以金融和投資為例簡析那些被誇大和誤解的人工智慧

人工智慧在2017年引發了大量的頭條新聞。PLC基金管理公司Man Group首席執行官盧克·埃利斯（Luke Ellis）表示，「如果計算能力和數據生成以目前的速度持續增長，那麼25年內在機器學習領域可能投入99％的投資管理。」

儘管有不少樂觀的評論出現，但目前人工智慧的進步還沒有轉化為卓越的回報。據Wired的消息，過去幾年的定量基金平均未能超越對沖基金（自身未能超越市場表現）。

大多數人不明白人工智慧，特別是當今金融領域使用的人工智慧，缺乏應用深入的專業知識來創建清晰的數據和關係，這是任何成功的投資戰略或人工智慧的基礎。獲勝的遊戲是一回事，但現實世界並不是在嚴格界定的空間中遵循不變的規則的遊戲。在現實世界中，人類改變規則，違反規則，或者甚至根本不存在規則。目前的人工智慧在沒有大量的人工干預的情況下，在真實世界的環境中是無處可尋的。

尋找人才

AI今天最大的問題之一就是沒有足夠的專業知識與建立AI的程序員溝通的興趣和能力。程序員不了解他們提供給人工智慧的數據，而分析師們缺乏對該技術的了解，無法了解程序員需要了解哪些源數據並解釋結果。

這種脫節造成了人工智慧在金融和投資方面應用的一些公開的問題：

·大多數AI公司最終將大部分資源花在數據管理和數據清理上，而不是技術上。

·機器經常發現虛假的相關性，或者只在過去工作，但在將來不適用。

·許多人工智慧系統變成了「黑匣子」，沒有明確的基礎或戰略，就吐出投資建議。如果人工智慧不能向人類表達「如何思考」，那麼投資者如何用大筆資金來信任它呢？

具有彌合這種鴻溝的技能和知識的人是金融界最為稀缺和最有價值的人。十個金融服務公司中有九個已經開始使用AI技術，他們都在這個稀缺的勞動力市場上競爭。

由於規模和資源的限制，最大的金融公司將是技術進步的最大受益者。大銀行能夠支付更多的錢給人才，他們有最大的財務數據存儲，從而幫助他們的新程序員。

一些銀行已經在認真地努力獲得必要的人才。比如，瑞銀（UBS）正在進行人工招聘，而摩根士丹利（MS）的程序員和財務顧問則共同合作打造「下一個最佳行動」，該平台利用機器學習來幫助其顧問向客戶提供個性化建議。

這些努力最終應該得到很大的回報，但現在仍然處於起步階段。金融機構在真正實施人工智慧之前還有很長的路要走。

人工智慧的大（數據）問題

世界上數字數據的總量每兩年翻一番。隨著數據量呈指數增長，大部分數據缺乏機器分析所需的結構。因此，人工智慧項目本來可以減少對人力的需求，但需要無數的工時來收集、清除和格式化數據輸入。

Virtova的創始人Sultan Meghji表示，許多AI初創公司至少花費了一半的資金來清理和管理數據。每個人都想談論如何教計算機思考，但沒有捷徑或替代機器學習的數據集。

為了訓練人工智慧，你需要一個訓練數據集來學習。訓練數據集往往有兩種。首先，你有相對較小的、準確的數據集，沒有足夠的不同種類的例子是有效的。對這些數據集進行訓練的AI在解釋訓練數據方面很有幫助，但是他們無法處理現實世界的變化。

其他訓練集很大，但不是很準確。在這種情況下，用AI可以看到很多例子，有時候會有不正確的數據，但是沒有給出清晰而一致的指令來說明如何回應。對這些較大的、不準確的數據集進行訓練的人工智慧通常決定了從數據中學習的一致的東西很少，並且能夠自己做的很少。

為了獲得成功的機器學習，訓練數據集需要既準確又廣泛的代表性。換句話說，訓練數據需要準確地表示儘可能多的現實世界中發生的事情。我們還可以期待機器能學習到有用的東西么？

這就是人工智慧面臨的挑戰：如果沒有好的訓練數據集，機器就無法學習，創建好的訓練數據集比大多數具有深度學科專業知識的人們所需的時間要多。大多數具有專業知識深度的人需要編寫一個良好的訓練數據集，但通常他們對這種平凡的工作並不感興趣。另一種方法是讓大量的人員掌握有限的專業知識來完成這項工作，但是迄今為止這種方法並不太成功。

在金融和投資領域，大數據問題更為嚴重

從理論上講，管理訓練數據集在財務上應該不那麼具有挑戰性。畢竟，財務數據是以向美國證券交易委員會正式提交的財務報表的形式進行組織的。然而，任何一個外行人都可以很快地看到，在這些文件中，其實沒有那麼多的結構（人類並不總是遵守規則）。另外，確實存在的結構對AI來說並不是那麼有用。事實上，這可能是有害的。

想像一下，一台計算機想比較可口可樂（KO）和百事可樂（PEP）的財務狀況。當計算機通讀財務報表時，如何知道留存收益和再投資收益之間的關係呢？行業團體多年來一直試圖建立一個標準化的金融術語來解決這個問題。

理論上，XBRL（可擴展商業報告語言）的發展將解決這個問題。在實踐中，XBRL仍然包含太多的錯誤和自定義標籤，允許全面自動閱讀財務報表。即使是最聰明的機器，也需要深入的主題專業知識的人才培訓，才能理解財務報告。

如果沒有成熟的技術和專家分析師的配對，任何人工智慧在金融方面的努力都註定要失敗。將一堆非結構化的、未經驗證的數據傾倒在電腦里，期待它提供一個投資策略，就像把食品櫃里的東西倒進烤箱里，等著烤一個美味的餡餅。

即使財務數據是經過結構化和驗證的，對於一台機器來說可能也沒有用，因為人工智慧很難分辨哪些數據是有用的，哪些不是。大量可用的財務數據意味著不可避免地會有大量的明顯的模式，但實際上是純粹的隨機性的結果。這種現象被稱為「過度擬合」，這是斯坦福大學機器學習在線課程中的一個公認的問題。

過度擬合不僅僅是一個AI問題。人類一直在看到沒有真正存在的模式（啟發式）。至少，我們可以意識到這個缺陷，採取措施試圖抵消它。儘管計算機很複雜，卻不能要求它們具有同樣的意識水平。當程序員設計機器來尋找模式時，這些就是那些機器要做的事情。

隨著AI變得越來越複雜，過度擬合的問題變得更糟。曼氏集團量化基金首席數據科學家安東尼?萊德福德（Anthony Ledford）表示，「你的模型越複雜，解釋用於訓練的數據就越好，而且將來解釋數據的能力也越差。」

今天的許多量化基金只是採用從過去的數據挖掘的模式，希望這些模式能持續到未來。實際上，這些模式中的大多數是要麼是隨機的結果要麼是不存在的條件。

我們再次看到人工智慧與人工智慧配對的必要性。機器可以比任何人類更快更高效地處理數據並查找模式，但是現在他們缺乏對這些模式進行審計的智能，也不知道它們是否可以用來預測未來的結果。

AI是一個黑匣子

當然，要審計人工智慧的結果，人類需要能夠理解人工智慧的「想法」。他們需要對機器使用的流程和發現的模式有一定程度的了解。

現在，大多數AI對於潛在的用戶來說是不夠透明的。人工智慧演算法常常是一個黑盒子，它接收數據然後產出結果，不存在透明度。

如果我們希望機器能夠按照它們所需要的規模進行操作，那麼這個問題是不可避免的。進入人工智慧的代碼非常複雜，以至於很少有人能夠在2017年成為人工智慧的頭條新聞。

事實上，軟體甚至不必達到這樣的複雜性就能夠處理這些問題。想像10年前豐田凱美瑞遭遇的意外加速的問題。

如果支持汽車突破和加速的人為控制的軟體都如此複雜，那麼就想像一下，財務建模等更複雜的活動是否可能會出現更多的混淆和容易出錯的情況。一行代碼中的一個錯誤可能會改變整個系統的功能。軟體不會中斷，只是執行一個不同的任務，可能當有人意識到這個問題的時候已經太晚了。

這個問題由於具有足夠的金融專業知識的人與程序員之間的鴻溝的加大而加劇。財務專家不明白軟體是如何工作的，而程序員不明白財務工作的方式。金融遠不是經歷這個問題的唯一部門。

只要人工智慧仍然是一個黑匣子，其效用將受到限制。最終，缺乏透明度可能會導致重大但目前還沒有被發現的失敗。在這之前，投資者很難將大筆資金投入到他們不能信任的項目中。

前進的道路

對於所有這些挑戰，AI將繼續擴大它的影響力。金融公司沒有其他辦法來實現降低成本和改善服務的雙重任務，而技術是分析大量公司財務數據並滿足「託管義務」的唯一解決方案。

了解這一事實並採取具體措施投資於技術的公司將比競爭對手具有顯著的優勢。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！