硅谷入侵華爾街，人工智能如何無情蠶食了高薪職位？
創新工場董事長兼CEO李開復曾公開表態，未來十年，80%金融從業者會被人工智能（AI）取代，純數字領域的金融，是AI最好的應用領域之一。
彼時，摩根士丹利已全球裁員1200人，瑞信對倫敦1800名員工發出裁員警告；在200名計算機工程師的支持下，自動化交易程序已接管了高盛紐約總部大多數日常工作。目前AI在金融領域的熱度前所未有，甚至被神化。
人工智能在金融領域的應用，究竟會帶來怎樣的變革？《21CBR》專訪了北大匯豐商學院副教授朱曉天博士。
加盟北大匯豐前，在美國華爾街、新加坡、香港和中國內地金融投資行業，朱曉天有超過16年的研究和投資經驗，曾擔任中信證券DeltaOne指數化衍生品業務的高級副總裁。
朱曉天博士
以下是關于此次分享的整理，溫馨提醒，有大量專業術語：
中信證券的實踐
在中信證券時，有相當長一段時間，我負責場外衍生品及管理融券池的增強收益工作，高峰時的融券池規模達到80個億，是市場最大的，當時我主要兼顧兩部分工作：
首先保證和增強融券收益。由于融券池是多空對沖的，需要定期調倉，以保證它有額外的Alpha收益（絕對收益）。
考慮到本身資金成本和后來的基差貼水成本（產生于指數期貨遠期合約價格低于現貨價格時），還需通過多頭的融券獲得收益。另外，加上Alpha策略的收益，才能獲得足夠的增強收益，以保證業務正常開展。
其次是DeltaOne場外衍生品業務。我們會跟一些較大的機構客戶來合作相關業務，有大量的需求，尤其目前市場監管較嚴，去杠桿為主，整個機構業務對場外衍生品的需求增加。
當場內標準金融產品無法滿足特定需求時，他們不得不用場外的方式來做，就是定制化的過程。
DeltaOne主要是線性的，后來我們拓展到非線性的，以場外的工具來做一些綜合解決方案。以此維護與大型機構客戶的合作關系。
我們日常主要提供和設計相關的解決方案，不管是線性、非線性的，還有各種標準產品，需要將它們組合在一起來解決客戶的需求。有的時候，一單可以上百億，小的也有幾千萬。
其要求也相對較高，由于每一單都是相對定制化的，落地的過程中要持續不斷地溝通，包括內部各個部門和外部客戶以及合作方。
一旦客戶開始簽署場外的協議，又涉及到場外協議過程中的相關盡調、流程、風控等等很多的細節。
主要挑戰來自于市場監管的情況隨時在變，很多時候一些解決方案，在本來政策環境下可以操作，隨著監管政策的變化馬上又得重新調整。
看起來內容繁瑣，我們的產品設計組，只有5、6個人。
智能投顧的真相
我有一個朋友在紐約從事衍生品交易，現在被機器直接替代了。本身衍生品交易這一塊準確定價非常重要，不準確的定價會導致錯誤的交易并導致損失。
德意志銀行的衍生品交易采用人工智能模型，提高了預測股票回購率的準確率，提高了關聯期權定價的準確性，提高了交易利潤。定價系統越來越人工智能化，交易員就可以直接裁掉了，這是一個趨勢。
AI在國外金融行業的應用趨勢比較明顯。在國內，大家知道這是個熱點，也僅限于概念比較熱而已。
在算法交易方面，中信證券在行業內應該算數一數二的，同時也在不斷地改進，而算法交易中用到的大數據，也是人工智能的算法。
在國內一些券商陸續推出了機器人投顧的產品，在我看來，暫時只是一個熱門的概念而已目前媒體上比較時髦的AI其實有狹義和廣義之分。
狹義地來說，很多大數據自動化過程也用AI來指代，比如市場上推出的機器人投顧，除了名稱時髦外，核心是個自動化的概念，只要輸入一些相關的風險收益偏好，以及投資者特定偏好，可以馬上根據模型測算出來。
但是，真正的人工智能要更有擴展性，可以獨立思考，獨立擴展，比如在算法交易或者獨立開發策略的時候，能夠自動更新數據，自動尋找比較優化的策略方案。
一般說的智能投顧，是指大類資產配置，例如私人銀行的角度：根據客戶或者個人、機構、客戶風險收益偏好決定各類大類資產的配置比例。
通常可以直接做成一個系統，可以操作與它交互，達到自動進行資產配置的結果。這個系統除了核心的資產配置模型外，主要是一個自動化+專家系統的部分。
就我了解，國內一些私募機構用人工智能的方式，集中在兩個方向：一是直接用人工智能開發策略；還有一類是下載GoogleSource人工智能算法的源代碼，對其策略庫進行篩選，因為市場情況隨時在變，就用人工智能算法來動態篩選一些適合當前市場的最佳策略組合。
人工智能這個概念很火，有些系統僅僅實現了自動化，也稱為人工智能。例如信用風險管理系統，待其自動化后加入一些專家系統，就被稱為人工智能，屬于比較初級。
但它可以取代一些初級分析員的工作，取代日常的重復性工作。真正要做到智能化，比如說開發量化策略，其實可以用到很多人工智能算法。
人工智能的一個現實應用就是策略開發中的策略篩選，另外，是用機器人投顧做大類資產配置，FOF（基金中的基金）里面的大類資產配置和產品業績篩選，都可以考慮這種自動化的配置方式。
人工智能在金融的應用主要有兩個方向，一個是預測，一個是分類。預測為線性的時間序列預測，比如一段時間以后，KUKA機器人維修，市場漲還是跌；分類主要應用在評級、信用風險評估等方向。
金融之所以作為AI一個突破口，是因為數據多，樣本足；也正因樣本過多，金融市場價格的確定機制含有很多隨機過程。如何避免樣本內訓練的過度擬合，是要解決的問題。
相對傳統操作，使用人工智能技術的成本也相對較高，當然也取決于用到哪個程度。海外在IT技術開發的投入非常大，比如瑞信。
美國的投行可能會把公司利潤的1/3、1/4拿來做技術開發，實際上是跟硅谷在搶人，支付的成本非常高，一些計算機專業的高學歷畢業生，即使沒有經驗，做程序員的職位也可以拿到超過10萬+美元的起薪，仍然不易留人。
這類技術人才感覺在華爾街只屬于輔助類，m.dekuna.com，去硅谷就有機會加入到一些潛力巨大的獨角獸公司。
招聘技術人員開發各種算法交易策略成本非常大，回報也不小。例如，摩根大通銀行直接開發關于法律法規及風控應用方面的自動化系統，該系統幾秒鐘就可以做一般后臺人員花幾十萬小時做的事。
這是一個競爭激烈的市場，這類公司的優勢慢慢會顯現出來，帶動整個行業的趨勢走向。海外投行這方面的發展非常迅猛。
相對來說，中國公司比較急功近利，在技術方面不愿意投入太多。大家覺得這概念很好，這個說法熱，蜂擁而上，應用大數據加上一些簡單的自動化，就稱為人工智能系統，背后可能僅僅是一個簡單的流程自動化系統，其中的差別挺大。
AI的兩大軟肋
從技術本身看，AI經過這么多年的發展，應用場景和框架有了較大發展，而它的核心優化算法并沒有天翻地覆的變化與十幾年前人工神經網絡的優化算法相比，其實沒有革命性的改變。
人工智能的深度學習方法，可以識別非常復雜的非線性關系，非常適合在金融市場和投資領域的應用，也有兩個主要問題：
首先是黑箱問題（所謂黑箱，就是指那些既不能打開，又不能從外部直接觀察其內部狀態的系統，比如人們的大腦）。不同于傳統的回歸或者參數模型，很容易解釋預測模型的邏輯原理。
比如告訴你哪些因子與價格變化是緊密相關的，以及相關程度的強弱；機器學習通過復雜的多層神經網絡，挖掘輸入輸出數據之間的內在關系，預測準確度上有很大提高，但沒有直觀的歸因解釋力度。