他们利用软件对买卖能源类股票和大宗商品的咨询来电进行回复，这些人想知道他们应该如何组合他们的投资，以便应对叙利亚圣战的熊熊烈火。在过去，这些销售人员会根据他们自己对最近发生的事情以及市场反应的了解进行总结，并且受到人类记忆能力的限制。针对特别有价值的客户，销售代表可能会要求高盛的研究分析专员进行更加完整的研究，挖掘过去的新闻事件，找出市场针对每种情况作出的回应。这种方法的问题在于，当研究结果出来时，交易机会早已溜之大吉。现在，销售代表可以直接点击电脑桌面上的一个图标，连接到Kensho界面，该界面由一条简单的黑色搜索框构成。Nadler在他的笔记本上向我演示了这一步骤。输入“叙利亚”这个词，几组跟叙利亚战争有关的事件就出现了，基本跟谷歌(微博)基于过去的搜索提供建议类似。在最上方的事件组中，显示着“对抗ISIS的进展”，这一组事件包含25条过去的事件。而“ISIS主要进展与残酷暴行”事件组中包含105条事件。Kensho的软件不断地调整并扩展这些建议的搜索词条，这一切几乎无需人力干预。某种程度上，这是该项目最精巧复杂的部分。在过去，交易员或者分析员需要用任何想得到的关键词在维基百科或者新闻数据库中进行搜索。而Kensho的搜索引擎自动将发生的事件根据抽象特征进行分类。比如，它指出，ISIS在帕尔米拉的人质扣押和法国第一次空袭叙利亚都是这场圣战的变量，然而在这两场斗争之中，ISIS在其中一场是侵略者，而在另一场却是防御者。软件也会寻找事件与的意想不到的新关系，会推荐一些用户可能没考虑到的搜索意见。Nadler说，为了实现这个目标，他雇佣了一名机器学习专家，这位专家主要为谷歌研究世界图书馆的大型分类项目。回到交易平台的例子，在选定一组事件之后——比如说关于“叙利亚内战升级”的27个事件，销售员可以通过勾选一系列下拉菜单将搜索范围缩小到特定的时间段和投资组。最多的投资组包含了世界上大概40个重要资产，包括德国股票，澳元，以及一些。然后，他们只需点击绿色的“生成研究”按钮，便可以得到一整页的图表。Nadler展示了这个过程，最顶层的图表显示天然气和在战事扩张之后的几周表现不如预期，但亚洲股市以及美元和加元这一对却走势良好。继续下拉页面，我们可以看到叙利亚的每一个事件如何逐渐失去影响力，以及系统如何开始构建出一套基于这些事件的最优交易组合。Nadler合上笔记本电脑，整个过程不过几分钟的时间。如果不依靠自动化来总结类似的调查结果，他说，“会花上几天的时间，大概40人·小时，而且需要年薪平均35万至的人来做这件事”。对于一个创建不到三年的公司来说，这是个不小的成就。2013年，还在念博士研究生的Nadler在波士顿的联邦储蓄银行做访问学者。当时，希腊选举以及整个欧洲的不稳定局面正强烈冲击金融市场。当Nadler问道他该如何评估类似事件对金融市场的影响时，他意识到无论是监管者还是银行家，除了翻过去的新闻剪辑以外并不能给出什么好的方案。于是，Nadler开始在他的业余时间与一个前谷歌程序员交流，那是他在日本爱好者学生俱乐部结交的朋友。Nadler本应该就**对2008年经济危机的影响完成博士论文，然而，他在数周内组建了一支小的团队并拿到了谷歌风投部门的一笔早期资金。跟据《福布斯》杂志，之后他们还从许多包括C. I. A.风投部门在内的其他渠道得到投资。Kensho的主要办公地点仍然在麻省的剑桥，位于一家老旧的理发店上边两层，窗外就是哈佛校园。主办公区的约30名员工看起来像是一群放在过去也许会选择去高盛工作的热情洋溢的年轻人。然而在这里，他们在站立式办工桌前工作，穿着牛仔裤，共享一个放着枕头和榻榻米的用于冥想的禅室，以及一个有国际象棋和扑克桌的游戏室。我是在12月拜访剑桥的办公室，就在圣诞节前不久。当我到那里的时候，大多数员工正在交换他们的秘密圣诞礼物，他们的笑声频频传到我、Nadler和他的几个副手所在的会议室。我很好奇，他们是否会谈论自己的工作在更大层面上的影响，于是我问这几个副手，他们在和Nadler的相处过程中什么时候会聊到自动化和失业这一话题。“几乎就是第二句话”，38岁的首席技术官Matt Taylor回答道，他是公司的资深员工之一。“你一开始谈论工作的自动化，所有人都瞬间沉默起来。”“这是第一天”， 20岁的Kensho首席架构师Martin Camacho说道。他刚进哈佛的时候才15岁。Camacho回忆他在Kensho工作的第一个夏天，有一天晚上下班去Nadler家，他们一起看了科幻片“遗落战境”（Oblivion），电影讲述了一个由外星人制造的克隆人组成的世界，他们彻夜讨论这个故事所蕴含的社会经济意义。更近一些时候，Nadler邀请了他的工程团队在剑桥最好的餐厅之一，Henrietta’s Table共进晚餐，一起讨论自动化可能带来的长远影响。Nadler说道，他期待这样一种强人工智能：在遥远的未来计算机已经聪明到能够预测我们的需要，并且引领人类进入一个富裕的时代。然而接下来的几十年在他看来则是更加复杂的一段时间——一个计算机尚不如人类聪明但足以做一些能够产生经济效益的工作的过渡期。Camacho则并不像它的老板那样悲观。他说，前几年计算机辅助的数学证明被创造了出来，但它并没有导致数学研究工作的减少。“我想未来的工作仍然是足够的”，Taylor表示赞同。当我和高盛等公司的高管聊起这个话题时，我也常常听见类似的乐观声音，他们相信软件所替换掉的金融从业者可以转而去做一些更有价值的事，它们也会创造出当下尚不存在的全新工作。几个高管例证说道，当自动提款机广泛出现时，你也没发现银行网点突然就消失了。这是对牛津大学关于自动化的报告的普遍批判意见：即使目前47%的工作岗位最终被自动化替换掉了，也不是就意味着47%的劳动者将失去工作，正如许多报纸在报告中总结的那样。曾经汽车的出现取代了许许多多的马车夫和马童，但同时创造了更多修建高速公路和服务加油站的工作。如今，提供建议的软件已经取代了一些的位置，但这同时扩大了需要和便宜人数。牛津大学这篇论文的第一作者Carl Benedikt Frey告诉我他意识到新的科技毁掉一些工作的同时也创造了新的工作。但他很快补充道，总的工作数量保持不变并不意味着这个过程中没有损失。纺织行业的机械化或许并没有提高全国的失业率，但美国南方大片区域仍然遭受着损失。再说到自动提款机的例子，事实上银行网点和银行出纳员的数量最近都在稳定地减少，即便远程呼叫中心的低收入工作人员的数量有所增加。入侵华尔街，人工智能如何改变金融业工程和基础架构副总裁Caleb Howe在剑桥Kensho办公室内。这指向一个令人不安的可能性：也许这次机器真的在降低整体的就业水平。在一项最近的针对未来学家和技术人员的调查中，皮尤研究中心（Pew Research Institute）发现近一半的被访者认为未来工作被机器取代的速度快于被创造出来的速度。Martin Chavez负责高盛所有的技术运作，这个爱折腾的留着胡子的男人对Kensho抱有极大地热情。“这个我们曾经几乎以匠心精神精心打造的工作已经被Kensho自动化了”，他告诉我。Chavez说道，Kensho本身不大可能替换掉许多岗位，这个软件做的事情以前很少有人尝试过，因为它太花时间了。（也有一些用户告诉我这个软件在它可以搜索的事件上仍有许多重大缺陷。）但无论Kensho造成怎样的影响，Chavez对高盛运营过程的数字化工作已经改变了公司员工的数量和类型。过去几年中，每年校园的理工类人才数量都提高了5个百分点，但总人数几乎没有变动。（高盛是华尔街少数几个雇员总人数没有明显下降的公司。）“我确信未来的10到20年将会出现我们今天甚至无法想象的工作”，Chavez说道。股票交易是最早迈向电子化的行业中的一个，它是自动化对像高盛这样的公司会产生何种影响的一个有趣先例。现在，在这家公司的交易台上，股票正在被电脑而非人类买进卖出。Chavez说，过去20多年股票交易的电子化让高盛员工用传统方式——电话的人数从超过600降到只有4人，但交易员的数量变化只是故事的一小部分。传统的操盘手被设计并监视这些新交易算法的程序员替代了。此外，数据中心现在出现了新的工作：高频交易。高盛并没有对此提供任何数据，但从2006年到2010年在高盛电子交易平台工作的Paul Chou告诉我，他猜测公司可能只需要一个程序员来代替传统的10个操盘手的工作。作为这个行业快速缩水的标志之一，高盛去年裁掉了它在曼哈顿四个交易大厅其中一个的最后一名操盘手。高盛股票交易业务的进展同时表明行业的自动化不是一步完成的。当年Chou刚从MIT毕业进入高盛时，他工作的一部分便是登录到几十个交易系统，检查算法的输出结果，以确保交易实施之前不会出什么错。当时Chou坐在一个已经多年从事电话交易的女士旁边，她教Chou和他的年轻同事学会怎样做好一笔交易。然而时间表明电脑程序比人类错误率要低。那位女士离开了高盛，而Chou创造出了能够同时登陆所有交易系统并将结果显示在同一个屏幕上的程序。当他第一次运行起这个程序，他的上司，也是个程序员，告诉Chou：“我甚至不知道我为什么还要来上班”。Chou所设计的软件让他有可能将自己投入到更高级别的工作中，为计算机搜索新的交易策略。这比他一直做的监测更令人满意，但最终它还是变得过于重复了。2010年，Chou离开高盛前往硅谷，现在经营着他与妻子和另外两人联合创办的LedgerX。他离开的那个高盛团队的规模已经比他刚到时小了。在我与Nadler的谈话过程中，他在Kensho将会摧毁高盛自身的工作这一想法上有所迟疑。但他说他并不怀疑随着Kensho和其它的金融初创公司在金融行业进行扩张会让一些工作消失，而这种消失的速度在高盛外会比高盛内快得多。在去年夏天Kensho与高盛的排他性合作结束之后，Nadler与摩根大通和美国银行签署了提供软件的合同。未来这些银行所能支持的工作数量将远不止受到软件的影响。为了应对低于预期的经济增长和以来的新法规，银行目前已经在进行裁员了。但这些因素同时也推动着所有银行寻找更便宜和更透明的方式来完成那些目前由昂贵且不可靠的人所做的工作。当我问Chavez裁员是否有可能继续超过收益时，他的反应看起来似乎是真的不确定。他说：“这是我们这个时代最有趣的问题之一。”2013年自动化研究报告的主要作者Carl Benedikt Frey最近做的研究表明创新已经不再是经济的大型推动力了，而劳动力还依然和过去一样。在他去年与瑞典学者Thor Berger联合发布的论文中，他发现在1980年代，美国劳动力的很大一部分是之前十年还不存在的工作类别；换句话说：IBM在招聘。然而这一运动在90年代放缓了，并在2000年到2010年间几乎趋近于0。至于那些仅有的新工作，Frey的数据表明那基本上都是为富裕的精英提供服务的较低收入的工作，比如私人教练或咖啡师。Frey说：“技术正变得越来越节省劳动力，创造的工作也更少。”为什么这可能会发生？一种理论是近期的许多技术进步都是软件而非硬件方面的。尽管IBM和戴尔这样的公司需要员工为每一位新客户制造新计算机，但Facebook和Kensho这样的软件则可以以接近于零的无限复制。当Chou想出能自动登录到几十个交易系统的软件时，它基本上第二天就能出现在高盛位于世界各地的交易机构中。这和1970年代的情况非常不同，那时候底特律需要在机器人自身被建造出来之后，一个个地改造汽车制造工厂。在他离开高盛来到硅谷之后，Chou相信这不同之处就是自动化在这一阶段将会与过去有大不相同的作用。“我敢肯定10或20年之后会有我们今天所有人甚至无法想象的新工作出现。”Chou告诉我，“我们想出新工作的速度还不及替换它们的速度。”Kensho证实了这一观察。 不到三年， Nadler的公司业务已经扩大到给世界最大银行中的三家提供服务，只需大约50名雇员，刚刚填满两个相对较小的办公室。最近，Nadler的纽约职员搬到了世贸中心1号楼里更大的办公室。有更多的地方能够摆放桌子，这样Kensho也能扩张。但是，一间厨房、一张台球桌和高尔夫练习场几乎占满了额外的空间。增长已经让Kensho价值数亿美元，也让Nadler多次进入百万富翁的行列，至少当他在公司的股份计入账面时是这样的。但并不清楚，他的公司对于美国劳动力市场究竟多有益。回想我第一次会见Nadler时，那是去年的一次午餐，他对这一点并不太自信。“讽刺的是，另一家技术企业会告诉你，我们正在创造新工作，我们正在创造技术工作，”他告诉我，“我们至少创造了几百万的工作。”“那或许会让人们晚上睡得好些，”他继续说，“我们正在以破坏大量相对高薪工作为代价来创造极少数的高薪工作，无论如何对社会来说，缺少某种政策干预或者仍没有人想到新产业来雇佣那些人，都是净损失。”推荐阅读哪些岗位，才真正称得上金融行业？提高信贷风险管理能力，做好这两部分工作是关键必读：的“一二三四五”法则国资为盾安全为基长按关注《为什么智能金融的机会并不在于“帮人挣钱”？》 精选三一直以来，笔者认为中国虽然在时代毫无疑问地领先世界，你看看微信与支付宝已经开始迈出国门走向世界，就知道的威力多么之大，但笔者认为中国在金融科技领域已经落后于美国。美国的谷歌、苹果、Facebook、亚马逊、特斯拉、微软等大型科技公司是最早开发人工智能技术的。人工智能除了在围棋领域“耀武扬威”外，下一站将很快进入金融领域。因此，在强大的人工智能技术支撑下，美国的Fintech起步最早、领先世界各个国家包括中国。目前，Fintech在两大领域已经取得进展：一是领域。为基础的目前异常火爆，在经历短暂回调后又开始较大幅度反弹。二是人工智能做支撑的智能投顾。美国的高盛、摩根大通等金融机构以及谷歌等高科技公司都已经斥巨资投入研发智能投顾。并且已经在实践中见到实际效果。总体上看，中国在Fintech领域已经迟钝，步伐已经落伍了。不过，从2016年底以来，中国在Fintech领域正在迎头赶上。百度应该是Fintech最坚实的拓展者。因为百度在人工智能上已经率先发力，早走一步了。这是支撑百度Fintech的强大力量。同时，引进了全球最顶级的数据科学家。加上其在互联网金融领域的强大基础以及““的物质实力，迅速拓展Fintech应该没有障碍。最值得关注的是硅谷一批数据专家、智能金融科技人才正在回流中国创业，使我们依稀看到中国智能金融就要启航了。在硅谷和华尔街，已涌现出Alphasense、Timeswell、Kensho等智能金融公司。如今，这些公司已经成长为。大数据、算法驱动的人工智能已经进入到金融领域，人工智能有望在金融领域最新爆发。而越来越多的硅谷以及华尔街的金融和科技人才已经踏上了回归中国的创业征程。值得注意的是，人工智能不仅能够在投资顾问领域取得成效，而且能够在金融信息搜索与整理分析上走向深度智能化。硅谷的Kensho公司在构建金融与万物的关联，并用结构化、数据化的方式去呈现。处理复杂的事件与投资关联，Kensho只需要几分钟，但是在华尔街一个普通的分析师需要几天时间去测算对各类资产的影响。而这些分析师普遍拿着30—的年薪。此外，硅谷的创业公司AlphaSense公司已经悄然建成了一个解决专业信息获取和解决信息碎片问题的金融搜索引擎。从硅谷回中国的一批数据专家正在建立中国的智能金融全方位平台与产业。2017年6月，在北京朝阳区的一个居民楼的办公室内，鲍捷和他的20名创业伙伴正在摸索打造一款智能金融分析工具，而他的目标正是华尔街的AlphaSense和Kensho。鲍捷举例说，深市、沪市、新三板加在一起每天平均大概份公告，每天处理公告数据提取和摘要，这是一件非常繁琐的事情。很多金融机构要养20多人处理公告，而且这些人还不能快速高效准确地处理。这类事情机器做最适合，给机器程序输入金融知识，并通过模型训练，能够快速准确地提取各项公告摘要和年报摘要。类似鲍捷创立的公司在北京、深圳、上海等还有很多。也可以说，中国的智能金融除了百度、蚂蚁金服、腾讯金融等大型企业投巨资、重金聘任全球知名数据科学家磨刀霍霍以外，无数高科技人才创办的从某一个角度提供金融智能信息服务等中小型企业也在蓬勃发展。这是中国智能金融赶超美国的最好消息与喜人兆头！点击“阅读全文”了解更多资讯《为什么智能金融的机会并不在于“帮人挣钱”？》 精选四“让华尔街人神公愤的“叛徒”。”2014年，《福布斯》杂志给一家美国创业公司冠以了这样一个吸引人眼球的名号。当时，这家名为肯硕（Kensho）的公司成立尚不满一年。肯硕（Kensho）位于马萨诸塞州剑桥市，由哈佛大学***博士纳德勒与程序员彼得·克鲁斯卡尔（Peter Kruskall）联合创立。它宣称将撼动金融分析行业，就像当初谷歌给搜索领域所带来的冲击一样。比如，你可以像在谷歌进行搜索一样，询问一些复杂的问题——当三级飓风袭击福罗里达州时，哪支水泥股的涨幅会最大？当朝鲜试射导弹时，哪支国防股会涨得最多？当苹果公司发布新iPad时，哪家苹果公司的供应商股价上涨幅度会最大？Kensho的软件都能在短时间给你一个明确的答复。其背后的黑盒子其实是机器学习以及知识图谱，机器学习系统通过抓取数据和市场信息，搜寻并建立起国际事件及其对资产价格影响之间的相关性，而知识图谱则提供实时的国际事件的画像。Kensho为平台信息配备了直观的搜索工具和数据可视化功能。2017年，来自福布斯最新报道显示，Kensho已在B轮拿到了5千万美元的，由标普国际领投，华尔街最大的六家投行（高盛，摩根大通，美林，摩根士丹利，花旗集团和富国银行）都参与了Kensho的B轮融资。这家成立三年半的初创公司，已经达到了五亿美元。伴随着大数据、算法驱动的人工智能已经进入到金融领域，Kensho这位华尔街“叛徒”的成功经历正在吸引中国门徒的加入，智能投研成为一条火热的创业赛道，爱智慧科技正是其中的竞逐者之一。这家志在对标Kensho的创业公司由华为公司离职创业、百米生活前CEO梁新刚创办。团队包含了人工智能、 数理统计和金融经济人才，以知识图谱和机器阅读为核心能力，帮助、医疗、 物流行业企业做经营仿真、预测，辅助决策，利用AI专家系统帮企业提升运营效率、辅助决策。“整个IT就是excel”作为一名围棋爱好者，梁新刚决定放弃上市公司CEO的身份的契机是2016年的那场AlphaGo与李世石的大战。在研究阐释AlphaGo算法的论文之后，梁新刚发现，人工智能确实已经达到了能与人类博弈的水平。人工智能对人的替代，来势汹汹，锐不可当。但为何选择以证券投资作为主赛道？原因在于梁新刚发现了机构的“落后”面貌。在他看来，投资虽然看似光鲜，但仍是一个“相当传统的作坊式的产业”，尤其是小型证券机构的IT基础设施非常薄弱。Kensho公司创始人纳德勒同样也有类似的经历。其当年在美联储工作期间惊奇地发现，这家全球最具权势的仍然依靠Excel来对经济进行分析。众所周知的是，传统主要是投研人员去上市公司调研，了解财务数据、行业信息等来做投资决策。他们所主要依靠的投研工具仍是万得等金融数据服务商，而目前的金融数据提供商只能提供数据资讯，其商业模式也是以卖终端或者卖数据库为主。这正是智能投研的机会所在。智能投研，指利用大数据和机器学习等技术，将数据、信息、决策进行智能整合，并实现数据之间的智能化关联，从而提高投资者工作效率和投资能力。简言之，以AI辅助投资机构进行投资决策。观察爱智慧旗下的问答系统“查尔德”的表现，或许可以一窥目前国内智能投研的产品现状。在“查尔德”系统输入热门话题、重要事件，系统可自动联想历史相关新闻事件，以及相应时间段的股票走势，提示当下有哪些股票值得关注。在该系统输入热门的关键词，如“化工”、“能源”，还会显示该行业上下游产业链、行业动态、原材料价格走势以及投资建议。梁新刚介绍，“查尔德”采用了事件驱动型投资策略，分析基本面资讯对上市公司股价的影响并加以量化，将数据信息转换为投资信号。所谓事件驱动型投资策略，就是通过分析重大事件发生前后对影响不同而进行的。在梁新刚看来，与传统数据资讯提供商相比，智能投研的最大优势可以带着投资逻辑服务于专业客户群体。如果广泛加以使用，沃伦软件可以撼动长期以来被彭博社和汤姆森路透社（Thomson Reuters）所垄断的260亿美元的金融数据市场。短期颠覆传统金融数据提供商可能性不大,未来金融数据服务市场创新空间巨大。梁新刚认为，通过海量数据、知识图谱和深度学习能力，机器可以发现事件与事件之间的关联关系，并通过知识图谱实现信息向决策的一步转化，并且这种转化过程是可以通过机器学习逐步自我优化的，甚至可以说会比人类做得更好。孵化试验田虽然理论上的前景光明，但在Ai+实际落地中梁新刚遇到了不少难题。首先，如何实现行业壁垒的建立？AI自底层向上侵袭关于智能投研行业，梁新刚描绘了AI从底层向上侵袭的发展路径：机器学习、自然语言处理、知识图谱、增强学习等技术分别对应数据、信息、知识、决策等渐进的投资层次，层层推进，越往金字塔顶端实现的难度越高。行业优势的建立只能通过这一层一层的推进。梁新刚对这一推进脉络进行了具体解读：在数据层，数据源基本一致，行情数据皆来自于交易所；而机器学习、深度学习技术的算法公开，技术本身的差异不大。在信息层，通用型自然语言处理并不能适用证券行业的深入需求。要想实现对于海量的去重合一，只能依靠团队自身实现。去年5月，爱智慧以中文自然语言处理为核心支撑的A股事件驱动才正式上线，其团队负责人来自微软小娜团队。在知识层，最关键的是知识图谱的构建。所谓知识图谱，即是将人类的知识体系外在化，旨在描述客观世界的概念、实体、事件及其之间的关系——简言之，就是谁是谁的“爸爸”，谁是谁的“儿子”，这些概念之间的关系。运用在证券领域，即依靠知识图谱可以实现推测宏观环境和产业板块演进的能力。但知识图谱的构建无法通过自动化实现，耗时长且需要大量人工参与，因此谁先构建完成谁就具备先发优势。梁新刚称，爱智慧已优先构建了证券投资领域规模最大的知识图谱。梁新刚面临的另一个问题是，对于一家证券行业面对B端的创业公司来说，如何自己趟业务是一个难题。一方面，AI系统对于的影响很难得到如实的反馈。梁新刚称，基金经理倾向于将业绩的良好表现归因与自身决策，而表现不佳则归因于AI系统的“不靠谱”，很难真正界定AI的价值并且找出问题。另一方面，证券行业很难贴近客户。“在华为工作期间，我甚至可以睡在客户的机房内，新系统如果出现bug可以连夜修改，但是证券投资机构不允许近距离观察。而直接问AI方面的需求，很难问出来。”梁新刚说道。这让梁新刚意识到，不自己操盘是难以获知甲方的真正痛点所在的。因此，梁新刚决定发起一只规模为5000万的，这只基金将应用“查尔德”系统，被梁视为自己的“试验田”。目前，该基金已经在备案中。梁新刚坦言，创业一年半以来，公司的主要营收来自向医疗、物流行业企业销售软件授权，针对证券行业的“查尔德”系统仍处于免费试用的阶段，而最新的收费版本正在筹划上线。“毕竟，客户愿不愿意付费才是判断你的服务质量的最重要标准。”梁新刚说道。（本文首发钛媒体，作者/蔡鹏程）更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App《为什么智能金融的机会并不在于“帮人挣钱”？》 精选五DeepMind开发的人工智能（AI）程序AlphaGo击败了李世石和柯洁，轰动世界。如今，这股风也刮到了中国。7月20日，继2016 年 5 月 18 日四部委（发改委、科技部、工信部、网信办）发布“关于印发《“互联网+”人工智能三年行动实施方案》的通知”后，***又正式印发《新一代人工智能发展规划》（以下简称《规划》），将发展人工智能提升到国家战略的高度。《规划》指出，人工智能将成为国际竞争的新焦点。人工智能是引领未来的战略性技术，世界主要发达国家把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，加紧**规划和政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。《规划》提出，要建议一批人工智能骨干企业，并设立了三个阶段目标：第一阶段是到2020 年人工智能总体技术和应用与世界先进水平同步，人工智能核心产业规模超过 1500 亿元，带动相关产业规模超过 1 万亿元。第二阶段是人工智能产业进入全球价值链高端，人工智能核心产业规模超过4000 亿元，带动相关产业规模超过 5 万亿元。第三阶段是形成较为成熟的新一代人工智能理论与技术体系，人工智能核心产业规模超过 1 万亿元，带动相关产业规模超过 10 万亿元。对此，国元证券研究员李芬表示，金融行业信息化程度领先、数据结构化程度高，人力成本高昂、产业规模巨大，有望成为人工智能最先爆发的行业。此前，人工智能在美国智能投顾领域已经得到较为广泛的运用。不可否认的是，AI已经在抢人饭碗了。AI要来抢饭碗了？今年5 月15 日，李开复在哥伦比亚大学发表了题为《一个工程师的人工智能银河系漫游指南》毕业演讲，他表示采用智能投资算法获得了比他高八倍的收益，人工智能将取代交易员、银行职员、会计师、分析员和人。早在2017 年3月， 管理资金超 5 的资产管理公司拟大幅削减依靠人工主动选股的部门，并引进相关量化人才。更远的8年前，瑞银集团位于美国康涅狄格州斯坦福德市的办公楼交易大厅，曾一度是全球最大的交易大厅，有23个篮球场那么大，可容纳1400个交易员，每天有大量的财富在这里产生，有大量的人工交易需求。而8年之后，人们陆续撤离了这个场所。人都去了哪里？有人说是人工智能横扫了华尔街。由于人工智能、云计算的发展，使得计算机交易程序能够代替人工，去更加高效地执行一些独立的、繁琐性的工作。人工智能的触角已伸向了专业能力极强的金融投资领域。如今，老牌顶级投行高盛和摩根大通都在花重金布局以人工智能为代表的新科技。普华永道、摩根大通等机构甚至有了“机器学**管”这一职位。而从2019年开始，CFA考试这一金融行业的“”也将引入人工智能的专业知识。Kensho自成立以来融资情况在美国，人工智能＋理财正如火如荼的发展，使得交易员大幅减少了，而分析师的效率也**提升了。比如，在华尔街有一家神奇的Fintech公司——KENSHO，该公司被视为是全球最热门的之一。它的系统可以在2分钟内回答下述问题：当三级飓风袭击佛罗里达时，哪只水泥股的涨幅会最大？当朝鲜试射导弹时，哪只国防股会涨的更多？苹果发布新iphone，哪家供应商股价上涨幅度更大？其背后是什么原理呢？Kensho是一个将云计算与金融咨询业务结合起来的科技型公司，提供金融数据收集与分析，目标是取代现有的大量人员的工作，为客户提供更加优质、快速的数据分析服务。此前，两位创始人因禅结缘，创立了Kensho。其中，丹尼尔o纳德勒（Daniel Nadler），现年 33岁，拥有哈佛大学***博士学位，曾在美联储工作；彼得o克鲁斯卡尔，现年 30 岁，拥有麻省理工学院计算机科学的学士和硕士学位。在联合创办 Kensho 之前，彼得是Google 软件工程师，曾在gmail 团队以及access team上工作。自 2013 年起，Kensho累计融资超 ，2017年4月获标普国际领投的 B 轮融资，估值达5亿美元，目前公司已实现盈利。公司产品 Warren 试图通过构建事件数据库及知识图谱的综合图表模型，解决投资分析中“速度、规模、自动化”三大挑战。公司客户包括金融机构和商业媒体，未来有望拓展至美国**部门。不止于智能投顾另据易观咨询7月25日发布的中国首份《市场专题分析》报告显示，人工智能金融的应用在全球范围内已被提至新高度，到2020年，预计中国人工智能理财规模将达到5.22万亿。该报告执笔人李子川称，“当人工智能遇上，行业的想象力绝不止于智能投顾。”不过，报告也提出，过去对人工智能理财的认知范围窄，更多是片面理解为智能投顾或数字化资产配置。现在，自动化、智能化、个性化的人工智能理财决策系统开始在行业应用。未来，人工智能技术将广泛应用于线上、线下的各种金融场景。值得一提的是，中国的发展路径和美国不尽相同。中国AI应用虽处于早期，但在利用AI技术进行客户识别，以及产品跟用户匹配上发展更好。“中国厂商比较关注对用户的理解，重点为提升客户方面的认知能力，建立更健康的等。”这是因为，相较中国，美国在量化高频交易上更加发达，但在中国，去做产品的优选和有很大的挑战，投资的品类有限，无法像美国那样做一个非常好的、非常丰富、非常广度的。同时，中国的老百姓没有美国这样二三十年理财观念的教育，很多人甚至抱着的心情去投资或者去，大家追涨杀跌，没有长期持有的概念。来源：易观所以，人工智能在中国的发展，更侧重于用户的洞察，用AI技术对客户进行分析和识别，然后在这上面进行一些智能化产品匹配。在国内最蚂蚁财富上，有着“财富社区一号女神”称号的机器人安娜，正在回答用户各种刁钻奇怪的提问，结合过往“学习”的金融知识、经济报告、货币政策、社会事件等，她推演出变化趋势及概率，反馈给理财用户建议。借助人工智能、大数据和丰富的金融场景，蚂蚁更加关注于用户的刻画分析，这包括很多方面，比如他们对风险的态度、需求，他处于人生的什么阶段。通过互联网、通过人工智能算法去降低门槛，为更多的普罗大众去提供服务。数据表明，金融机构来蚂蚁财富开设了财富号，使用千人千面的智能推荐后，日均交易额持续攀升，相较1个月前，日均交易额涨幅达到243%，日均客单的涨幅也达到190%。而在美国，财富管理更侧重产品的改造，利用AI技术将产品优选和投资组合来进行改造，去发现更好的投资策略。报告称，中美两大不同的发展模式都将成为未来市场的主流。即：一是利用AI技术进行客户识别分析，以及产品匹配；二是，利用AI技术进行产品组合优选。对于普通用户来而言，未来科幻电影《她》中的场景或许会成真，用不了太久，或许每个普通人都可以拥有这样一位顾问7*24小时的贴身陪伴。微信号：netfin888；有任何建议欢迎后台留言。爆料/投稿/合作：，并留下您的联系方式。转载需注明出处，侵权必究互金咖微信公众号已入驻今日头条、一点资讯、、搜狐号、大鱼号平台、百度百家、企鹅号、360众媒平台、网易号、和讯名家等平台《为什么智能金融的机会并不在于“帮人挣钱”？》 精选六DeepMind开发的人工智能（AI）程序AlphaGo击败了李世石和柯洁，轰动世界。如今，这股风也刮到了中国。7月20日，继2016 年 5 月 18 日四部委（发改委、科技部、工信部、网信办）发布“关于印发《“互联网+”人工智能三年行动实施方案》的通知”后，***又正式印发《新一代人工智能发展规划》（以下简称《规划》），将发展人工智能提升到国家战略的高度。《规划》指出，人工智能将成为国际竞争的新焦点。人工智能是引领未来的战略性技术，世界主要发达国家把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，加紧**规划和政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。《规划》提出，要建议一批人工智能骨干企业，并设立了三个阶段目标：第一阶段是到2020 年人工智能总体技术和应用与世界先进水平同步，人工智能核心产业规模超过 1500 亿元，带动相关产业规模超过 1 万亿元。第二阶段是人工智能产业进入全球价值链高端，人工智能核心产业规模超过4000 亿元，带动相关产业规模超过 5 万亿元。第三阶段是形成较为成熟的新一代人工智能理论与技术体系，人工智能核心产业规模超过 1 万亿元，带动相关产业规模超过 10 万亿元。对此，国元证券研究员李芬表示，金融行业信息化程度领先、数据结构化程度高，人力成本高昂、产业规模巨大，有望成为人工智能最先爆发的行业。此前，人工智能在美国智能投顾领域已经得到较为广泛的运用。不可否认的是，AI已经在抢人饭碗了。AI要来抢饭碗了？今年5 月15 日，李开复在哥伦比亚大学发表了题为《一个工程师的人工智能银河系漫游指南》毕业演讲，他表示采用智能投资算法获得了比他私人高八倍的收益，人工智能将取代交易员、银行职员、会计师、分析员和经纪人。早在2017 年3月， 管理资金超 5 万亿美元的资产管理公司贝莱德拟大幅削减依靠人工主动选股的部门，并引进相关量化人才。更远的8年前，瑞银集团位于美国康涅狄格州斯坦福德市的办公楼交易大厅，曾一度是全球最大的交易大厅，有23个篮球场那么大，可容纳1400个交易员，每天有大量的财富在这里产生，有大量的人工交易需求。而8年之后，人们陆续撤离了这个场所。人都去了哪里？有人说是人工智能横扫了华尔街。由于人工智能、云计算的发展，使得计算机交易程序能够代替人工，去更加高效地执行一些独立的、繁琐性的工作。人工智能的触角已伸向了专业能力极强的金融投资领域。如今，老牌顶级投行高盛和摩根大通都在花重金布局以人工智能为代表的新科技。普华永道、摩根大通等机构甚至有了“机器学**管”这一职位。而从2019年开始，CFA考试这一金融行业的“标准”也将引入人工智能的专业知识。Kensho自成立以来融资情况在美国，人工智能＋理财正如火如荼的发展，使得交易员大幅减少了，而分析师的效率也**提升了。比如，在华尔街有一家神奇的Fintech公司——KENSHO，该公司被视为是全球最热门的金融科技公司之一。它的系统可以在2分钟内回答下述问题：当三级飓风袭击佛罗里达时，哪只水泥股的涨幅会最大？当朝鲜试射导弹时，哪只国防股会涨的更多？苹果发布新iphone，哪家供应商股价上涨幅度更大？其背后是什么原理呢？Kensho是一个将云计算与金融咨询业务结合起来的科技型公司，提供金融数据收集与分析，目标是取代现有的大量投资分析人员的工作，为客户提供更加优质、快速的数据分析服务。此前，两位创始人因禅结缘，创立了Kensho。其中，丹尼尔o纳德勒（Daniel Nadler），现年 33岁，拥有哈佛大学***博士学位，曾在美联储工作；彼得o克鲁斯卡尔，现年 30 岁，拥有麻省理工学院计算机科学的学士和硕士学位。在联合创办 Kensho 之前，彼得是Google 软件工程师，曾在gmail 团队以及access team上工作。自 2013 年起，Kensho累计融资超 1亿美元，2017年4月获标普国际}